过去几十年来看，越来越多地采用的非侵入性神经影像学技术越来越大的进步，以检查人脑发展。然而，这些改进并不一定是更复杂的数据分析措施，能够解释功能性大脑发育的机制。例如，从单变量（大脑中的单个区域）转变为多变量（大脑中的多个区域）分析范式具有重要意义，因为它允许调查不同脑区之间的相互作用。然而，尽管对发育大脑区域之间的相互作用进行了多变量分析，但应用了人工智能（AI）技术，使分析不可解释。本文的目的是了解电流最先进的AI技术可以通知功能性大脑发展的程度。此外，还审查了哪种AI技术基于由发育认知神经科学（DCN）框架所定义的大脑发展的过程来解释他们的学习。这项工作还提出说明可解释的AI（Xai）可以提供可行的方法来调查功能性大脑发育，如DCN框架的假设。
translated by 谷歌翻译
准确诊断睡眠障碍对于临床评估和治疗至关重要。多元素摄影（PSG）长期以来用于检测各种睡眠障碍。在本研究中，心电图（ECG）和电磁影（EMG）已被用于识别呼吸和运动相关的睡眠障碍。除了使用SynchroSquezed小波变换（SSWT）开发迭代脉冲峰值检测算法之外，还通过提取EMG特征来执行生物信号处理，除了开发迭代脉冲峰值检测算法以获得来自ECG的心率和呼吸相关特征的可靠提取心率和呼吸相关的特征。深度学习框架旨在融入EMG和ECG功能。该框架已被用于对四组进行分类：健康受试者，患者阻塞性睡眠呼吸暂停（OSA），患者患者患者，患者患者和OSA和RLS患者。拟议的深度学习框架在我们制定的四类问题的主题中产生了平均准确性为72％，重量F1分数为0.57分。
translated by 谷歌翻译
我们寻求基于8,380临床验证样品的咳嗽声，评估Covid-19的快速初级筛查工具的检测性能，从8,380临床验证的样品进行实验室分子测试（2,339 Covid-19阳性和6,041个Covid-19负面）。根据患者的定量RT-PCR（QRT-PCR）分析，循环阈值和淋巴细胞计数，根据结果和严重程度临床标记样品。我们所提出的通用方法是一种基于经验模式分解（EMD）的算法，其随后基于音频特征的张量和具有称为Deplecough的卷积层的深层人工神经网络分类器的分类。基于张量尺寸的数量，即DepeCough2D和DeepCOUGH3D，两种不同版本的深度。这些方法已部署在多平台概念验证Web应用程序CoughDetect中以匿名管理此测试。 Covid-19识别结果率达到了98.800.83％，敏感性为96.431.85％的有前途的AUC（面积），特异性为96.201.74％，81.08％5.05％AUC，用于识别三个严重程度。我们提出的Web工具和支持稳健，快速，需要Covid-19的需求识别的基础算法有助于快速检测感染。我们认为，它有可能大大妨碍世界各地的Covid-19大流行。
translated by 谷歌翻译
人类视觉大脑使用三个主要成分，例如颜色，纹理和形状来检测或识别环境和物体。因此，在过去的二十年中，科学研究人员对纹理分析引起了很多关注。纹理功能可用于通勤视觉或机器学习问题的许多不同应用中。从现在开始，已经提出了许多不同的方法来对纹理进行分类。他们中的大多数将分类准确性视为应改进的主要挑战。在本文中，基于两个有效纹理描述符，共发生矩阵和局部三元模式（LTP）的组合提出了一种新方法。首先，进行基本的本地二进制模式和LTP以提取本地纹理信息。接下来，从灰度共发生矩阵中提取统计特征的子集。最后，串联功能用于训练分类器。根据准确性，在Brodatz基准数据集上评估了该性能。实验结果表明，与某些最新方法相比，提出的方法提供了更高的分类率。
translated by 谷歌翻译
