Kratom（KT）通常发挥抗抑郁药（AD）效应。但是，评估哪种形式的KT提取物具有类似于标准AD氟西汀（FLU）的AD特性仍然具有挑战性。在这里，我们采用了称为ANET的基于自动编码器（AE）的异常检测器，以衡量响应KT休假提取物和AD流感的小鼠局部场电位（LFP）特征的相似性。响应KT糖浆的功能与响应AD流感的人的相似性最高，为85.62 $ \ pm $ 0.29％。这一发现表明，将KT糖浆用作抑郁剂治疗的替代物质的可行性比KT生物碱和KT水（这是本研究中的其他候选者）。除了相似性测量外，我们还将ANET用作多任务AE，并评估了与不同KT提取物和AD流感效果相对应的多级LFP响应的性能。此外，我们分别以定性和定量为T-SNE投影和最大平均差异距离，可视化LFP响应之间的潜在特征。分类结果报告的准确性和F1得分为79.78 $ \ pm $ 0.39％和79.53 $ \ pm $ 0.00％。总而言之，这项研究的结果可能有助于治疗设计设备进行替代物质概况评估，例如在现实世界应用中基于KRATOM的形式。
translated by 谷歌翻译
尽管使用深度学习技术从2D ENA中提取血管结构的研究越来越多，但对于这种方法，众所周知，曲线式结构上的数据注释过程（如视网膜脉管系统）非常昂贵且耗时，耗时，耗时，尽管很少有人试图解决注释问题。在这项工作中，我们提出了涂鸦基本弱监督学习方法的应用来自动化像素级注释。所提出的方法称为八度，使用涂鸦的地面真理与对抗性和新颖的自我监督深度监督相结合。我们的新型机制旨在利用来自类似于Unet的结构的歧视层的判别输出，在训练过程中，骨料判别输出和分割图谓词之间的kullback-liebler差异在训练过程中被最小化。如我们的实验所示，这种组合方法导致血管结构的定位更好。我们在大型公共数据集上验证了我们提出的方法，即Rose，Octa-500。将分割性能与最新的完全监督和基于涂鸦的弱监督方法进行了比较。实验中使用的工作的实施位于[链接]。
translated by 谷歌翻译
基于电动机图像（MI）的脑电脑界面（BCIS）允许通过解码神经生理现象来控制几种应用，这些现象通常通过使用非侵入性技术被脑电图（EEG）记录。尽管在基于MI的BCI的进展方面很大，但脑电图有特定于受试者和各种变化随时间。这些问题指出了提高分类绩效的重大挑战，特别是在独立的方式。为了克服这些挑战，我们提出了Min2Net，这是一个新的端到端多任务学习来解决这项任务。我们将深度度量学习集成到多任务AutoEncoder中，以从脑电图中学习紧凑且识别的潜在表示，并同时执行分类。这种方法降低了预处理的复杂性，导致EEG分类的显着性能改善。实验结果以本语独立的方式表明，MIN2Net优于最先进的技术，在SMR-BCI和OpenBMI数据集中分别实现了6.72％的F1分数提高，以及2.23％。我们证明MIN2NET在潜在代表中提高了歧视信息。本研究表明使用此模型的可能性和实用性为新用户开发基于MI的BCI应用，而无需校准。
translated by 谷歌翻译