AutoAlign：由大规模语言模型驱动的全自动、高效知识图谱对齐方法 知识图谱（Knowledge Graph，简称KG）已经被广泛应用于问答系统、对话系统和推荐系统等多个领域。然而，不同的知识图谱中可能存在同一现实实体以不同形式存储的问题，这导致知识共同体和信息互补非常困难，尤其在实际应用中，这些知识图谱的合并是一项核心任务。这涉及实体对齐（Entity Alignment），即识别不同知识图谱中代表相同实体的实体对。然而，现有方法通常需要手工制作的种子对齐（Seed Alignments），其获取成本高、可移植性差，并且人工干预可能引入偏差，影响对齐效果。 为了应对上述挑战，来自Tsinghua University、University of Melbourne、Universita...
面向遗忘-鲁棒知识追踪的深度图记忆网络 近年来，知识追踪（KT）作为个性化学习的重要方法吸引了广泛关注。知识追踪旨在预测学生回答新问题时的正确率，利用他们过往问题的回答历史来估计其知识状态。然而，当前的知识追踪方法仍面临一些挑战，包括对遗忘行为的建模和潜在概念之间关系的识别。为了解决这些问题，本文提出了一种全新的知识追踪模型，即深度图记忆网络（Deep Graph Memory Network, DGMN）。本文具体概述了DGMN模型的设计、实验过程及其在各类数据集上的表现。 研究背景 知识追踪问题自提出以来，一直是教育领域的一个重要研究方向。其核心目标是通过学生的历史回答数据，预测其未来回答问题的正确概率。早期的知识追踪方法主要包括基于贝叶斯方法和状态空间模型的方法，例如隐马尔可夫模型（H...
基于Siamese-Transport域适应框架的3D MRI胶质瘤和阿尔茨海默病分类 研究背景 在计算机辅助诊断中，3D磁共振成像（MRI）筛查对于早期诊断各类脑部疾病具有重要作用，可以有效防止病情恶化。胶质瘤是一种常见的恶性脑肿瘤，其治疗方案因肿瘤级别的不同而有所不同。因此，准确高效的3D MRI分类在医学影像分析中至关重要。然而，传统的深度学习模型在应用于临床获得的无标签数据时，表现会严重退化，主要原因是域间不一致性，如不同设备类型和数据获取参数的差异。现有的方法主要集中在减少域间差异，但忽略了语义特征和域信息的纠缠。 论文来源 本文由Shandong University的Luyue Yu，Ju Liu，Qiang Wu，Jing Wang和Aixi Qu等人撰写，发表在2024年1...
深度睡眠网络：基于单通道EEG的自动睡眠阶段评分模型 背景介绍 睡眠对于人体健康具有重要影响，监测人们的睡眠质量在医学研究和实践中至关重要。通常，睡眠专家通过分析多种生理信号（如脑电图 (EEG)、眼动电图 (EOG)、肌电图 (EMG) 和心电图 (ECG)）进行睡眠阶段评分。这些信号被称为多导睡眠图 (Polysomnogram, PSG)，经分类后用于确定个体的睡眠状态。然而，这种手动方法耗时且费力，需要专家持续数夜对多个传感器进行记录并分析。 基于多信号（如EEG、EOG和EMG）或单信号EEG的自动睡眠阶段评分方法已得到广泛研究。然而，大多数现有方法依赖于手工特征提取，这通常根据数据集的特性进行设计，无法推广到具有异质性的更大人群中。此外，较少方法考虑了用于识别睡眠阶段转换规则的时...
由于脑肿瘤的高发病率和致命性，快速且准确地检测和分类脑肿瘤变得尤为重要。脑肿瘤包括恶性和非恶性两种类型，其异常生长会对大脑造成长期损害。磁共振成像（MRI）是一种常用的脑肿瘤检测方法。然而，依赖于专家手工分析 MRI 影像存在结果不一致的风险，同时仅仅识别肿瘤是不够的，快速确定肿瘤类型以尽早开始治疗同样重要。 为了提高肿瘤检测的速度、可靠性和公正性，本研究探索了多种深度学习（Deep Learning, DL）架构，包括 VGG16、InceptionV3、VGG19、ResNet50、InceptionResNetV2 和 Xception，并提出了基于最佳三种传递学习（Transfer Learning, TL）模型的新模型 IVX16。本文的多类分类模型旨在解决当前主要集中在二分类问题...
