动态触发的地震和震颤产生了两类弱的地震信号，它们的检测，认同和身份验证传统上要求进行费力的分析。近年来，机器学习（ML）已成为地球物理分析中的强大效率工具，包括检测时间序列中的特定信号。但是，检测埋在噪声挑战中的弱信号ML算法，部分原因是无处不在的训练数据并不总是可用。在这种情况下，ML可能像人类专家效率低下一样无效。在这一有效性和效率的交汇处，我们利用了过去十年中普及的第三个工具：公民科学。公民科学项目地震侦探利用志愿者的眼睛和耳朵来检测和对潜在动态触发（PDT）事件的地震图中的弱信号进行分类。在这里，我们介绍了地震侦探数据集 - PDT地震和震颤上的一组众包标签。我们应用机器学习来对这些PDT地震事件进行分类，并探索在分离和分类此类信号时面临的挑战。我们确认，使用基于图像和小波的算法，机器学习可以从小地震中检测信号。此外，我们报告说，我们的ML算法还可以检测到PDT震颤的信号，这尚未证明。分类和ML代码的公民科学数据集可在线获得。

Sunquakes are seismic emissions visible on the solar surface, associated with some solar flares. Although discovered in 1998, they have only recently become a more commonly detected phenomenon. Despite the availability of several manual detection guidelines, to our knowledge, the astrophysical data produced for sunquakes is new to the field of Machine Learning. Detecting sunquakes is a daunting task for human operators and this work aims to ease and, if possible, to improve their detection. Thus, we introduce a dataset constructed from acoustic egression-power maps of solar active regions obtained for Solar Cycles 23 and 24 using the holography method. We then present a pedagogical approach to the application of machine learning representation methods for sunquake detection using AutoEncoders, Contrastive Learning, Object Detection and recurrent techniques, which we enhance by introducing several custom domain-specific data augmentation transformations. We address the main challenges of the automated sunquake detection task, namely the very high noise patterns in and outside the active region shadow and the extreme class imbalance given by the limited number of frames that present sunquake signatures. With our trained models, we find temporal and spatial locations of peculiar acoustic emission and qualitatively associate them to eruptive and high energy emission. While noting that these models are still in a prototype stage and there is much room for improvement in metrics and bias levels, we hypothesize that their agreement on example use cases has the potential to enable detection of weak solar acoustic manifestations.

The occurrence of vacuum arcs or radio frequency (rf) breakdowns is one of the most prevalent factors limiting the high-gradient performance of normal conducting rf cavities in particle accelerators. In this paper, we search for the existence of previously unrecognized features related to the incidence of rf breakdowns by applying a machine learning strategy to high-gradient cavity data from CERN's test stand for the Compact Linear Collider (CLIC). By interpreting the parameters of the learned models with explainable artificial intelligence (AI), we reverse-engineer physical properties for deriving fast, reliable, and simple rule-based models. Based on 6 months of historical data and dedicated experiments, our models show fractions of data with a high influence on the occurrence of breakdowns. Specifically, it is shown that the field emitted current following an initial breakdown is closely related to the probability of another breakdown occurring shortly thereafter. Results also indicate that the cavity pressure should be monitored with increased temporal resolution in future experiments, to further explore the vacuum activity associated with breakdowns.

睡眠呼吸暂停（SA）是一种睡眠障碍，其特征是打s和慢性睡眠，这可能导致严重的疾病，例如高血压，心力衰竭和心肌病（心脏肌肉组织的增大）。心电图（ECG）在识别SA中起着至关重要的作用，因为它可能显示出异常的心脏活性。对基于ECG的SA检测的最新研究集中在功能工程技术上，这些技术从多铅ECG信号中提取特定特征，并将其用作分类模型输入。在这项研究中，提出了一种基于S峰检测的新型特征提取方法，以增强使用单铅ECG对相邻SA段的检测。特别是，使用单个铅（V2）收集的ECG特征用于识别SA发作。在提取的功能上，对CNN模型进行了训练以检测SA。实验结果表明，所提出的方法从单铅ECG数据中检测到SA比现有的最新方法更准确，具有91.13％的分类精度，敏感性为92.58％和88.75％的特异性。此外，与S峰相关的特征的进一步使用可以提高分类准确性0.85％。我们的发现表明，提出的机器学习系统有可能成为检测SA发作的有效方法。

