Receptor Saturation Modeling for Synaptic DMC

https://arxiv.org/pdf/2010.14828 2021-09-30

1.標(biāo)題：Receptor Saturation Modeling for Synaptic DMC（突觸DMC的受體飽和建模）

2.作者：Sebastian Lotter, Maximilian Sch?fer, Johannes Zeitler, and Robert Schober

3.所屬單位：Friedrich-Alexander University Erlangen-Nuremberg, Germany（德國弗賴貝格亞歷山大大學(xué)）

4.關(guān)鍵字：Molecular Communication, Synaptic communication, Receptor saturation, Diffusion equation（分子通信，突觸通信，受體飽和，擴散方程）

5.網(wǎng)址：https://arxiv.org/pdf/2010.14828

6.總結(jié)：

(1)：本文研究了突觸通信中受體飽和的建模問題，突觸通信是一種自然的分子通信系統(tǒng)，對于合成分子通信系統(tǒng)的設(shè)計具有重要意義，并在腦機接口等領(lǐng)域的創(chuàng)新中起著關(guān)鍵作用。

(2)：過去的方法忽略了受體飽和的影響，導(dǎo)致模型在考慮釋放的分子數(shù)量時具有非線性行為，并且在解決突觸DMC中的ISI問題方面存在不足。本文提出了一個新的模型，以非線性、狀態(tài)相關(guān)的邊界條件來描述受體飽和，通過使用Laplace算子的特征函數(shù)展開和利用接收器記憶作為反饋系統(tǒng)來解決該邊界值問題。該方法具有數(shù)值穩(wěn)定性和計算效率。

(3)：本文提出了一種突觸DMC的新模型，該模型基于擴散方程，并采用飽和邊界條件對NTs與有限數(shù)量的突觸后受體的可逆結(jié)合進(jìn)行建模。與以往的方法不同，我們的模型包含了突觸間隙的空間模型和有限數(shù)量的突觸后受體，而無需解耦溶質(zhì)和結(jié)合分子的濃度（例如[11]）或空間離散化的需求（例如[12]）。該方法利用狀態(tài)空間描述(SSD)對擴散方程進(jìn)行建模，通過反饋結(jié)構(gòu)模塊化地引入非線性的受體飽和效應(yīng)。與基于粒子的蒙特卡洛方法相比，本文提出的方法在計算上非常高效，因為計算成本既不隨釋放粒子數(shù)量增加，也不隨空間規(guī)模增加。

(4)：本文的方法在粒子模擬中進(jìn)行了驗證，并實現(xiàn)了突觸DMC中的受體飽和和酶催化分子降解的建模。與以往的模型相比，該方法在模擬突觸DMC中具有更高的計算效率，并且能夠更準(zhǔn)確地描述溶質(zhì)分子的空間分布和受體飽和的影響。本文的方法為合成分子通信系統(tǒng)的設(shè)計提供了重要的理論支持，并具有潛力應(yīng)用于腦機接口等領(lǐng)域。

?

7.結(jié)論：

(1): 這部作品的意義在于提出了一種突觸DMC中受體飽和的新模型，這對于合成分子通信系統(tǒng)的設(shè)計以及在腦機接口等領(lǐng)域的創(chuàng)新具有重要意義。

(2): 創(chuàng)新點：本文的創(chuàng)新點在于引入了非線性、狀態(tài)相關(guān)的邊界條件來描述突觸通信中的受體飽和，并利用Laplace算子的特征函數(shù)展開和接收器記憶作為反饋系統(tǒng)，解決了傳統(tǒng)方法中的模型問題。這種創(chuàng)新提供了一種數(shù)值穩(wěn)定且計算效率高的建模方法。

性能表現(xiàn)：與以往的方法相比，本文提出的模型在模擬突觸DMC中具有更高的計算效率，并且能夠更準(zhǔn)確地描述溶質(zhì)分子的空間分布和受體飽和的影響。這種性能表現(xiàn)使得該模型具備了在實際應(yīng)用中的潛力。

