Mechanistic cardiac electrophysiology models allow for personalized simulations of the electrical activity in the heart and the ensuing electrocardiogram (ECG) on the body surface. As such, synthetic signals possess known ground truth labels of the underlying disease and can be employed for validation of machine learning ECG analysis tools in addition to clinical signals. Recently, synthetic ECGs were used to enrich sparse clinical data or even replace them completely during training leading to improved performance on real-world clinical test data. We thus generated a novel synthetic database comprising a total of 16,900 12 lead ECGs based on electrophysiological simulations equally distributed into healthy control and 7 pathology classes. The pathological case of myocardial infraction had 6 sub-classes. A comparison of extracted features between the virtual cohort and a publicly available clinical ECG database demonstrated that the synthetic signals represent clinical ECGs for healthy and pathological subpopulations with high fidelity. The ECG database is split into training, validation, and test folds for development and objective assessment of novel machine learning algorithms.
translated by 谷歌翻译
使用机器学习来描述动态医疗系统是一个充满挑战的主题，具有广泛的应用程序。在这项工作中，描述了纯粹基于测量数据的糖尿病患者血糖水平进行建模的可能性。影响变量胰岛素和卡路里的组合用于寻找可解释的模型。人体外部物质的吸收速度在很大程度上取决于外部影响，这就是为什么添加时间班的原因。重点放在确定最佳时移，这些时移提供具有良好预测准确性的强大模型，这些模型与其他未知的外部影响无关。该建模纯粹基于使用非线性动力学的稀疏鉴定的测量数据。确定一个微分方程，从初始值开始，模拟了血糖动力学。通过将最佳模型应用于测试数据，我们可以证明可以使用微分方程来模拟长期的血糖动力学，很少会影响变量。
translated by 谷歌翻译
人体运动的实时跟踪对于AR/VR中的互动和沉浸式体验至关重要。但是，有关人体的传感器数据非常有限，可以从独立的可穿戴设备（例如HMD（头部安装设备）或AR眼镜）获得。在这项工作中，我们提出了一个强化学习框架，该框架从HMD和两个控制器中获取稀疏信号，并模拟合理且身体上有效的全身运动。在训练过程中，使用高质量的全身运动作为密集的监督，一个简单的策略网络可以学会为角色，步行和慢跑的角色输出适当的扭矩，同时紧随输入信号。我们的结果表明，即使输入仅是HMD的6D变换，也没有对下半身进行任何观察到的地面真理的惊人相似的腿部运动。我们还表明，单一政策可以对各种运动风格，不同的身体尺寸和新颖的环境都有坚固的态度。
translated by 谷歌翻译
本文介绍了一个开源Python工具箱，称为“集合功能重要性（EFI）”，以提供机器学习（ML）研究人员，领域专家和决策者，具有强大而准确的功能重要性的重要性量化，以及更可靠的机械解释，对使用预测问题的特征的重要性更重要模糊集。该工具包的开发是为了解决特征重要性量化的不确定性，并且由于机器学习算法的多样性，重要性计算方法和数据集依赖性而缺乏可信赖的特征重要性解释。 EFI使用数据自举和决策融合技术（例如平均值，多数投票和模糊逻辑）与多个机器学习模型合并了不同的特征重要性计算方法。 EFI工具箱的主要属性是：（i）ML算法的自动优化，（ii）从优化的ML算法和功能重要性计算技术中自动计算一组功能重要性系数，（iii）使用多个重要性系数的自动汇总决策融合技术和（iv）模糊成员资格功能，显示了每个功能对预测任务的重要性。描述了工具箱的关键模块和功能，并使用流行的IRIS数据集提供了其应用程序的简单示例。