随着工程系统的复杂性的增长，对自动方法的需求越来越多，可以检测，诊断甚至正确的瞬时异常，这些异常不可避免地会出现，并且可能难以或不可能手动诊断和修复。在我们文明的最敏感和最复杂的系统中，探测器在引力波引起的距离中寻找令人难以置信的很小的变化 - 阿尔伯特·爱因斯坦（Albert Einstein）最初预测的现象是由于黑洞和其他其他碰撞而在宇宙中涌现和传播的探测器。深空中的大量物体。此类探测器的极端复杂性和精度使它们受到瞬时噪声问题的影响，这些问题可能会大大限制其敏感性和有效性。在这项工作中，我们介绍了一种可以检测和表征这种大规模复杂系统的新兴瞬态异常的方法的演示。我们通过一个普遍的问题之一来说明自动化解决方案的性能，精度和适应性，限制重力波发现：陆地质量造影，污染了重力波观测体的高度敏感测量，并可以模仿甚至模仿的天体物理学信号他们正在听。具体而言，我们证明了高度可解释的卷积分类器如何自动学习从辅助探测器数据中检测瞬时异常，而无需观察异常本身。我们还说明了该模型的其他几个有用的功能，包括如何执行自动变量选择，以将数万个辅助数据渠道降低到只有几个相关的数据渠道；它如何识别这些通道中异常情况的行为特征；以及如何使用它来研究单个异常及其相关的渠道。

射频干扰（RFI）缓解仍然是寻找无线电技术的主要挑战。典型的缓解策略包括原点方向（DOO）滤波器，如果在天空上的多个方向上检测到信号，则将信号分类为RFI。这些分类通常依赖于信号属性的估计，例如频率和频率漂移速率。卷积神经网络（CNNS）提供了对现有过滤器的有希望的补充，因为它们可以接受培训以直接分析动态光谱，而不是依赖于推断的信号属性。在这项工作中，我们编译了由标记的动态谱的图像组组成的几个数据集，并且我们设计和训练了可以确定在另一扫描中检测到的信号是否在另一扫描中检测到的CNN。基于CNN的DOO滤波器优于基线2D相关模型以及现有的DOO过滤器在一系列指标范围内，分别具有99.15％和97.81％的精度和召回值。我们发现CNN在标称情况下将传统的DOO过滤器施加6-16倍，减少了需要目视检查的信号数。

鉴于无线频谱的有限性和对无线通信最近的技术突破产生的频谱使用不断增加的需求，干扰问题仍在继续持续存在。尽管最近解决干涉问题的进步，但干扰仍然呈现出有效使用频谱的挑战。这部分是由于Wi-Fi的无许可和管理共享乐队使用的升高，长期演进（LTE）未许可（LTE-U），LTE许可辅助访问（LAA），5G NR等机会主义频谱访问解决方案。因此，需要对干扰稳健的有效频谱使用方案的需求从未如此重要。在过去，通过使用避免技术以及非AI缓解方法（例如，自适应滤波器）来解决问题的大多数解决方案。非AI技术的关键缺陷是需要提取或开发信号特征的域专业知识，例如CycrationArity，带宽和干扰信号的调制。最近，研究人员已成功探索了AI / ML的物理（PHY）层技术，尤其是深度学习，可减少或补偿干扰信号，而不是简单地避免它。 ML基于ML的方法的潜在思想是学习来自数据的干扰或干扰特性，从而使需要对抑制干扰的域专业知识进行侧联。在本文中，我们审查了广泛的技术，这些技术已经深入了解抑制干扰。我们为干扰抑制中许多不同类型的深度学习技术提供比较和指导。此外，我们突出了在干扰抑制中成功采用深度学习的挑战和潜在的未来研究方向。

