M/EEG信號(hào)對(duì)稱正定矩陣上的切片-瓦瑟斯坦

https://arxiv.org/pdf/2303.05798

1.標(biāo)題：Sliced-Wasserstein on Symmetric Positive Definite Matrix for M/EEG Signals（M/EEG信號(hào)上的對(duì)稱正定矩陣切片-瓦瑟斯坦距離）

2.作者：克萊門(mén)特·博內(nèi)特，貝努瓦·馬雷齊厄，阿蘭·拉科托馬蒙吉，盧卡斯·德魯梅茨，托馬斯·莫羅，馬蒂厄·科瓦爾斯基，尼古拉斯·庫(kù)蒂 （作者：克萊門(mén)特·博內(nèi)特，貝努瓦·馬萊齊厄，阿蘭·拉科托馬蒙吉，盧卡斯·德拉梅茨，托馬斯·莫羅，馬蒂厄·科瓦爾斯基，尼古拉斯·考蒂）

3.所屬單位：Université Bretagne Sud， LMBA （第一作者單位：中國(guó)的南布列塔尼大學(xué)）

4.關(guān)鍵字：協(xié)方差矩陣、M/EEG信號(hào)、切片-瓦瑟斯坦距離、黎曼幾何 （關(guān)鍵詞：協(xié)方差矩陣、M/EEG信號(hào)、切片瓦瑟斯坦距離、黎曼幾何）

5.網(wǎng)址：https://arxiv.org/pdf/2303.05798 （網(wǎng)址：https://arxiv.org/pdf/2303.05798）

?

6.總結(jié)：

（1）： 本文的研究背景是使用協(xié)方差矩陣來(lái)總結(jié)M/EEG信號(hào)，并且需要使用黎曼幾何來(lái)處理這些矩陣的結(jié)構(gòu)。

（2）： 過(guò)去的方法主要是基于黎曼幾何的算法，用于處理M/EEG數(shù)據(jù)中的協(xié)方差矩陣。然而，這些方法存在計(jì)算復(fù)雜性較高的問(wèn)題。本文提出了一種基于切片瓦瑟斯坦距離的新方法，旨在解決這些問(wèn)題，并具有良好的動(dòng)機(jī)。

(3): 本文提出的研究方法是在對(duì)稱正定矩陣之間定義切片-瓦瑟斯坦距離，并利用其性質(zhì)和核方法將其應(yīng)用于M/EEG數(shù)據(jù)的腦齡預(yù)測(cè)，與基于黎曼幾何的最先進(jìn)算法進(jìn)行比較。

(4): 本文的方法成功實(shí)現(xiàn)了對(duì)M/EEG數(shù)據(jù)中協(xié)方差矩陣的分布進(jìn)行處理，并在腦計(jì)算機(jī)接口應(yīng)用中展示了其高效性。該方法能夠作為Wasserstein距離在域適應(yīng)中的有效替代品，性能支持了作者的目標(biāo)。

8.結(jié)論：

（1）：本文的意義在于提出了一種基于切片-瓦瑟斯坦距離的新方法，用于處理M/EEG信號(hào)中的協(xié)方差矩陣。這一方法具有較低的計(jì)算復(fù)雜性，并成功應(yīng)用于腦計(jì)算機(jī)接口的腦齡預(yù)測(cè)。

(2): 創(chuàng)新點(diǎn)：本文提出了使用切片-瓦瑟斯坦距離處理M/EEG數(shù)據(jù)中協(xié)方差矩陣的方法，與傳統(tǒng)的基于黎曼幾何的方法相比，具有更低的計(jì)算復(fù)雜性。?

