ECG数据库通常由于正常的心电图和异常病例的稀缺性而高度不平衡。因此，经过不平衡数据集培训的深度学习分类器通常表现不佳，尤其是在次要课程上。一种解决方案是使用生成对抗网络（GAN）生成逼真的合成ECG信号，以增强数据集的不平衡数据集。在这项研究中，我们首次将条件GAN与WGAN-GAN结合在一起，并以1D形式开发了AC-WGAN-GP，以应用于MIT-BIH心律失常数据集。我们研究了数据增强对心律失常分类的影响。我们采用了两个模型进行心电图生成：（i）无条件的gan； Wasserstein gan具有梯度罚款（WGAN-GP）在每个班级上都受过训练； （ii）有条件的gan；一个辅助分类器WGAN-GP（AC-WGAN-GP）模型均在所有类别上训练，然后用于在所有类别中生成合成节拍。每种情况下定义了两种情况：（a）未经检查；使用了所有生成的合成节拍，并且（b）筛选；基于其动态时间翘曲（DTW）到指定模板，仅选择并使用了一部分生成的节拍。在每个增强数据集和性能指标（精确/召回/F1得分微型和宏观水平，混淆矩阵，多层级别的Precision-Recall Precall curves）中，对最先进的重新NET分类器（ECGRESNET34）进行了培训（precision/Recemision/Recker/F1得分微观和宏观分数）。与未表现不平衡案件的案件相比。我们还使用了简单的度量净改进。这三个指标始终显示出净改进（总和次级和次级），无条件的GAN具有原始生成的数据（未筛选）可创造最佳改进。

由于异常情况的稀缺性，心电图（ECG）数据集往往受到高度不平衡的。此外，由于隐私问题，使用真正的患者的心电图是高度监管的。因此，总是需要更多的ECG数据，特别是对于自动诊断机器学习模型的培训，这在培训在平衡数据集时更好地执行。我们研究了从生成的对抗网络（GAN）家庭的5种不同模型的合成ECG生成能力，并比较了它们的表演，焦点仅在正常的心脏周期上。动态时间翘曲（DTW），FR \'echet和欧几里德距离功能用于定量测量性能。提出并应用了评估生成节拍的五种不同方法。我们还提出了3个新概念（阈值，接受的节拍和生产率），并将其与上述方法一起作为一种系统的方式，以便在模型之间进行比较。结果表明，所有测试模型都可以在一定程度上成功地产生具有高相似性的可接受的心跳，在形态特征中具有高相似性，并且可能所有这些都可以使用它们来增强不平衡的数据集。然而，产生的节拍的目视检查有利于Bilstm-DC Gan和Wan，因为它们产生统计上更可接受的节拍。此外，关于生产率，经典GaN优越，生产率72％。

A general, {\em rectangular} kernel matrix may be defined as $K_{ij} = \kappa(x_i,y_j)$ where $\kappa(x,y)$ is a kernel function and where $X=\{x_i\}_{i=1}^m$ and $Y=\{y_i\}_{i=1}^n$ are two sets of points. In this paper, we seek a low-rank approximation to a kernel matrix where the sets of points $X$ and $Y$ are large and are not well-separated (e.g., the points in $X$ and $Y$ may be ``intermingled''). Such rectangular kernel matrices may arise, for example, in Gaussian process regression where $X$ corresponds to the training data and $Y$ corresponds to the test data. In this case, the points are often high-dimensional. Since the point sets are large, we must exploit the fact that the matrix arises from a kernel function, and avoid forming the matrix, and thus ruling out most algebraic techniques. In particular, we seek methods that can scale linearly, i.e., with computational complexity $O(m)$ or $O(n)$ for a fixed accuracy or rank. The main idea in this paper is to {\em geometrically} select appropriate subsets of points to construct a low rank approximation. An analysis in this paper guides how this selection should be performed.

早期预测在临床上被认为是脑瘫（CP）治疗的重要部分之一。我们建议实施一个基于一般运动评估（GMA）的CP预测的低成本和可解释的分类系统。我们设计了一个基于Pytorch的注意力图形卷积网络，以识别从RGB视频中提取的骨骼数据中有CP风险的早期婴儿。我们还设计了一个频率模块，用于在过滤噪声时学习频域中的CP运动。我们的系统仅需要消费级RGB视频进行培训，以通过提供可解释的CP分类结果来支持交互式时间CP预测。

在本文中，我们解决了多视图3D形状重建的问题。尽管最近与隐式形状表示相关的最新可区分渲染方法提供了突破性的表现，但它们仍然在计算上很重，并且在估计的几何形状上通常缺乏精确性。为了克服这些局限性，我们研究了一种基于体积的新型表示形式建立的新计算方法，就像在最近的可区分渲染方法中一样，但是用深度图进行了参数化，以更好地实现形状表面。与此表示相关的形状能量可以评估给定颜色图像的3D几何形状，并且不需要外观预测，但在优化时仍然受益于体积整合。在实践中，我们提出了一个隐式形状表示，SRDF基于签名距离，我们通过沿摄像头射线进行参数化。相关的形状能量考虑了深度预测一致性和光度一致性之间的一致性，这是在体积表示内的3D位置。可以考虑各种照片一致先验的基础基线，或者像学习功能一样详细的标准。该方法保留具有深度图的像素准确性，并且可行。我们对标准数据集进行的实验表明，它提供了有关具有隐式形状表示的最新方法以及传统的多视角立体方法的最新结果。

