目的：我们提出了一种从面部视频中检测到房颤（AF）检测的非接触式方法。方法：记录了100名健康受试者和100名AF患者的面部视频，心电图（ECG）和接触光摄影（PPG）。来自健康受试者的数据记录都被标记为健康。两名心脏病专家评估了患者的心电图记录，并将每种记录标记为AF，窦性心律（SR）或心房颤动（AFL）。我们使用3D卷积神经网络进行远程PPG监测，并提出了新的损耗函数（Wasserstein距离），以使用接触PPG的收缩峰的时间作为我们的模型训练的标签。然后，根据beat间隔计算一组心率变异性（HRV）功能，并使用HRV功能训练支持向量机（SVM）分类器。结果：我们提出的方法可以准确地从面部视频中提取收缩峰以进行AF检测。提出的方法通过与30s视频剪辑的10倍交叉验证进行了训练，并在两个任务上进行了测试。 1）健康与AF的分类：准确性，灵敏度和特异性为96.00％，95.36％和96.12％。 2）SR与AF的分类：准确性，灵敏度和特异性为95.23％，98.53％和91.12％。此外，我们还证明了非接触式AFL检测的可行性。结论：我们通过学习收缩峰来实现非接触AF检测的良好性能。显着性：非接触性AF检测可用于自我筛查，可疑在家中可疑人群或治疗慢性患者治疗后自我监控。
translated by 谷歌翻译
我们研究了一种新型的非参数基于基于纵向数据分析的基于非参数的聚类算法。该算法将天然立方花纹与高斯混合模型（GMM）相结合，可以产生光滑的簇，可以很好地描述基础数据。但是，算法中存在一些缺点：参数估计过程中的高计算复杂性和数值不稳定的方差估计器。因此，为了进一步提高该方法的可用性，我们合并了降低其计算复杂性的方法，我们开发了一种新的，更稳定的方差估计器，并开发了一种新的平滑参数估计过程。我们表明，就聚类和回归性能而言，开发的算法SMIX在合成数据集上的性能优于GMM。我们演示了计算加速器的影响，我们在新框架中正式证明了计算加速器。最后，我们通过使用SMIX来群集垂直大气测量来确定不同的天气状况。
translated by 谷歌翻译
可靠的点云数据对于机器人技术和自主驾驶应用程序中的感知任务\ textit {efextit {e.g。}至关重要。不利的天气会导致特定类型的噪声检测和范围（LIDAR）传感器数据，从而大大降低了点云的质量。为了解决这个问题，这封信提出了一种新颖的点云不利天气，使深度学习算法（4Denoisenet）。我们的算法利用了时间维度，与文献中深度学习不利的天气变质方法不同。与以前的工作相比，它的交集比联合度量的交点更好10 \％，并且在计算上更有效。这些结果是在我们的新型Snowkitti数据集上实现的，该数据集具有40000多个不良天气注释点云。此外，对加拿大不利驾驶条件数据集的强烈定性结果表明，对域移动和不同传感器内在的可推广性良好。
translated by 谷歌翻译
我们考虑统计逆学习问题，任务是根据$ AF $的嘈杂点评估估算函数$ F $，其中$ a $是一个线性运算符。函数$ AF $在I.I.D评估。随机设计点$ u_n $，$ n = 1，...，n $由未知的一般概率分布生成。我们认为Tikhonov正规用一般凸起和$ P $-Homenecous罚款功能，并在由惩罚功能引起的对称BREGMAN距离中测量的地面真理的正则化解决方案的集中率。我们获得了Besov Norm处罚的具体率，并在数值上展示了与X射线断层扫描的背景下的观察到的率的对应。
translated by 谷歌翻译