性能表現(xiàn)：本文的方法在腦計(jì)算機(jī)接口應(yīng)用中展示了良好的性能，在處理M/EEG數(shù)據(jù)中的協(xié)方差矩陣的分布時(shí)取得了較好的效果。

工作量：本文的研究工作涉及對(duì)切片-瓦瑟斯坦距離的定義和應(yīng)用，并與黎曼幾何的方法進(jìn)行比較，需要進(jìn)行理論和實(shí)驗(yàn)分析，工作量相對(duì)較大。

BioGAP：具有10核FP功能的超低功耗物聯(lián)網(wǎng)處理器，具有醫(yī)療級(jí)AFE和BLE連接，用于可穿戴生物信號(hào)處理

https://arxiv.org/pdf/2307.01619

標(biāo)題： BioGAP：具有10核FP功能的超低功耗物聯(lián)網(wǎng)處理器，具有醫(yī)療級(jí)AFE和BLE連接，用于可穿戴生物信號(hào)處理（BioGAP：一種具備醫(yī)療級(jí) AFE 和 BLE 連接性的 10 核 FP 可行的超低功耗 IoT 處理器，用于可穿戴生物信號(hào)處理）

作者：Sebastian Frey， Marco Guermandi， Simone Benatti， Victor Kartsch， Andrea Cossettini， Luca Benini

所屬單位：蘇黎世聯(lián)邦理工學(xué)院集成系統(tǒng)實(shí)驗(yàn)室，蘇黎世，瑞士（ETH 阿爾希理工學(xué)院，蘇黎世，瑞士）

關(guān)鍵字：可穿戴腦電圖， 可穿戴醫(yī)療， 超低功耗設(shè)計(jì)， 嵌入式系統(tǒng)（可穿戴 EEG，可穿戴醫(yī)療保健，超低功耗設(shè)計(jì)，嵌入式系統(tǒng)）

網(wǎng)址：https://arxiv.org/pdf/2307.01619

?

總結(jié)：

(1)?: 本文的研究背景是開(kāi)發(fā)面向生物信號(hào)處理的可穿戴設(shè)備，以實(shí)現(xiàn)迷你化和高能效的物聯(lián)網(wǎng)解決方案。

(2)?: 過(guò)去的方法需要將原始生物信號(hào)數(shù)據(jù)傳輸?shù)脚_(tái)式電腦進(jìn)行處理，且很少具備足夠的計(jì)算能力進(jìn)行信號(hào)處理。本文旨在解決這些問(wèn)題并實(shí)現(xiàn)多種異質(zhì)生物傳感器信息的融合。

（3）： 本文提出了一種名為 BioGAP 的并行超低功耗處理平臺(tái)，用于醫(yī)療級(jí)別的生物信號(hào)獲取和嵌入式處理。平臺(tái)采用模塊化設(shè)計(jì)，基于 PULP SoC，具備十個(gè) RISC-V 核心和低功耗藍(lán)牙連接。

（4）： 本文的方法在 Steady State Visual Evoked Potential（SSVEP） 基于腦機(jī)接口 （BCI） 應(yīng)用上進(jìn)行了驗(yàn)證。本文實(shí)現(xiàn)了流式處理模式下每個(gè)樣本 3.6μJ，內(nèi)置處理模式下每個(gè)樣本 2.2μJ 的功耗，并在僅 18.2mW 的功耗預(yù)算下實(shí)現(xiàn)了 97% 的無(wú)線帶寬減少，滿足了15小時(shí)的運(yùn)行時(shí)間要求。

結(jié)論：

(1): 本研究的意義在于開(kāi)發(fā)一種面向生物信號(hào)處理的可穿戴設(shè)備，通過(guò)實(shí)現(xiàn)迷你化和高能效的物聯(lián)網(wǎng)解決方案，提供醫(yī)療保健領(lǐng)域的可穿戴解決方案。

（2）： 創(chuàng)新點(diǎn)：本文提出了一種名為BioGAP的并行超低功耗處理平臺(tái)，具備醫(yī)療級(jí) AFE 和 BLE 連接，以滿足醫(yī)療保健領(lǐng)域?qū)ι镄盘?hào)獲取和嵌入式處理的需求。

性能表現(xiàn)：BioGAP 在流式處理模式下每個(gè)樣本的功耗為3.6μJ，在內(nèi)置處理模式下為2.2μJ，滿足了僅18.2mW的功耗預(yù)算下的97%無(wú)線帶寬減少，并可以持續(xù)工作15小時(shí)。