逐渐的模式提取是数据库中（KDD）知识发现中的一个字段，该领域将数据集的属性之间的相关性映射为逐渐依赖性。逐渐的依赖性可以采用“较高的属性k，较小的属性L”的形式。在本文中，我们提出了一种使用概率方法来学习和提取频繁逐渐模式的蚂蚁菌落优化技术。通过对现实世界数据集的计算实验，我们将基于蚂蚁的算法的性能与现有的渐进项目集提取算法进行了比较，我们发现我们的算法表现优于后期，尤其是在处理大型数据集时。

肌肉骨骼和神经系统疾病是老年人行走问题的最常见原因，它们通常导致生活质量降低。分析步行运动数据手动需要训练有素的专业人员，并且评估可能并不总是客观的。为了促进早期诊断，最近基于深度学习的方法显示了自动分析的有希望的结果，这些方法可以发现传统的机器学习方法中未发现的模式。我们观察到，现有工作主要应用于单个联合特征，例如时间序列的联合职位。由于发现了诸如通常较小规模的医疗数据集的脚之间的距离（即步幅宽度）之类的挑战，因此这些方法通常是优选的。结果，我们提出了一种解决方案，该解决方案明确地将单个关节特征和关节间特征作为输入，从而使系统免于从小数据中发现更复杂的功能。由于两种特征的独特性质，我们引入了一个两流框架，其中一个流从关节位置的时间序列中学习，另一个从相对关节位移的时间序列中学习。我们进一步开发了一个中层融合模块，以将发现的两个流中发现的模式结合起来进行诊断，从而导致数据互补表示，以获得更好的预测性能。我们使用3D骨架运动的基准数据集涉及45例肌肉骨骼和神经系统疾病的患者，并实现95.56％的预测准确性，效果优于最先进的方法，从而验证了我们的系统。

唇裂是一种先天性异常，需要专家手术修复。外科医生必须具有丰富的经验和理论知识才能进行手术，并且已经提出了人工智能（AI）方法来指导外科医生改善手术结局。如果可以使用AI来预测修复的唇唇的外观，那么外科医生可以将其用作辅助手术技术来调整其手术技术并改善结果。为了在保护患者隐私时探索这个想法的可行性，我们提出了一种基于深度学习的图像镶嵌方法，该方法能够覆盖唇裂，并产生唇彩，而无需裂缝。我们的实验是在两个现实世界中的裂口数据集上进行的，并由专家cleft唇外科医生评估，以证明该方法的可行性。

由于字符之间的复杂和多样化的交互作用，合成的多字符交互是一项艰巨的任务。特别是，在产生诸如舞蹈和战斗之类的紧密互动时，需要精确的时空对齐。现有的生成多字符相互作用的工作集中在给定序列中生成单一类型的反应运动，从而导致缺乏各种结果动作。在本文中，我们提出了一种新颖的方式来创建现实的人类反应动作，通过混合和匹配不同类型的紧密相互作用，在给定数据集中未呈现。我们提出了一个有条件的层次生成对抗网络，具有多热的类嵌入，以从领导者的给定运动序列中生成追随者的混合和匹配反应性运动。实验是对嘈杂（基于深度）和高质量（基于MOCAP）的交互数据集进行的。定量和定性结果表明，我们的方法的表现优于给定数据集上的最新方法。我们还提供了一个增强数据集，具有逼真的反应动作，以刺激该领域的未来研究。该代码可从https://github.com/aman-goel1/imm获得

帕金森氏病（PD）是一种进行性神经退行性疾病，导致各种运动功能障碍症状，包括震颤，胸肌，僵硬和姿势不稳定。 PD的诊断主要取决于临床经验，而不是确定的医学测试，诊断准确性仅为73-84％，因为它受到不同医学专家的主观意见或经验的挑战。因此，有效且可解释的自动PD诊断系统对于支持更强大的诊断决策的临床医生很有价值。为此，我们建议对帕金森的震颤进行分类，因为它是PD的最主要症状之一，具有强烈的普遍性。与其他计算机辅助时间和资源消耗的帕金森震颤（PT）分类系统不同，我们提出了SPAPNET，该系统仅需要消费者级的非侵入性视频记录人类面向摄像机的动作作为输入，以提供无诊断低成本分类的患者作为PD警告标志。我们首次提议使用带有轻质金字塔通道 - 融合式结构的新型注意模块来提取相关的PT信息并有效地过滤噪声。这种设计有助于提高分类性能和系统的解释性。实验结果表明，我们的系统在将PT与非PT类别分类中的平衡精度达到90.9％和90.6％的F1得分来胜过最先进的。