Seizure type identification is essential for the treatment and management of epileptic patients. However, it is a difficult process known to be time consuming and labor intensive. Automated diagnosis systems, with the advancement of machine learning algorithms, have the potential to accelerate the classification process, alert patients, and support physicians in making quick and accurate decisions. In this paper, we present a novel multi-path seizure-type classification deep learning network (MP-SeizNet), consisting of a convolutional neural network (CNN) and a bidirectional long short-term memory neural network (Bi-LSTM) with an attention mechanism. The objective of this study was to classify specific types of seizures, including complex partial, simple partial, absence, tonic, and tonic-clonic seizures, using only electroencephalogram (EEG) data. The EEG data is fed to our proposed model in two different representations. The CNN was fed with wavelet-based features extracted from the EEG signals, while the Bi-LSTM was fed with raw EEG signals to let our MP-SeizNet jointly learns from different representations of seizure data for more accurate information learning. The proposed MP-SeizNet was evaluated using the largest available EEG epilepsy database, the Temple University Hospital EEG Seizure Corpus, TUSZ v1.5.2. We evaluated our proposed model across different patient data using three-fold cross-validation and across seizure data using five-fold cross-validation, achieving F1 scores of 87.6% and 98.1%, respectively.

智能手表或健身追踪器由于负担得起和纵向监测功能而获得了潜在的健康跟踪设备的广泛欢迎。为了进一步扩大其健康跟踪能力，近年来，研究人员开始研究在实时利用光摄影学（PPG）数据中进行心房颤动（AF）检测的可能性，这是一种几乎所有智能手表中广泛使用的廉价传感器。从PPG信号检测AF检测的重大挑战来自智能手表PPG信号中的固有噪声。在本文中，我们提出了一种基于深度学习的新方法，即利用贝叶斯深度学习的力量来准确地从嘈杂的PPG信号中推断出AF风险，同时提供了预测的不确定性估计。在两个公开可用数据集上进行的广泛实验表明，我们提出的方法贝尼斯甲的表现优于现有的最新方法。此外，贝内斯比特（Bayesbeat）的参数比最先进的基线方法要少40-200倍，使其适合在资源约束可穿戴设备中部署。

准确诊断睡眠障碍对于临床评估和治疗至关重要。多元素摄影（PSG）长期以来用于检测各种睡眠障碍。在本研究中，心电图（ECG）和电磁影（EMG）已被用于识别呼吸和运动相关的睡眠障碍。除了使用SynchroSquezed小波变换（SSWT）开发迭代脉冲峰值检测算法之外，还通过提取EMG特征来执行生物信号处理，除了开发迭代脉冲峰值检测算法以获得来自ECG的心率和呼吸相关特征的可靠提取心率和呼吸相关的特征。深度学习框架旨在融入EMG和ECG功能。该框架已被用于对四组进行分类：健康受试者，患者阻塞性睡眠呼吸暂停（OSA），患者患者患者，患者患者和OSA和RLS患者。拟议的深度学习框架在我们制定的四类问题的主题中产生了平均准确性为72％，重量F1分数为0.57分。

成像，散射和光谱是理解和发现新功能材料的基础。自动化和实验技术的当代创新导致这些测量更快，分辨率更高，从而产生了大量的分析数据。这些创新在用户设施和同步射击光源时特别明显。机器学习（ML）方法经常开发用于实时地处理和解释大型数据集。然而，仍然存在概念障碍，进入设施一般用户社区，通常缺乏ML的专业知识，以及部署ML模型的技术障碍。在此，我们展示了各种原型ML模型，用于在国家同步光源II（NSLS-II）的多个波束线上在飞行分析。我们谨慎地描述这些示例，专注于将模型集成到现有的实验工作流程中，使得读者可以容易地将它们自己的ML技术与具有普通基础设施的NSLS-II或设施的实验中的实验。此处介绍的框架展示了几乎没有努力，多样化的ML型号通过集成到实验编程和数据管理的现有Blueske套件中与反馈回路一起运行。

