Jan, 2024

通过极限学习机实现快速脑血流分析

PDF
TL;DR提出了一种利用扩散相关光谱学（DCS）和极限学习机（ELM）分析脑血流 (cerebral blood flow) 的快速准确分析方法，ELM 在不同噪声水平和光学参数下表现出更高的保真度，相较于迭代拟合算法具有更强大的泛化能力并能够胜过它们，与计算效率高的神经网络进行对比，ELM 在减少训练和推理时间的同时保持了可比较的准确性，ELM 的无反向传播训练过程导致训练速度显著加快，为具备在线训练能力的边缘计算应用提供了希望。
cerebral blood flowdiffuse correlation spectroscopyextreme learning machinesynthetic datasetsneural network
发现论文，激发创造
  • 强化弥散相关光谱法的血流评估：一种具有噪声稳健性分析的迁移学习方法

    用于血流量指数测量的扩散相关光谱技术和机器学习的结合，通过转移学习的方法提高在不同信噪比和临床环境下对血流指数的鲁棒性。

    Jan, 2024

  • 用于快速训练点击率预测模型的极限学习机

    基于嵌入层增强的 ELM 模型在 CTR 任务中表现出色，同时显著减少训练时间，特别适用于快速训练的情况。

    Jun, 2024

  • KSTAR ELM 螺旋线圈动态的机器学习分析

    本研究提出了一种基于深度卷积神经网络的机器学习模型，可自动识别位置、空间范围和振幅不同的 ECEI 电子回旋发射成像系统中的 ELM 暴露结构，该模型在 KSTAR 托卡马克上训练和优化，精度可达 93.7％，并用于表征 ELM 丝线动态行为，并发现在 ELM 前期和 ELM 崩溃阶段之间有明显区别。

    Jan, 2022

  • 极限学习机理论框架的关键分析

    尽管极限学习机在许多应用中取得了成功，但我们发现其基本原理缺乏严格的数学证明。具体而言，我们推翻了两个主要陈述的证明，并创建了一个数据集来提供 ELM 学习算法的反例，并解释其设计，这引发了许多这样的反例。最后，我们提供了基础的替代陈述，以在一些理论情况下证明 ELM 的效率。

    Jun, 2024

  • 构建零谱偏差的极限学习机

    Spectral Bias 现象是在前馈人工神经网络（ANN）中观察到的，其中学习的函数的高频成分比低频成分收敛得更慢，这一现象在 ANN 中普遍存在。本研究验证了 ELMs 结构的可靠性，发现高斯过程谱偏差（SB）的理论假设是错误的，并实施并验证了傅里叶特征嵌入的 ELMs 变种，完全消除了 SB 现象，从而使 ELMs 在像 PINNs 等需要高频分辨率的实际问题中可行。

    Jul, 2023

  • 基于机器学习的 OFDM 系统中联合检测与信道估计方法

    本研究提出并比较了两种基于机器学习的 OFDM 系统联合检测 - 信道估计结构，分别使用深度神经网络 (DNN) 和极限学习机 (ELM) 架构来提高数据检测性能，并分析了误码率性能与计算复杂度之间的权衡，展示了提出的 DNN-OFDM 和 ELM-OFDM 检测器方法论的优越性。

    Apr, 2023

  • 基于新颖时空卷积神经网络的定量灌注图

    提出了一种考虑时空信息的灌注参数估计网络 (ST-Net)，该网络结合了设计的物理损失函数，能够准确估计灌注参数，包括脑血容量、脑血流和残差函数的最大时间。

    Dec, 2023

  • 基于深度学习的脑电图分析：系统综述

    通过对 156 篇 DL 和 EEG 论文的回顾和分析，发现 DL 在 EEG 信号识别方面取得了 5.4% 的精度提升，但大多数论文难以复现，因此提出了建议以支持该领域的进一步发展。

    Jan, 2019

  • Voxel2Hemodynamics：一种端到端的深度学习方法，用于预测冠状动脉血液动力学

    本文提出了一种基于深度学习的框架，利用计算机辅助技术快速准确地进行冠状动脉血液动力学分析， 通过迭代学习算法可以用 CCTA 图像预测冠状动脉的血液动力学分布，并与计算流体动力学分析结果相吻合，为冠状动脉疾病发展的机制揭示提供新思路。

    May, 2023

  • 一种利用深度学习预测心脏再同步治疗响应的新方法

    使用深度学习模型将临床参数、心电图特征、心脏功能评估参数和 SPECT MPI 的极地图相结合，预测心脏重同步治疗的患者反应，对于预测预后具有较高准确性。

    May, 2023