最近，随着Covid-19感染的快速激增，肺部超声已成为一种快速而强大的诊断工具，尤其是用于连续且定期监测肺部的工具。有许多尝试对肺部关键地标进行严重性分类，细分和检测。为了利用进度，这项工作中介绍了自动化的肺超声视频分析软件包，可以提供视频中的关键框架，标记带有肺部感染的关键框架以及自动检测和分割肺部标志的选项。集成的软件包将作为开源Web应用程序实现，并在链接https://github.com/anitoanto/alus-package中提供。

肺超声（LUS）可能是唯一可用于连续和周期性监测肺的医学成像方式。这对于在肺部感染开始期间跟踪肺表现或跟踪疫苗接种对肺部的影响非常有用，如Covid-19中的肺部作用。有许多尝试将肺严重程度分为各个类别或自动分割各种LUS地标和表现形式的尝试。但是，所有这些方法均基于训练静态机器学习模型，该模型需要大量临床注释的大数据集，并且在计算上是沉重的，并且大部分时间非现实时间。在这项工作中，提出了一种实时重量的基于活跃的学习方法，以在资源约束设置中在COVID-19的受试者中更快地进行分类。该工具基于您看起来仅一次（YOLO）网络，具有基于各种LUS地标，人工制品和表现形式的标识，肺部感染严重程度的预测，基于主动学习的可能性，提供图像质量的能力。临床医生的反馈或图像质量以及对感染严重程度高的重要框架的汇总，以进一步分析。结果表明，对于LUS地标的预测，该提议的工具在联合（IOU）阈值的交叉点上的平均平均精度（MAP）为66％。在Quadro P4000 GPU运行时，14MB轻量级Yolov5S网络可实现123 fps。该工具可根据作者的要求进行使用和分析。

随着神经网络的最新发展，在手拉电路的自动产生模拟现出电子电路的算法中存在复兴。然而，文学中的大多数方法被限制为分类不同类型的电气组件，并且只有少数这些方法已经示出了从扫描图像重建电路示意图的方法，这对于进一步的网表生成的自动化非常重要。本文提出了一种基于对象检测和电路节点识别自动识别手绘电路的实时算法。该拟议的方法使用您只看一次版本5（YOLOV5），用于检测电路组件和基于新的Hough变换基于节点识别的方法。使用yolov5对象检测算法，在检测组件时实现了98.2％的平均平均精度（MAP0.5）。所提出的方法还能够以80％的精度重建电路示意图，近实时性能为每次示意产生0.33s。

与经典信号处理和基于机器学习的框架相比，基于深度学习的方法基于深度学习的方法显着提高了分类准确性。但大多数是由于脑电图数据中存在的受试者间可变性而无法概括对象无关的任务的主题依赖性研究。在这项工作中，提出了一种新的深度学习框架，其能够进行独立的情感识别，由两部分组成。首先，提出了具有通道关注自动泊车的无监督的长短期存储器（LSTM），用于获取主体不变的潜航向量子空间，即每个人的EEG数据中存在的内部变量。其次，提出了一种具有注意力框架的卷积神经网络（CNN），用于对从提出的LSTM获得的编码的较低的潜在空间表示对具有通道 - 注意自身形拓的编码的低潜空间表示的任务。通过注意机制，所提出的方法可以突出EEG信号的显着时间段，这有助于所考虑的情绪，由结果验证。已经使用公共数据集进行了验证的方法，用于EEG信号，例如Deap DataSet，SEED数据集和CHB-MIT数据集。所提出的端到端深度学习框架消除了不同手工工程特征的要求，并提供了一个单一的全面任务不可知性EEG分析工具，能够对主题独立数据进行各种EEG分析。

Skull Stripping is a requisite preliminary step in most diagnostic neuroimaging applications. Manual Skull Stripping methods define the gold standard for the domain but are time-consuming and challenging to integrate into pro-cessing pipelines with a high number of data samples. Automated methods are an active area of research for head MRI segmentation, especially deep learning methods such as U-Net architecture implementations. This study compares Vanilla, Residual, and Dense 2D U-Net architectures for Skull Stripping. The Dense 2D U-Net architecture outperforms the Vanilla and Residual counterparts by achieving an accuracy of 99.75% on a test dataset. It is observed that dense interconnections in a U-Net encourage feature reuse across layers of the architecture and allow for shallower models with the strengths of a deeper network.