纹理定义为图像中像素强度的空间结构，在整个图像或区域中定期重复，并成为图像的概念。纹理，颜色和形状是人类视觉系统使用的三个主要组件来识别图像内容。在本文中，首先，有效和更新的纹理分析操作员可以通过细节幸存。接下来，在医疗应用和疾病诊断中使用纹理分析的一些最新方法幸存下来。最后，根据准确性，数据集，应用程序等进行了比较不同的方法。结果表明，纹理特征分别或在不同特征集的关节中，例如深层，颜色或形状特征在医学图像分类中提供了很高的精度。
translated by 谷歌翻译
在过去的几十年中，研究人员对连续的手势识别（CHGR）进行了广泛的研究。最近，已经提出了一种模型来应对连续的手势视频中孤立手势的边界检测的挑战[17]。为了增强模型性能，还可以在[17]中提出的模型中替换手工制作的特征提取器，我们提出了GCN模型，并将其与堆叠的BI-LSTM和注意力模块结合使用，以在视频流中推动时间信息。考虑到骨架模式的GCN模型的突破，我们提出了一种两层GCN模型，以增强3D手骨架功能。最后，从[17]借用的每个隔离手势的类概率被馈送到后处理模块中。此外，我们用一些非解剖图结构代替了解剖图结构。由于缺乏大型数据集，包括连续手势序列和相应的孤立手势，三个动态手势识别（DHGR）中的公共数据集，RKS-Persiansign和Aslvid用于评估。实验结果表明，在处理连续的手势序列中处理孤立的手势边界检测方面所提出的模型的优越性
translated by 谷歌翻译
手语是聋人和听力受损社区中使用的沟通语言的主要形式。在听力障碍和听力社区之间进行简单互相的沟通，建立一个能够将口语翻译成手语的强大系统，反之亦然是基本的。为此，标志语言识别和生产是制作这种双向系统的两个必要零件。手语识别和生产需要应对一些关键挑战。在这项调查中，我们审查了使用深度学习的手语制作（SLP）和相关领域的最近进展。为了有更现实的观点来签署语言，我们介绍了聋人文化，聋人中心，手语的心理视角，口语和手语之间的主要差异。此外，我们介绍了双向手语翻译系统的基本组成部分，讨论了该领域的主要挑战。此外，简要介绍了SLP中的骨干架构和方法，并提出了拟议的SLP分类物。最后，介绍了SLP和绩效评估的一般框架，也讨论了SLP最近的发展，优势和限制，评论可能的未来研究的可能线条。
translated by 谷歌翻译
小组卷积神经网络（G-CNN）是卷积神经网络（CNN）的概括，通过在其体系结构中明确编码旋转和排列，在广泛的技术应用中脱颖而出。尽管G-CNN的成功是由它们的\ emph {emplapicit}对称偏见驱动的，但最近的一项工作表明，\ emph {隐式}对特定体系结构的偏差是理解过度参数化神经网的概括的关键。在这种情况下，我们表明，通过梯度下降训练了二进制分类的$ L $ layer全宽线性G-CNN，将二进制分类收敛到具有低级别傅立叶矩阵系数的解决方案，并由$ 2/l $ -schatten矩阵规范正规化。我们的工作严格概括了先前对线性CNN的隐性偏差对线性G-CNN的隐性分析，包括所有有限组，包括非交换组的挑战性设置（例如排列），以及无限组的频段限制G-CNN 。我们通过在各个组上实验验证定理，并在经验上探索更现实的非线性网络，该网络在局部捕获了相似的正则化模式。最后，我们通过不确定性原理提供了对傅立叶空间隐式正则化的直观解释。
translated by 谷歌翻译
与小组元素的作用一样，在数学中通常用于分析或利用给定问题设置中固有的对称性。在这里，我们提供有效的量子算法，用于对存储为量子状态的数据进行线性组卷积和互相关。我们的算法的运行时间在组的维度上是对数，因此与经典算法相比，当输入数据作为量子状态和线性操作提供良好的条件时，提供了指数加速。我们的理论框架是出于解决代数问题的量子算法的丰富文献，为量化机器学习和采用小组操作的数值方法中的许多算法开辟了一条途径。
translated by 谷歌翻译