TNANet: 基于时间噪音感知的神经网络用于含噪生理数据的自杀意图预测

Jan, 2024

TNANet: 基于时间噪音感知的神经网络用于含噪生理数据的自杀意图预测

TNANet: A Temporal-Noise-Aware Neural Network for Suicidal Ideation Prediction with Noisy Physiological Data

Niqi Liu, Fang Liu, Wenqi Ji, Xinxin Du, Xu Liu...

TL;DR我们介绍了一种名为 TNANet 的新颖神经网络模型，该模型结合了先进的编码技术和置信度学习，用于分析噪声干扰的生理时间序列数据，并在自杀意向预测任务中实现了 63.33% 的预测准确率，表现优于现有模型。同时，我们进行了全面评估，证明 TNANet 相对于基准方法具有超过 10% 的准确率提升。

Abstract

The robust generalization of deep learning models in the presence of inherent noise remains a significant challenge, especially when labels are subjective and noise is indiscernible in natural settings. This problem is particularly pronounced in many practical applications. In this pap

deep learning models noisy time-series data neural network model suicidal ideation prediction confidence learning

发现论文，激发创造

基于摄像头的并行脉冲驱动变压器远程光电容识别

本文提出了一种基于脉冲神经网络的混合神经网络模型 Spiking-PhyFormer，该模型在保持性能的同时，相较于 PhysFormer 和其他基于 ANN 的模型降低了 12.4% 的功耗，并将变压器块的功耗降低了 12.2 倍。

Feb, 2024

多变量时间序列异常检测与污染数据：应用于生理信号

本研究介绍了一种无监督式的感知时间序列异常检测方法（TSAD-C），通过对带有异常的训练数据进行去噪、建立变量依赖模型和检测异常值等步骤，成功在三个广泛使用的生理数据集上超越现有方法，达到了领域中的最新技术水平。

Aug, 2023

Tiny-PPG: 适用于边缘设备的实时光电脉搏图信号动态伪像检测轻量级深度神经网络

本研究提出了一种轻量级的深度神经网络 Tiny-PPG，用于准确和实时地检测心率监测中的 PPG 运动伪影。经验证实验，增加模型精度和速度之间的平衡，采用了特殊设计的模型结构，训练方法和损失函数，在嵌入式设备上实现实时 PPG 伪像检测。

May, 2023

通过预测噪音实现无监督学习

本文介绍了一种通用的框架，用于在没有监督的情况下对深度网络进行端对端训练，通过固定一组目标表示并约束其深度特征对齐到这些表示来达到目的，同时采用了随机批量重新分配策略和可分离的平方损失函数来缓解标准无监督学习中的一些问题，并且在 ImageNet 和 Pascal VOC 上能够实现与最先进的无监督方法相媲美的表现。

Apr, 2017

MTSA-SNN：基于脉冲神经网络的多模态时间序列分析模型

基于脉冲神经网络的多模态时间序列分析模型（MTSA-SNN）能够有效地分析复杂时间序列数据，并在多个任务中取得卓越性能。

Feb, 2024

慢性病中关怀心理：基于物联网的可解释人工智能方法

本文通过使用动作传感器数据预测抑郁症证明了解决以下问题的重要性：健康感知对慢性病管理的益处如何，抑郁症预测的挑战和机器学习算法透明度和可解释性的重要性，介绍了一个新型可解释的深度学习模型 —— Temporal Prototype Network（TempPNet）以及如何将其应用于健康感知中的慢性病共同关心和抑郁症预测。

Nov, 2022

TTNet：乒乓球实时时空视频分析

我们提出了一个神经网络 TTNet，旨在实时处理高分辨率的乒乓球视频，提供时间（事件检测）和空间（球检测和语义分割）数据，从而为自动裁判系统提供核心信息，同时我们发布了一个多任务数据集 OpenTTGames 以评估多任务方法，主要针对快速事件的检测和小物体跟踪，并在所呈现的数据集的测试部分展示了 97.0％的游戏事件检测的准确性，以及 2 像素 RMSE 的球检测准确性，并在单个消费级 GPU 的机器上实现每个输入张量不到 6 毫秒的推理时间，为实时多任务深度学习应用程序的发展做出贡献，并提供了一个潜在能够替代体育运动员的手动数据收集的方法，为裁判员的决策提供支持，并收集有关游戏过程的额外信息。

Apr, 2020

光谱时空图神经网络用于轨迹预测

这篇论文提出了一种名为 SpecTGNN 的图神经网络，它结合了时域和频域中的信息来实现对自主车辆和社交移动机器人周围环境的运动预测，获得了目前公开数据集上预测精度方面的最优表现。

Jun, 2021

为所有人打造的网络 '：使用来自单个患者的纵向数据进行完全个性化和无监督的神经网络训练

本研究研究了个性化神经网络在检测肿瘤进展方面的应用，采用对比增强 T1w 序列的磁共振成像，使用 Wasserstein-GAN 无监督网络架构构建模型，对 32 例患有胶质母细胞瘤的病人的 64 个扫描进行了评估，证明只使用一个病人的数据即可训练神经网络来监测肿瘤变化。

Oct, 2022

TSI-GAN: 使用卷积循环一致性生成对抗网络进行无监督的时间序列异常检测

本研究提出 TSI-GAN，一种用于时序数据的无监督异常检测模型，可以自动学习复杂的时间模式并广义于不同数据集，通过将每个输入时间序列转换为二维图像序列，并使用具有逆映射准确性的重建型 GAN 进行训练，以及后处理中应用 Hodrick-Prescott 过滤器来缓解假阳性问题，最终实验表明，与 8 种基准方法相比，TSI-GAN 具有明显的性能优势。

Mar, 2023