translated by 谷歌翻译
分割模型在医疗域中的可靠性取决于模型对输入空间中扰动的鲁棒性。鲁棒性是在医学成像中的特殊挑战，展示了各种图像噪声，腐败和域转移的来源。通常通过模拟异质环境来尝试获得鲁棒性，要么以数据增强的形式进行启发，要么通过学习以对抗性方式产生特定的扰动。我们提出并证明在低维嵌入空间中学习离散表示可以改善分割模型的鲁棒性。这是通过称为矢量定量的字典学习方法来实现的。我们使用一组设计的实验来分析域移位和输入空间中的噪声扰动下的潜在和输出空间的鲁棒性。我们适应流行的UNET架构，在瓶颈中插入一个定量块。我们证明了在三个分割任务上的分段准确性和更好的鲁棒性。代码可在\ url {https://github.com/ainkaransanthi/vector-quantisation-for-robust-mentegation}中获得。
translated by 谷歌翻译
\ emph {black-box}模型的说明有助于我们了解模型决策，并提供有关模型偏见和不一致之处的信息。当前的大多数解释性技术通常就特征重要性得分或输入空间中的特征注意图提供了单一的解释。我们的重点是从细粒度到完全抽象的解释中解释\ emph {多个级别的抽象}处的深层歧视模型。我们通过使用\ emph {双曲几何}的自然特性来更有效地对符号特征的层次结构进行建模，并生成\ emph {层次结构符号规则}作为解释的一部分。具体而言，对于任何给定的深层歧视模型，我们通过使用矢量定量对连续的潜在空间的离散化来提炼基础知识，以形成符号，然后是\ emph {双曲线推理块}，以诱导\ emph {抽象{抽象树}。我们遍历树以根据符号规则及其相应的视觉语义提取解释。我们证明了我们方法对MNIST和AFHQ高分辨率动物面孔数据集的有效性。我们的框架可在\ url {https://github.com/koriavinash1/symbolicinterpretability}中获得。
translated by 谷歌翻译
长期以来，面部表达分析一直是计算机视觉的积极研究领域。传统方法主要分析原型离散情绪的图像；结果，它们不能准确描述人类复杂的情绪状态。此外，在可见光光谱中，照明方差仍然是面部分析的挑战。为了解决这些问题，我们建议使用基于价和唤醒的维数模型，以代表更广泛的情绪，并结合近红外（NIR）图像，这对于照明变化更为强大。由于没有现有的NIR面部表达数据集具有价值标签，因此我们提供两种互补的数据增强方法（面部变形和自行车方法），可以创建具有来自现有的分类和/或可见光光数据集的尺寸情感标签的NIR Image数据集。我们的实验表明，就数据质量和基线预测性能而言，这些生成的NIR数据集与现有数据集相当。
translated by 谷歌翻译
现实生活过程的日志通常具有与记录的时间戳，数据值和/或事件有关的不确定性。我们考虑检查不确定日志与数据吸引参考过程的不确定日志的问题。具体来说，我们展示了如何通过SMT编码来解决它，从而将基于数据感知的SMT符合性检查的先前工作提升为更复杂的设置。我们的方法是模块化的，因为它同质可容纳不同类型的不确定性。此外，使用适当的成本功能，可以解决不同的符合性检查任务。我们通过概念验证实施来展示我们的方法的正确性，并见证了可行性。
translated by 谷歌翻译
基于原子量表的材料建模在新材料的发展及其特性的理解中起着重要作用。粒子模拟的准确性由原子间电位确定，该电位允许计算原子系统的势能作为原子坐标和潜在的其他特性的函数。基于原理的临界电位可以达到任意水平的准确性，但是它们的合理性受其高计算成本的限制。机器学习（ML）最近已成为一种有效的方法，可以通过用经过电子结构数据培训的高效替代物代替昂贵的模型来抵消Ab始于原子电位的高计算成本。在当前大量方法中，符号回归（SR）正在成为一种强大的“白盒”方法，以发现原子质潜力的功能形式。这项贡献讨论了符号回归在材料科学（MS）中的作用，并对当前的方法论挑战和最新结果提供了全面的概述。提出了一种基于遗传编程的方法来建模原子能（由原子位置和相关势能的快照组成），并在从头算电子结构数据上进行了经验验证。
translated by 谷歌翻译
一组稀疏（例如六个）可穿戴的IMU提供的实时人类运动重建提供了一种非侵入性和经济的运动捕获方法。没有直接从IMU中获取位置信息的能力，最近的作品采用了数据驱动的方法，这些方法利用大型人类运动数据集解决了这一不确定的问题。尽管如此，挑战仍然存在，例如时间一致性，全球和关节动作的漂移以及各种地形上运动类型的各种覆盖范围。我们提出了一种同时估计全身运动的新方法，并实时从六个IMU传感器中产生合理的访问地形。我们的方法包含1.有条件的变压器解码器模型通过明确推理预测历史记录提供一致的预测，2。一个简单而通用的学习目标，称为“固定体点”（SBP），可以由变压器模型稳定地预测并通过分析例程使用要纠正关节和全球漂移，以及3.算法从嘈杂的SBP预测产生正则地形高度图，进而可以纠正嘈杂的全球运动估计。我们对合成和真实的IMU数据以及实时实时演示进行了广泛的评估框架，并显示出优于强基线方法的性能。
translated by 谷歌翻译