肌骨模型已经广泛用于生物力学分析，因为它们能够估计难以通过活体直接测量的运动变量（如肌肉力量和关节力矩）。传统的物理驱动计算肌骨模型可以解释神经驱动到肌肉、肌肉动力学、以及身体和关节运动学和动力学之间的动态交互。然而，这些模型由于其复杂性，运行速度较慢，难以实现实时应用。近年来，数据驱动方法以其实现速度快和操作简单的优点成为一种有前途的替代方案，但它们不能反映基础的神经机械过程。 本文提出了一种融合物理知识的深度学习框架，用以实现肌骨建模。在该框架中，将物理领域的知识引入数据驱动模型，作为软约束对其进行罚则/正则化处理。本文采用表面肌电图（SEMG）同步预测肌肉力量和关节运动学作为示例，使用卷积神经网络（CNN）实现该框架，并在两个数据集上进行了实验验证，展示了该框架的有效性和鲁棒性。 论文...
在如今的教育环境中，理解学生的学习风格对提高他们的学习效率至关重要。特别是视觉学习风格（visual learning style）的识别，有助于教师和学生在教学和学习过程中采取更有效的策略。目前，自动识别视觉学习风格主要依靠脑电图（Electroencephalogram, EEG）和机器学习技术。然而，这些技术通常需要离线处理来消除伪影和提取特征，从而限制了其在实时应用中的适用性。 这项由Soyiba Jawed、Ibrahima Faye和Aamir Saeed Malik在《IEEE Transactions on Neural Systems and Rehabilitation Engineering》上发表于2024年的研究，提出了一种基于深度学习技术的实时视觉学习者识别模型，...
研究背景及目的 近年来，脑机接口（Brain-Computer Interface，BCI）系统在神经工程和神经科学领域广泛应用，而脑电图（Electroencephalogram，EEG）作为反映中枢神经系统不同神经元群体活动的数据工具，已经成为这些领域中核心的研究内容。然而，EEG信号具有低空间分辨率、高时间分辨率、低信噪比以及个体差异大等特征，这些都为信号处理和准确分类带来了极大的挑战。尤其在运动想象（Motor Imagery，MI）这一EEG-BCI系统常用范式中，准确分类不同MI任务的EEG信号对于BCI系统的功能恢复和康复具有重要意义。 传统的MI-EEG分类方法通常基于手工特征提取和分类，但这些方法可能在特征提取阶段丢失EEG的有用信息。近年来，深度学习模型因其自动特征提取和...
电子电气工程师学会 (IEEE)《神经系统与康复工程事务》2021年第29卷刊登了一篇题为《一种基于注意力深度学习的单通道EEG睡眠阶段分类方法》的文章。本文由Emadeldeen Edele、Zhenghua Chen、Chengyu Liu、Min Wu、Chee-Keong Kwoh、Xiaoli Li及Cuntai Guan等学者撰写。文章的主要目的是提出一种新型的基于注意力的深度学习模型，用于通过单通道的脑电图（EEG）信号进行自动睡眠阶段分类。 研究背景 睡眠是人类重要的生理过程，直接影响到每日生活的各个方面。有研究表明，高质量的睡眠能够促进身体健康和脑功能的提升，而睡眠中断则可能导致失眠或睡眠呼吸暂停等睡眠障碍。睡眠阶段（如浅睡和深睡）对免疫系统、记忆和代谢等起着关键作用，因此...
深度学习放射组学模型结合临床放射学特征预测胰腺导管腺癌患者隐性腹膜转移的开发与验证 背景介绍 胰腺导管腺癌（Pancreatic Ductal Adenocarcinoma, PDAC），一种极为致命的恶性肿瘤，其5年生存率约为11%。其糟糕的预后部分是由于80-85%的患者在出现症状时，已经被诊断出为晚期疾病，不可切除或已经发生转移，包括隐性腹膜转移（Occult Peritoneal Metastases, OPM）。腹膜是PDAC转移的第二常见途径，约10-20%的患者在首次诊断时即表现为腹膜转移，对于这一部分患者来说，早期识别腹膜转移将极大地影响治疗选择以避免不必要的手术。 传统的腹膜转移诊断依赖于计算机断层扫描（CT），但是由于缺乏明显的标志，早期腹膜转移往往难以被发现。诊断性分期...