语义细分对于使自动驾驶车辆自动驾驶至关重要，从而使他们能够通过将单个像素分配给已知类别来理解周围环境。但是，它可以根据用户汽车收集的明智数据运行；因此，保护​​客户的隐私成为主要问题。出于类似的原因，最近将联邦学习作为一种新的机器学习范式引入，旨在学习全球模型，同时保留隐私并利用数百万个远程设备的数据。尽管在这个主题上进行了几项努力，但尚未明确解决语义细分中联合学习在迄今为止驾驶的挑战。为了填补这一空白，我们提出了FedDrive，这是一个由三个设置和两个数据集组成的新基准，其中包含了统计异质性和域概括的现实世界挑战。我们通过深入的分析基于联合学习文献的最新算法，将它们与样式转移方法相结合以提高其概括能力。我们证明，正确处理标准化统计数据对于应对上述挑战至关重要。此外，在处理重大外观变化时，样式转移会提高性能。官方网站：https：//feddrive.github.io。

Chronic pain is a multi-dimensional experience, and pain intensity plays an important part, impacting the patients emotional balance, psychology, and behaviour. Standard self-reporting tools, such as the Visual Analogue Scale for pain, fail to capture this burden. Moreover, this type of tools is susceptible to a degree of subjectivity, dependent on the patients clear understanding of how to use it, social biases, and their ability to translate a complex experience to a scale. To overcome these and other self-reporting challenges, pain intensity estimation has been previously studied based on facial expressions, electroencephalograms, brain imaging, and autonomic features. However, to the best of our knowledge, it has never been attempted to base this estimation on the patient narratives of the personal experience of chronic pain, which is what we propose in this work. Indeed, in the clinical assessment and management of chronic pain, verbal communication is essential to convey information to physicians that would otherwise not be easily accessible through standard reporting tools, since language, sociocultural, and psychosocial variables are intertwined. We show that language features from patient narratives indeed convey information relevant for pain intensity estimation, and that our computational models can take advantage of that. Specifically, our results show that patients with mild pain focus more on the use of verbs, whilst moderate and severe pain patients focus on adverbs, and nouns and adjectives, respectively, and that these differences allow for the distinction between these three pain classes.

反复出现或持续的尴尬身体姿势是与工作相关的肌肉骨骼疾病（MSD）发展最常见的危险因素之一。为了防止工人采用有害配置，也可以指导他们朝着更符合人体工程学的配置，可穿戴触觉设备可能是理想的解决方案。在本文中，在肢体姿势校正环境中评估了一个称为Ergotac的纤维ac式单元，称为袖口和称为袖口的滑动单元。使用定量与任务相关的指标和主观定量评估，比较了在十二个健康受试者中比较了他们提供单关节（肩膀或膝盖）和多关节（肩膀和膝盖）指导的能力。还建立了一个集成的环境，以简化参与传感器和反馈系统之间的沟通和数据共享。结果显示出两种设备的良好可接受性和直觉。 Ergotac似乎是肩膀的合适反馈装置，而袖口可能是膝盖的有效解决方案。这项比较研究虽然是初步的，但却是对两种设备进行有效全身姿势校正的潜在整合的促进，目的是开发反馈和辅助设备，以提高工人对危险工作条件的认识，从而防止MSD。

心血管疾病是一个大的全球医疗保健问题;症状通常突然存在，最小的警告。心电图（ECG）是一种快速，简单可靠，通过测量通过皮肤上的电极记录的电极来评估心脏健康的方法。 ECG经常需要通过心脏病专家分析，花时间可以花在改善患者护理和结果上。因此，已经提出了使用机器学习的自动ECG分类系统，可以学习ECG功能之间的复杂交互，并使用它来检测异常。然而，为此目的构建的算法经常无法概括到解开数据，报告最初令人印象深刻的结果，在应用于新环境时急剧下降。此外，机器学习算法遭受“黑匣子”问题，其中难以确定如何做出决定。这对医疗保健的应用至关重要，因为临床医生需要能够验证评估过程以信任算法。本文提出了一种用于在MIT-BIH心律失常数据集中的每个类中可视化模型决策的方法，使用完整类的平均调整显着图来确定正在学习的模式。我们通过基于最先进的模型构建两种算法来实现这一点。本文突出了这些地图如何用于在模型中找到可能影响概括性和模型性能的模型中的问题。比较完整类的显着性图给出了模型中混淆变量或其他偏差的总体印象，而不同于在ECG-By-ECG基础上比较显着图时会突出显示的内容。

