Changes in the Brain’s Intrinsic Organization in the Resting State with Real-Time fMRI Neurofeedback Training of Posterior Cingulate Cortex Activity

Real-time functional magnetic resonance imaging (rtfMRI) technology has been widely used to train subjects to actively regulate the activity of specific brain regions. Although many previous studies have demonstrated that neurofeedback training alters the functional connectivity between brain regions in the task state and resting state, it is unclear how the regulation of the key hub of the default mode network (DMN) affects the topological properties of the resting-state brain network. The current study aimed to investigate what topological changes would occur in the large-scale intrinsic organization of the resting state after the real-time down-regulation of the posterior cingulate cortex (PCC). The results indicated that the down-regulation of the PCC in the DMN reduced the functional connectivity of the PCC with the nodes outside of the DMN and reduced functional connectivity between the superior medial frontal gyrus (SFGmed) and parahippocampal gyrus (PHG) in the experimental group. Moreover, the nodal graph properties of the SFGmed were reduced, while that of the PHG showed the opposite alteration after the down-regulation of the PCC. These findings possibly suggest that the regulation of the key hub of the DMN, the PCC, mainly changed the information transfer of the SFGmed and PHG.

带连通性约束的快速交互式Graph-Cut算法

Graph-Cut算法是图像及视频中经典且有效的前景和背景分离算法,针对其计算量较大导致实时性不佳、前景和背景颜色相似时分割结果易出现shrinking bias现象的问题,提出一种改进算法.该算法利用Mean-Shift技术对图像进行预处理,将原图像表示成基于区域的、而不是基于像素的图结构,预处理结果还可应用于后续的前景和背景颜色分布估计过程,使得计算量大大下降;在能量函数中引入了具有自适应权值调节功能的连通性约束项,有效地改善了shrinking bias现象,提高了分割结果的精确性.实验结果表明,文中算法具有良好的实时交互性,且分割效果更加稳定和精确.

局部颜色模型的交互式Graph-Cut分割算法

由于目前大多数交互式Graph-Cut分割算法很难达到精确分割且实时交互的效果.对此,提出一种基于局部颜色模型的改进算法.该算法利用Mean-Shift预分割,建立基于局部颜色模型的交互式分割框架,并将像素级的Graph-Cut算法转化为基于区域的算法进行快速求解.预分割之后的区域保持了原有图像的结构,不仅提高了采用局部颜色模型估计分布的准确性,而且基于区域Graph-Cut的算法明显降低了计算的复杂度.实验结果表明,改进后的算法不仅保证了分割的精确性,而且还达到了实时交互.

SpecGraph:基于并发更新的分布式实时图计算模型

随着互联网的快速发展,越来越多的应用需要在大规模图结构数据上作分析和计算,面对动态变化的图结构,人们希望能够实时地得到反映最新图结构的计算结果.传统的图处理系统都是面向静态图结构,不能满足动态图结构的实时性要求.已经提出的增量图计算模型,其算法适用范围受限,而且都是基于串行执行增量更新,当图结构变化比较迅速时,往往结果的实时性不够高.提出了一种新的基于并发更新的图计算模型SpecGraph,它通过解耦合的计算模型、异步执行引擎和基于推测执行的并发更新机制,达到更广的算法适用性和更高的实时性要求.SpecGraph通过解耦合的计算模型,使得顶点状态只依赖于接收到的邻居信息,为增量更新和并发更新提供了透明实现的可能;通过异步计算引擎,使得系统在增量更新时更加灵活,资源占用低,同时保证了并发的可执行性;通过基于推测执行的并发增量更新,SpecGraph能够达到更高的实时性要求.

面向主动配电网实时优化调度的图强化学习方法

主动配电网的新能源、储能等能源形式可以有效提高运行的灵活性和可靠性,同时新能源和负荷也给配电网带来了双重不确定性,致使主动配电网的实时优化调度决策维度大、建模精度差.针对这一问题,本文提出结合图神经网络和强化学习的图强化学习方法,避免对复杂系统的精准建模.首先,将实时优化调度问题表述为马尔可夫决策过程,并将其表述为动态序贯决策问题.其次,提出了基于物理连接关系的图表示方法,用以表达状态量的隐含相关性.随后,提出图强化学习来学习将系统状态图映射到决策输出的最优策略.最后,将图强化学习推广到分布式图强化学习.算例结果表明,图强化学习在最优性和效率方面都取得了更好的效果.

融合时序门控图神经网络的兴趣点推荐方法

现有的大多数兴趣点(point of interest,POI)推荐系统由于忽略了用户签到序列中的顺序行为模式,以及用户的个性化偏好对于POI推荐的影响,导致POI推荐系统性能较低,推荐结果不可靠,进而影响用户体验。为了解决上述问题,提出一种融合时序门控图神经网络的兴趣点推荐方法。运用时序门控图神经网络(temporal gated graph neural network,TGGNN)学习POI embedding;采用注意力机制捕获用户的长期偏好;通过注意力机制融合用户的最新偏好和实时偏好,进而捕获用户的短期偏好。通过自适应的方式结合用户的长期和短期偏好,计算候选POI的推荐得分,并根据得分为用户进行POI推荐。实验结果表明,与现有方法相比,该方法在召回率和平均倒数排名这两项指标上均有较为明显的提升,因此可以取得很好的推荐效果,具有良好的应用前景。