工作量：本文的方法在粒子模擬中進(jìn)行了驗證，并實現(xiàn)了突觸DMC中的受體飽和和酶催化分子降解的建模。相較于之前的模型方法，本文所提出的方法在計算效率上更高，因為計算成本不隨釋放粒子數(shù)量增加或空間規(guī)模增加。因此，該方法具有較低的工作量需求。

Studying Drowsiness Detection Performance while Driving through Scalable Machine Learning Models using Electroencephalography

https://arxiv.org/pdf/2209.04048 2022-09-08

1.標(biāo)題：通過可擴展的機器學(xué)習(xí)模型使用腦電圖研究駕駛中的昏昏欲睡檢測性能

2.作者：José Manuel Hidalgo Rogel, Enrique Tomás Martínez Beltrán, Mario Quiles Pérez, Sergio López Bernal, Gregorio Martínez Pérez, Alberto Huertas Celdrán

3.所屬單位：José Manuel Hidalgo Rogel所屬單位：Murcia大學(xué)信息與通信工程系，Enrique Tomás Martínez Beltrán所屬單位：Murcia大學(xué)信息與通信工程系，Mario Quiles Pérez所屬單位：Murcia大學(xué)信息與通信工程系，Sergio López Bernal所屬單位：Murcia大學(xué)信息與通信工程系，Gregorio Martínez Pérez所屬單位：Murcia大學(xué)信息與通信工程系，Alberto Huertas Celdrán所屬單位：Zurich大學(xué)Informatics IfI系Communication Systems Group CSG

4.關(guān)鍵字：Brain-Computer Interface, Electroencephalography, Framework, Machine Learning

5.網(wǎng)址：https://arxiv.org/pdf/2209.04048

?

6.總結(jié)：

(1): 本文的研究背景是探索使用腦電圖技術(shù)結(jié)合機器學(xué)習(xí)模型來檢測駕駛中的昏昏欲睡情況。

(2): 過去的方法主要集中在使用Brain-Computer Interfaces (BCIs) 和Machine Learning (ML) 來檢測昏昏欲睡。然而，這些方法在使用不同的ML算法時缺乏全面的評估，而且對于適用于群體的可擴展ML模型的檢測性能也需要進(jìn)一步研究。本文的動機是填補這些研究的空白。

(3): 本文提出了一個智能框架，利用腦電圖（EEG）和基于ML的特征來檢測駕駛場景中的昏昏欲睡狀況。使用SEED-VIG數(shù)據(jù)集來提供不同的ML回歸器和三類分類器，然后評估、分析和比較表現(xiàn)最佳的個體和群體模型。

(4): 關(guān)于個體模型，隨機森林(Random Forest, RF)的F1分?jǐn)?shù)達(dá)到了78%，相比于用于昏昏欲睡檢測的支持向量機(SVM)等其他方法的58%有所提高。而關(guān)于可擴展模型，RF的F1分?jǐn)?shù)為79%，證明了這些方法的有效性。本文的方法實現(xiàn)了駕駛中昏昏欲睡的檢測任務(wù)，并取得了良好的性能，能夠支持研究目標(biāo)。

7.方法:

(1): 本文的方法基于一種智能框架，旨在利用腦電圖（EEG）和基于機器學(xué)習(xí)（ML）的特征來檢測駕駛場景中的昏昏欲睡狀況。

(2): 該方法的第一步是收集實驗數(shù)據(jù)，使用了SEED-VIG數(shù)據(jù)集作為訓(xùn)練和測試的基礎(chǔ)。該數(shù)據(jù)集包含了歐洲司機在駕駛過程中的EEG信號，以及與其瞌睡程度相關(guān)的標(biāo)簽。