工作量：本文通過(guò)實(shí)驗(yàn)驗(yàn)證了BioGAP的EEG和PPG功能，并展示了GAP9 SoC的性能，可以在邊緣端進(jìn)行高效能計(jì)算。并且，這個(gè)平臺(tái)的模塊化設(shè)計(jì)允許添加新的組件，以滿足不同應(yīng)用需求。

可控思維視覺(jué)擴(kuò)散模型

https://arxiv.org/pdf/2305.10135

標(biāo)題：可控意識(shí)視覺(jué)擴(kuò)散模型（可控意識(shí)視覺(jué)擴(kuò)散模型）

作者：曾博涵， 李尚林， 劉旭輝， 高思成， 蔣曉龍， 唐旭， 胡耀， 劉建莊， 張寶昌

所屬單位：北航大學(xué) （北京航空航天大學(xué)）

關(guān)鍵字：腦信號(hào)可視化、功能磁共振成像（fMRI）、語(yǔ)義和輪廓信息、可控思維視覺(jué)擴(kuò)散模型（CMVDM）、圖像合成。

網(wǎng)址：https://arxiv.org/pdf/2305.10135

?

總結(jié)：

(1): 本文的研究背景是通過(guò)腦信號(hào)可視化技術(shù)，將人類視覺(jué)系統(tǒng)與計(jì)算機(jī)視覺(jué)模型連接起來(lái)，以深入研究認(rèn)知過(guò)程。

(2): 過(guò)去的方法主要是通過(guò)分析腦信號(hào)實(shí)現(xiàn)對(duì)感知圖像的理解和重建，但是對(duì)于從腦信號(hào)中提取語(yǔ)義和輪廓信息的準(zhǔn)確性存在限制。該方法的動(dòng)機(jī)是改進(jìn)現(xiàn)有方法的缺點(diǎn)，并提高圖像合成的準(zhǔn)確度。

（3）： 本文提出了一種名為可控意識(shí)視覺(jué)擴(kuò)散模型（CMVDM）的新方法。CMVDM利用屬性對(duì)齊和輔助網(wǎng)絡(luò)從fMRI數(shù)據(jù)中提取語(yǔ)義和輪廓信息，并引入殘差塊來(lái)捕獲超出語(yǔ)義和輪廓特征的信息。然后，利用控制模型充分利用提取的信息進(jìn)行圖像合成，生成的圖像在語(yǔ)義和輪廓方面與視覺(jué)刺激非常相似。

（4）： 通過(guò)大量實(shí)驗(yàn)證明，CMVDM在定性和定量方面都優(yōu)于現(xiàn)有的先進(jìn)方法。它能夠?qū)崿F(xiàn)語(yǔ)義和輪廓信息的提取，并生成與視覺(jué)刺激非常相似的圖像，績(jī)效支持了研究目標(biāo)。

方法：

(1): 數(shù)據(jù)收集。使用功能性磁共振成像（fMRI）技術(shù)來(lái)測(cè)量被試的腦信號(hào)。在實(shí)驗(yàn)中，被試需要觀看一系列視覺(jué)刺激，并記錄相應(yīng)的腦信號(hào)。

(2): 語(yǔ)義和輪廓信息提取。利用屬性對(duì)齊和輔助網(wǎng)絡(luò)，從fMRI數(shù)據(jù)中提取圖像的語(yǔ)義和輪廓信息。屬性對(duì)齊將腦信號(hào)與視覺(jué)刺激進(jìn)行對(duì)齊，以獲得對(duì)應(yīng)的腦信號(hào)。輔助網(wǎng)絡(luò)通過(guò)訓(xùn)練來(lái)學(xué)習(xí)提取圖像特征。

(3): 信息捕獲和融合。為了捕獲超出語(yǔ)義和輪廓特征的信息，引入殘差塊結(jié)構(gòu)。這個(gè)結(jié)構(gòu)允許模型學(xué)習(xí)圖像中更細(xì)微的細(xì)節(jié)和紋理。

(4): 圖像合成。利用提取的語(yǔ)義和輪廓信息，通過(guò)控制模型進(jìn)行圖像合成?？刂颇Ｐ统浞掷锰崛〉男畔ⅲ膳c視覺(jué)刺激非常相似的圖像。