跟踪和识别玩家是基于计算机视觉冰球分析的基本步骤。跟踪生成的数据用于许多其他下游任务，例如游戏事件检测和游戏策略分析。播放器跟踪和识别是一个具有挑战性的问题，因为与行人相比，曲棍球运动员的运动是快节奏和非线性的。还有显着的摄像头淘气和放大曲棍球广播视频。识别冰球中的玩家是挑战，因为同一团队的球员几乎相同，泽西号码是玩家之间唯一的鉴别因素。本文介绍了一种用于跟踪和识别广播NHL曲棍球视频中的玩家的自动化系统。该系统由三个组件（1）播放器跟踪组成，（2）团队识别和（3）播放器识别。由于没有公开可用的数据集，用于培训三个组件的数据集手动注释。利用艺术跟踪算法的状态来执行播放器跟踪，从而获得多目标跟踪精度（MOTA）得分为94.5％。对于团队识别，Away-Team Jerseys被分组为单一课程，并根据他们的泽西颜色在课堂上分组。然后在团队识别数据集上培训卷积神经网络。团队识别网络在测试集中获得97％的准确性。引入了一种新颖的播放器识别模型，其利用时间一维卷积网络来识别来自玩家边界框序列的玩家。播放器识别模型进一步利用了可用的NHL游戏名册数据，以获得83％的玩家识别精度。

慢性疼痛被认为是一个重大的健康问题，不仅受到经济，而且在社会和个人层面的影响。作为私人和主观的经验，它不可能从外部和公正地体验，描述和解释慢性疼痛，作为纯粹的有害刺激，直接指向因果症，并促进其缓解，与急性疼痛相反，对其进行评估通常是直截了当的。因此，口头沟通是将相关信息传达给卫生专业人员的关键，否则外部实体无法访问，即关于痛苦经验和患者的内在质量。我们提出并讨论了一个主题建模方法，以识别慢性疼痛的口头描述中的模式，并使用这些模式量化和限定疼痛的经验。我们的方法允许提取关于所获得的主题模型和潜在空间的慢性疼痛经验的新洞察。我们认为我们的结果在临床上与慢性疼痛的评估和管理有关。

目的：验证自然语言处理（NLP）技术的适用性，透露和量化，通过慢性疼痛（RRCP）数据集的新型Reddit报告，致力于慢性疼痛（RRCP）DataSet的报告，旨在成为未来研究的标准在这个欠发达地区。方法：定义和验证与慢性疼痛有关的一组病理学的RRCP数据集。对于每种病理学，确定慢性疼痛经历的主要品质。比较每种病理学的确定质量并验证临床研究。结果：RRCP数据集包含来自与慢性疼痛相关的12个底板的136,573 reddit提交。宏观分析表明，影响相同或相似的身体部位的病理结果导致语义上的疼痛描述。详细的分析表明，在给定的病理学中，存在慢性疼痛的素质，这些病理学的慢性疼痛是从另一个病理学中经历它，以及一些慢性疼痛的各种经验都是共同的。这些使我们能够比较慢性疼痛的主观经验（例如，对于RRCP人群，体验关节炎与在各种质量或疑虑中经历紧张的脊柱炎，同时经历纤维肌痛而包括相同的品质和其他两个病态的特质）。结论：我们对慢性疼痛描述的无监督语义分析反映了关于不同病理在慢性疼痛体验方面如何显现的临床知识。我们的结果验证了使用NLP技术从慢性疼痛经验的描述中自动提取和量化临床相关信息。