(3): 接下來，對EEG信號進(jìn)行預(yù)處理。這包括濾波、去噪和特征提取等步驟。其中，濾波是通過應(yīng)用帶通濾波器將信號限制在特定頻率范圍內(nèi)，去噪是通過使用信號處理技術(shù)去除噪聲干擾，特征提取是從EEG信號中提取與瞌睡狀態(tài)相關(guān)的有用信息。

(4): 在特征提取后，本文采用了多種ML回歸器和三類分類器進(jìn)行建模和訓(xùn)練。這些算法包括隨機森林（Random Forest, RF）、支持向量機（Support Vector Machine, SVM）和邏輯回歸（Logistic Regression, LR）等。

(5): 在模型訓(xùn)練完成后，通過使用測試數(shù)據(jù)集對模型進(jìn)行評估和分析。主要考慮的指標(biāo)是F1分?jǐn)?shù)，以衡量模型的性能。F1分?jǐn)?shù)基于精確率和召回率，可以綜合評估模型的準(zhǔn)確性和完整性。

(6): 最后，通過比較不同模型之間的表現(xiàn)，選擇表現(xiàn)最佳的個體和群體模型作為最終的檢測模型。這些模型能夠判斷駕駛者是否處于昏昏欲睡狀態(tài)，并為后續(xù)研究提供支持。

8.結(jié)論：

(1): 本文的意義在于探索利用腦電圖（EEG）和機器學(xué)習(xí)模型來檢測駕駛中的昏昏欲睡情況。通過研究駕駛員的腦電圖信號，并應(yīng)用機器學(xué)習(xí)算法，可以建立有效的模型來判斷駕駛員是否處于昏昏欲睡狀態(tài)，從而提高駕駛安全性。

(2): 創(chuàng)新點：本文的創(chuàng)新點在于提出了一種智能框架，結(jié)合腦電圖和基于機器學(xué)習(xí)的特征，實現(xiàn)了駕駛中昏昏欲睡的檢測任務(wù)。該框架利用了SEED-VIG數(shù)據(jù)集進(jìn)行訓(xùn)練和測試，采用多種機器學(xué)習(xí)算法，如隨機森林、支持向量機和邏輯回歸，來建立和訓(xùn)練模型。

性能表現(xiàn)：個體模型中，隨機森林的F1分?jǐn)?shù)為78%，相比其他方法有所提高。而對于可擴展模型，隨機森林的F1分?jǐn)?shù)達(dá)到了79%，證明了這些方法的有效性。因此，本文方法在昏昏欲睡檢測性能方面表現(xiàn)良好。

工作量：本文的工作量主要包括數(shù)據(jù)收集、預(yù)處理、特征提取、模型訓(xùn)練和評估等多個步驟。其中，數(shù)據(jù)收集使用了SEED-VIG數(shù)據(jù)集，預(yù)處理包括濾波、去噪和特征提取。模型訓(xùn)練和評估則涉及多個機器學(xué)習(xí)算法的實施和比較。整體工作量較大，但基于良好的研究設(shè)計和實驗流程進(jìn)行了有效的完成。

Interpreting Imagined Speech Waves with Machine Learning techniques

https://arxiv.org/pdf/2010.03360 2020-11-25

1.標(biāo)題：使用機器學(xué)習(xí)技術(shù)解釋想象的語音波

2.作者：Abhiram Singh, Ashwin Gumaste

3.所屬單位：印度孟買印度理工學(xué)院計算機科學(xué)與工程系

4.關(guān)鍵字：腦-計算機接口、想象語音、神經(jīng)網(wǎng)絡(luò)、切平面

5.網(wǎng)址：文獻(xiàn)鏈接，Github: None

6.總結(jié)：

- (1):本文的研究背景是探索使用機器學(xué)習(xí)技術(shù)解碼想象的語音信號，以創(chuàng)建新型的人機界面。

- (2):過去的方法使用不同的特征提取方法和神經(jīng)網(wǎng)絡(luò)模型來近似數(shù)據(jù)分布和分類想象的語音信號，但存在一些問題。本文的方法具有更好的動機，以減少參與者的訓(xùn)練時間并提供更舒適的HCI過程。