对医疗保健监控的远程工具的需求从未如此明显。摄像机测量生命体征利用成像装置通过分析人体的图像来计算生理变化。建立光学，机器学习，计算机视觉和医学的进步这些技术以来的数码相机的发明以来已经显着进展。本文介绍了对生理生命体征的相机测量综合调查，描述了它们可以测量的重要标志和实现所做的计算技术。我涵盖了临床和非临床应用以及这些应用需要克服的挑战，以便从概念上推进。最后，我描述了对研究社区可用的当前资源（数据集和代码），并提供了一个全面的网页（https://cameravitals.github.io/），其中包含这些资源的链接以及其中引用的所有文件的分类列表文章。

闭环大脑刺激是指捕获诸如脑电图（EEG）之类的神经生理学措施，迅速识别感兴趣的神经事件，并产生听觉，磁性或电刺激，从而精确地与大脑过程相互作用。这是一种基本神经科学的新方法，也许是临床应用，例如恢复降解记忆功能；但是，现有工具很昂贵，繁琐，并且具有有限的实验灵活性。在本文中，我们提出了Portiloop，这是一种基于深度学习的，便携式和低成本的闭环刺激系统，能够靶向特定的脑振荡。我们首先记录可以从市售组件构建的开放式软件实现。我们还提供了快速，轻巧的神经网络模型和探索算法，该算法自动优化了所需的脑振荡的模型超参数。最后，我们在实时睡眠主轴检测的具有挑战性的测试案例中验证了该技术，结果可与大规模在线数据注释主轴数据集（MODA；组共识）上的离线专家绩效相当。社区可以提供软件和计划，作为开放科学计划，旨在鼓励进一步开发并推动闭环神经科学研究。

Covid-19大流行是人类的祸害，宣称全世界超过500万人的生活。虽然疫苗正在全世界分布，但表观需要实惠的筛选技术，以便为无法获得传统医学的世界服务。人工智能可以提供利用咳嗽声音作为主要筛选模式的解决方案。本文介绍了多种模型，这些模型在学术文献目前呈现的最大评估数据集上取得了相对尊敬的性能。此外，我们还显示性能随着培训数据规模而增加，表明世界各地的数据收集，以帮助使用非传统方式对抗Covid-19大流行。

信号处理是几乎任何传感器系统的基本组件，具有不同科学学科的广泛应用。时间序列数据，图像和视频序列包括可以增强和分析信息提取和量化的代表性形式的信号。人工智能和机器学习的最近进步正在转向智能，数据驱动，信号处理的研究。该路线图呈现了最先进的方法和应用程序的关键概述，旨在突出未来的挑战和对下一代测量系统的研究机会。它涵盖了广泛的主题，从基础到工业研究，以简明的主题部分组织，反映了每个研究领域的当前和未来发展的趋势和影响。此外，它为研究人员和资助机构提供了识别新前景的指导。

频谱图分类在分析引力波数据中起重要作用。在本文中，我们提出了一个框架来通过使用生成对抗网络（GAN）来改善分类性能。由于注释光谱图需要大量的努力和专业知识，因此训练示例的数量非常有限。但是，众所周知，只有当训练集的样本量足够大时，深层网络才能表现良好。此外，不同类别中的样本数量不平衡也会阻碍性能。为了解决这些问题，我们提出了一个基于GAN的数据增强框架。虽然无法在频谱图上应用常规图像的标准数据增强方法，但我们发现，甘恩（Progan）的一种变体能够生成高分辨率频谱图，这些光谱图与高分辨率原始图像的质量一致并提供了理想的多样性。我们通过将{\ it Gravity间谍}数据集中的小故障与GAN生成的频谱图分类为训练，从而验证了我们的框架。我们表明，所提出的方法可以为使用深网的分类提供转移学习的替代方法，即使用高分辨率GAN进行数据增强。此外，可以大大降低分类性能的波动，用于训练和评估的小样本量。在我们的框架中，使用训练有素的网络，我们还检查了{\ it Gravity Spy}中标签异常的频谱图。

