学术背景 在当今的医疗环境中，医学影像在疾病诊断、治疗规划和健康管理中扮演着至关重要的角色。然而，传统的医学影像分析方法存在诸多挑战，如过拟合（overfitting）、计算成本高、泛化能力有限以及噪声、尺寸和形状变化等问题。这些挑战导致医学影像的分类和检测精度受限，影响了临床决策的准确性和效率。 为了应对这些挑战，研究者们提出了多种基于机器学习和深度学习的医学影像分析方法。然而，这些方法在处理复杂数据集时仍存在局限性，尤其是在计算效率和分类精度方面。因此，本文提出了一种名为EPDTNet+-EM（Efficient Parallel Deep Transfer Subnet + Explainable Model）的新型医学影像处理框架，旨在通过增强的迁移学习和并行子网架构，提高医学影像中...

基于高阶运动流的共轭视觉表征持续学习：CMOSFET模型的研究 学术背景 在人工智能和计算机视觉领域，如何从连续的视觉数据流中进行持续学习（Continual Learning）是一个长期存在的挑战。传统的机器学习方法通常依赖于独立同分布（i.i.d.）的假设，即所有训练数据在训练时是静态且可用的。然而，现实世界中的视觉数据往往是连续的、非独立同分布的，这给模型的训练带来了巨大的困难。此外，现有的无监督学习方法大多依赖于大规模的离线训练数据集，这与人类和动物通过连续体验环境进行学习的方式截然不同。 为了解决这些问题，Simone Marullo、Matteo Tiezzi、Marco Gori和Stefano Melacci等研究人员提出了一种新的无监督持续学习模型，名为CMOSFET（Co...

提升无人机目标检测的选择性频域交互网络 研究背景及问题提出 随着计算机视觉技术的发展，无人机目标检测已成为遥感领域的重要研究方向之一。无人机目标检测旨在从倾斜拍摄和高度多变的航拍图像中识别出诸如车辆、建筑物等目标。这一技术在环境监测、灾害管理以及安全监控等领域具有广泛应用。然而，受目标尺度、方向以及复杂背景的影响，无人机目标检测面临诸多挑战，包括目标间密集分布、光照差异和视角变化等问题。 当前大多数基于卷积神经网络（Convolutional Neural Networks, CNN）的解决方案主要注重空间和通道交互，忽视频域信息的重要性。频域信息对于捕捉对象的纹理、边缘等特定特征具有不可替代的作用，然而，现有的权重分配方法，例如通道注意力机制，难以完全利用频域信息，往往导致信息丢失。这种不...

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...

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...