- (3):本文提出了使用饋前神經(jīng)網(wǎng)絡(luò)模型、集成和協(xié)方差矩陣轉(zhuǎn)換特征的方法，以改善IS信號的解碼能力。

- (4):本文的方法在不同的數(shù)據(jù)集上展示了較高的性能，可以將腦信號（在休息狀態(tài)下產(chǎn)生）與IS腦信號區(qū)分開來。本文提出的方法利用詞匯長度和復(fù)雜性實現(xiàn)了想象語音信號的高精度解碼，并為基于IS的BCI系統(tǒng)的開發(fā)提供了方向和支持。

7.方法：

(1): 本文提出了使用機器學(xué)習(xí)技術(shù)解碼想象的語音信號的方法。研究的背景是創(chuàng)建新型的人機界面，使人們能夠通過想象語音與計算機進(jìn)行交互。

(2): 本文使用了不同的方法來處理EEG信號，包括神經(jīng)網(wǎng)絡(luò)模型和特征轉(zhuǎn)換技術(shù)。這些方法包括使用饋前神經(jīng)網(wǎng)絡(luò)模型、集成和協(xié)方差矩陣轉(zhuǎn)換特征、使用短時傅立葉變換計算頻譜圖等。

(3): 在神經(jīng)網(wǎng)絡(luò)模型方面，本文嘗試了使用ANN、LSTM和CNN來處理原始的EEG信號。而在特征轉(zhuǎn)換方面，本文使用了傅立葉變換和獨立成分分析等方法。

(4): 本文還嘗試了一種基于空間模式的方法，即Common Spatial Pattern (CSP)，通過變換信號的方差來改善分類模型的性能。

(5): 此外，本文還應(yīng)用了裝袋(Bagging)方法，將神經(jīng)網(wǎng)絡(luò)作為基分類器，并在多個模型上進(jìn)行集成，以提高性能。

(6): 通過在不同的數(shù)據(jù)集上進(jìn)行實驗，本文的方法在解碼想象的語音信號方面取得了較高的性能，并為基于IS的BCI系統(tǒng)的開發(fā)提供了方向和支持。

?

8.?結(jié)論：

(1): 這部作品的意義在于通過機器學(xué)習(xí)技術(shù)解碼想象的語音信號，創(chuàng)建了一種新型的人機界面，可以實現(xiàn)通過想象語音與計算機進(jìn)行交互。

(2): 創(chuàng)新點：本文提出了使用饋前神經(jīng)網(wǎng)絡(luò)模型、集成和協(xié)方差矩陣轉(zhuǎn)換特征的方法，以改善解碼想象語音信號的能力。

性能表現(xiàn)：本文的方法在不同的數(shù)據(jù)集上展示了較高的性能，可以將腦信號與想象語音信號區(qū)分開來。

工作量：本文的研究包括使用不同的特征提取方法和神經(jīng)網(wǎng)絡(luò)模型進(jìn)行實驗和分析，需要進(jìn)行大量的數(shù)據(jù)處理和訓(xùn)練工作。

參考文獻(xiàn)

[1]Lotter, Sebastian et al. “Receptor Saturation Modeling for Synaptic DMC.”ICC 2021 - IEEE International Conference on Communications(2020): 1-6.

[2]Rogel, Jos'e Manuel Hidalgo et al. “Studying Drowsiness Detection Performance while Driving through Scalable Machine Learning Models using Electroencephalography.”ArXivabs/2209.04048 (2022): n. pag.

[3]Singh, Abhiram Kumar and Ashwin Gumaste. “Interpreting Imagined Speech Waves with Machine Learning techniques.”ArXivabs/2010.03360 (2020): n. pag.

?創(chuàng)作聲明：包含 AI 輔助創(chuàng)作??