With climate change predicted to increase the likelihood of landslide events, there is a growing need for rapid landslide detection technologies that help inform emergency responses. Synthetic Aperture Radar (SAR) is a remote sensing technique that can provide measurements of affected areas independent of weather or lighting conditions. Usage of SAR, however, is hindered by domain knowledge that is necessary for the pre-processing steps and its interpretation requires expert knowledge. We provide simplified, pre-processed, machine-learning ready SAR datacubes for four globally located landslide events obtained from several Sentinel-1 satellite passes before and after a landslide triggering event together with segmentation maps of the landslides. From this dataset, using the Hokkaido, Japan datacube, we study the feasibility of SAR-based landslide detection with supervised deep learning (DL). Our results demonstrate that DL models can be used to detect landslides from SAR data, achieving an Area under the Precision-Recall curve exceeding 0.7. We find that additional satellite visits enhance detection performance, but that early detection is possible when SAR data is combined with terrain information from a digital elevation model. This can be especially useful for time-critical emergency interventions. Code is made publicly available at https://github.com/iprapas/landslide-sar-unet.

心脏死亡和心律不齐占全世界所有死亡的很大一部分。心电图（ECG）是用于心血管疾病的最广泛使用的筛查工具。传统上，ECG信号是手动分类的，需要经验和良好的技巧，同时又耗时且容易出错。因此，机器学习算法因其执行复杂数据分析的能力而被广泛采用。从ECG（主要是Q，r和s）中引入的特征广泛用于心律不齐。在这项工作中，我们证明了使用混合功能和三种不同模型的ECG分类的性能提高了，这是我们过去提出的1D卷积神经网络（CNN）模型的建立。这项工作中提出的基于RR间隔的模型的准确性为98.98％，这是对基线模型的改进。为了使模型免疫噪声，我们使用频率功能更新了模型，并在噪声的存在下实现了良好的持续性能，精度略低为98.69％。此外，开发了另一个结合频率特征和RR间隔功能的模型，在嘈杂的环境中，持续性能良好，高精度为99％。由于其高精度和噪声免疫力，结合了多个混合功能的拟议模型非常适合门诊可穿戴感应应用。

深神经网络（DNN）是医疗应用中有前途的工具。但是，由于通信的能源成本很高，因此在电池供电设备上实施复杂的DNN是具有挑战性的。在这项工作中，开发了卷积神经网络模型，用于检测心电图（ECG）信号的房颤。该模型表明，尽管接受了有限的可变长度输入数据训练，但表现出了高性能。重量修剪和对数定量合并以引入稀疏性并降低模型大小，可以利用这些稀疏性，以减少数据移动和降低计算复杂性。最终模型达到了91.1％的模型压缩率，同时保持高模型精度为91.7％，损失小于1％。

相机万向节系统在各种空气或水系统中非常重要，用于导航，目标跟踪，安全性和监视等应用。由于在短时间内可以重新讨论给定的视野（FOV），因此对于实时应用，对于实时应用，优选用于实时应用的更高的转向速率（旋转角度）。然而，由于Gimbal和场景之间的相对运动在曝光时间期间，捕获的视频帧可能遭受运动模糊。由于大多数后捕获后应用需要模糊图像，因此实时运动脱棕色是重要的需求。尽管存在盲的去欺诈方法，其旨在从模糊输入中检索潜像，因此它们受到非常高维优化的约束，从而产生大的执行时间。另一方面，对于运动去掩盖的深度学习方法，虽然快速，但不令人满意地概括到不同的域（例如，空气，水等）。在这项工作中，我们解决了基于Gimbal的系统捕获的红外线（IR）图像中实时运动去纹的问题。我们揭示了模糊 - 内核的先验知识如何结合非盲去欺诈方法来实现实时性能。重要的是，我们的数学模型可以利用，以创建具有现实万向动动运动模糊的大型数据集。这种数据集是一种罕见的数据集可以是当代深度学习方法的有价值资产。我们表明，与去纹理中的最先进技术相比，我们的方法更适合实用的基于Gimbal的成像系统。

我们介绍了有监督的对比度积极学习（SCAL），并根据功能相似性（功能IM）和基于主成分分析的基于特征重建误差（FRE）提出有效的活动学习策略，以选择具有不同特征表示的信息性数据示例。我们证明了我们提出的方法可实现最新的准确性，模型校准并减少在图像分类任务上平衡和不平衡数据集的主动学习设置中的采样偏差。我们还评估了模型的鲁棒性，从主动学习环境中不同查询策略得出的分配转移。使用广泛的实验，我们表明我们提出的方法的表现优于高性能密集型方法，从而使平均损坏误差降低了9.9％，在数据集偏移下的预期校准误差降低了7.2％，而AUROC降低了8.9％的AUROC。检测。