在混合神经网络中，昂贵的卷积层被不可训练的固定变换所取代，参数大幅减少。在以前的作品中，通过用小波代替卷积来获得良好的结果。然而，基于小波的混合网络继承了小波沿曲线及其轴偏置的消失力矩。我们建议使用剪力岩对重要图像功能（例如边缘，脊和斑点）的强大支持。最终的网络称为复杂的剪切网络（COSHNET）。它在针对Resnet-50和Resnet-18的时装摄影师上进行了测试，分别获得了92.2％和90.7％和91.8％的测试。所提出的网络具有49.9k参数，而RESNET-18的参数为11.18m，使用较少的拖鞋52倍。最后，我们在Resnet要求的200个时期与200个时期进行了培训，不需要任何高参数调整或正则化。代码：https：//github.com/ujjawal-k-panchal/coshnet

Human Activity Recognition (HAR) is an emerging technology with several applications in surveillance, security, and healthcare sectors. Noninvasive HAR systems based on Wi-Fi Channel State Information (CSI) signals can be developed leveraging the quick growth of ubiquitous Wi-Fi technologies, and the correlation between CSI dynamics and body motions. In this paper, we propose Principal Component-based Wavelet Convolutional Neural Network (or PCWCNN) -- a novel approach that offers robustness and efficiency for practical real-time applications. Our proposed method incorporates two efficient preprocessing algorithms -- the Principal Component Analysis (PCA) and the Discrete Wavelet Transform (DWT). We employ an adaptive activity segmentation algorithm that is accurate and computationally light. Additionally, we used the Wavelet CNN for classification, which is a deep convolutional network analogous to the well-studied ResNet and DenseNet networks. We empirically show that our proposed PCWCNN model performs very well on a real dataset, outperforming existing approaches.

本文提出了一种新的劣化和损坏识别程序（DIP）并应用于建筑模型。与这些类型的结构的应用相关的挑战与响应的强相关性有关，这在应对具有高噪声水平的真实环境振动时进一步复杂化。因此，利用低成本环境振动设计了DIP，以分析使用股票变换（ST）来产生谱图的加速响应。随后，ST输出成为建立的两系列卷积神经网络（CNNS）的输入，用于识别建筑模型的恶化和损坏。据我们所知，这是第一次通过高精度的ST和CNN组合在建筑模型中评估损坏和恶化。

在实际应用桥梁称重（BWIM）方法中，车辆通过期间车轮或车轴的位置在大多数情况下是先决条件。为了避免使用常规轴检测器和桥梁类型特定的方法，我们提出了一种新的方法来通过在桥梁的任何点上放置加速度计来检测轴检测。为了开发尽可能简单且可理解的模型，将轴检测任务实现为二进制分类问题，而不是回归问题。该模型被用作完全卷积网络，以连续小波变换的形式处理信号。这允许在单个步骤中以最大效率处理任何长度的段落，同时在单个评估中使用多个量表。这使我们的方法能够在桥结构的任何位置使用加速信号，该位置用作虚拟轴检测器（VADS），而无需仅限于特定的结构类型的桥梁。为了测试提出的方法，我们分析了在长途交通线的钢槽铁路桥上记录的3787列火车通道。我们在测量数据上的结果表明，我们的模型检测到轴的95％，因此，正确检测到了134,800个以前看不见的轴的128,599。总共可以以20厘米的最大空间误差检测到90％的车轴，最大速度为$ v _ {\ mathrm {max}} = 56,3〜 \ mathrm {m/s} $。分析表明，即使在实际操作条件下，我们开发的模型也可以使用加速度计作为VAD。