(5): 性能評(píng)估。對(duì)于生成的圖像，使用視覺(jué)與計(jì)算模型進(jìn)行定性和定量的評(píng)估。評(píng)估的指標(biāo)包括圖像的語(yǔ)義和輪廓準(zhǔn)確度、視覺(jué)刺激的相似度等。

(6): 實(shí)驗(yàn)設(shè)計(jì)。為了驗(yàn)證所提出方法的效果，進(jìn)行實(shí)驗(yàn)來(lái)比較該方法與其他先進(jìn)方法之間的性能差異。實(shí)驗(yàn)根據(jù)特定的實(shí)驗(yàn)設(shè)計(jì)進(jìn)行，以確保結(jié)果的可信度和統(tǒng)計(jì)顯著性。

(7): 結(jié)果分析和討論。通過(guò)對(duì)實(shí)驗(yàn)結(jié)果的分析和比較，討論所提出方法的優(yōu)勢(shì)和限制，并提出改進(jìn)和未來(lái)工作的可能方向。

(8): 結(jié)論?？偨Y(jié)所提出方法的主要貢獻(xiàn)和取得的成果，以及對(duì)相關(guān)領(lǐng)域的影響和應(yīng)用前景的討論。

請(qǐng)注意，以上方法僅為概括，實(shí)際文章中可能會(huì)有更多詳細(xì)的步驟和實(shí)驗(yàn)設(shè)置，請(qǐng)參考原文獲取更詳細(xì)的信息。

結(jié)論：

（1）：這部作品的意義是在腦信號(hào)可視化領(lǐng)域推出了一種新方法，即可控意識(shí)視覺(jué)擴(kuò)散模型（CMVDM）。該方法通過(guò)從fMRI數(shù)據(jù)中提取語(yǔ)義和輪廓信息，并利用控制模型進(jìn)行圖像合成，實(shí)現(xiàn)了生成與視覺(jué)刺激非常相似的圖像。這一創(chuàng)新為研究認(rèn)知過(guò)程和開(kāi)發(fā)相關(guān)應(yīng)用提供了新的思路和技術(shù)手段。

(2)：創(chuàng)新點(diǎn)：CMVDM引入了屬性對(duì)齊和輔助網(wǎng)絡(luò)來(lái)提取腦信號(hào)中的語(yǔ)義和輪廓信息，并利用殘差塊來(lái)捕獲超出特征的信息，這些創(chuàng)新提高了圖像合成的準(zhǔn)確度。

性能表現(xiàn)：CMVDM在實(shí)驗(yàn)證明，在定性和定量方面都優(yōu)于現(xiàn)有的先進(jìn)方法，能夠生成與視覺(jué)刺激非常相似的圖像。它實(shí)現(xiàn)了語(yǔ)義和輪廓信息的提取，并展現(xiàn)出優(yōu)異的生成能力。

工作量：該研究進(jìn)行了大量的實(shí)驗(yàn)設(shè)計(jì)和數(shù)據(jù)收集工作，通過(guò)訓(xùn)練和優(yōu)化模型，完成了對(duì)fMRI信號(hào)的解碼和圖像合成，展現(xiàn)了較大的工作量和技術(shù)難度。

?

參考文獻(xiàn)：

【1】Bonet C, Malézieux B, Rakotomamonjy A, et al. Sliced-wasserstein on symmetric positive definite matrices for m/eeg signals[C]//International Conference on Machine Learning. PMLR, 2023: 2777-2805.

【2】Frey S, Guermandi M, Benatti S, et al. BioGAP: a 10-Core FP-capable Ultra-Low Power IoT Processor, with Medical-Grade AFE and BLE Connectivity for Wearable Biosignal Processing[J]. arXiv preprint arXiv:2307.01619, 2023.

【3】Zeng B, Li S, Liu X, et al. Controllable Mind Visual Diffusion Model[J]. arXiv preprint arXiv:2305.10135, 2023.

?

創(chuàng)作聲明：包含?AI?輔助創(chuàng)作

?