动态有权图上的随机游走概率计算

图上的随机游走概率计算是传统图论与现代数据挖掘领域普遍关注的问题之一.现有工作普遍关注静态图上的随机游走概率计算,却鲜少关注与实际应用场景更贴合的权重动态图.针对动态有权图上的随机游走概率计算问题,提出了一种基于硬币翻转采样的随机游走概率计算方法.相比于传统的基于权重采样的随机游走概率计算方法,所提方法可以在保证随机游走概率计算结果无偏的前提下,同时做到近似最优的随机游走概率计算复杂度和最优的采样结构更新复杂度.作为对比,现有方法或具有较大的计算时间复杂度,或依赖于复杂的索引结构而难以在动态图上即时更新.对所提方法做出了详细的理论分析,并在真实图数据集上进行模拟实验,实验结果证实了所提方法的有效性.

子图增强的实时同名消歧

实时同名消歧旨在实时、准确地将具有歧义的作者姓名的新增论文关联到同名候选作者中的正确作者。当前同名消歧算法主要解决冷启动同名消歧问题,较少探索如何高效并有效地解决实时同名消歧问题。该文提出了子图增强的实时同名消歧模型RND-all,该模型通过高效地融合待消歧论文与候选作者之间的结构特征来提升模型的准确率。模型根据待消歧论文的属性与同名候选作者的档案分别构建子图,使用子图结构特征提取框架来计算图相关性特征,最后,通过特征工程以及文本嵌入方法计算语义匹配特征,并利用集成学习实现语义信息与结构信息的融合。实验结果表明,融入结构信息能够有效提升实时同名消歧任务的准确性,RND-all在百万级同名消歧基准WhoIsWho测试集上效果排名第一。

基于图注意力网络的配电网分布式光伏实时消纳能力评估方法

大规模分布式光伏接入加剧了配电网运行的复杂度与不确定性,实时准确评估配电网分布式光伏消纳能力成为系统安全运行的迫切需求。针对传统评估方法依赖大量仿真计算难以满足实时性的问题,同时应对传统人工智能方法难以适应配电网拓扑频繁变化的情况,基于图注意力网络模型提出一种配电网分布式光伏实时消纳能力评估方法。该方法结合网络拓扑结构,充分挖掘有关光伏消纳的节点特征,提高模型在拓扑结构频繁变化时的适应性。通过节点光伏消纳能力回归模型和节点光伏消纳制约条件分类模型,实时评估配电网各节点光伏消纳能力,并确定各节点光伏消纳的制约条件。仿真算例表明,所提方法在面对已知拓扑时具有较好准确性与实时性,面对未知拓扑时拥有较好的泛化能力。

基于深度学习的患者麻醉复苏过程中的头部运动幅度分类方法

头部姿态估计在很多领域都有广泛研究,然而在医学领域,利用头部姿态估计去监测麻醉恢复室(PACU)中患者复苏的研究很少。现有的从单个图像中学习用于头部姿态估计的细粒度结构聚合网络(FSA-Net)存在收敛效果差、参数过拟合的问题。针对以上问题,利用300W-LP、AFLW2000和BIWI共3个公开数据集,对患者麻醉复苏过程中的头部运动进行监测,基于头部姿态估计提出一种患者头部运动幅度分类方法。首先,将FSA-Net其中一个stream的激活函数线性整流单元(ReLU)替换为带有泄漏修正线性单元(LeakyReLU),从而优化模型的收敛效果,同时用AdamW(Adam Weight decay optimizer)优化器替换Adam优化器,解决参数过拟合问题。其次,对患者麻醉复苏中头部运动幅度进行分类,分为小幅度、中幅度以及大幅度运动。最后,利用PHP(Hypertext Preprocessor)、Echarts(EnterpriseCharts)以及PostgreSQL实现数据可视化,绘制患者头部运动实时监测图。实验结果表明,在AFLW2000数据集和BIWI数据集上,改进的FSA-Net的平均绝对误差比原FSA-Net的平均绝对误差分别减小了0.334°和0.243°。改进模型在麻醉复苏检测中具有实际效果,能够辅助医护人员对患者进行麻醉复苏判定。

基于实时视频流的3D人体姿势和形状估计

为满足元宇宙、游戏及虚拟现实等应用场景中对实时视频流3D人体姿势和形状估计准确性和真实性的要求,提出了一种基于时间注意力机制的3D人体姿势和形状估计方法。首先,提取图像特征,并将其输入运动连续注意力模块以更好地校准需要注意的时间序列范围;随后,使用实时特征注意力集成模块以有效地组合当前帧与过去帧的特征表示;最后,通过人体参数回归网络得到最终结果,并使用基于图卷积的生成对抗网络判断模型是否来自真实的人体运动数据。相较于之前基于实时视频流的方法,在主流数据集上加速度误差平均减少了30%的同时,网络参数与计算量减少了65%,在实际测试中实现了每秒55~60帧的3D人体姿态和形状估计速度,为元宇宙、游戏及虚拟现实等应用场景提供更好的用户体验和更高的应用价值。

基于时空图注意力网络的服务机器人动态避障

为了解决服务机器人在具有自主决策能力的密集人群中容易发生碰撞、假死和路径不自然等问题,在深度强化学习的框架下提出基于时空图注意力网络的服务机器人动态避障算法。时空图注意力网络作为邻近策略优化(PPO)算法的决策函数,首先采用门控循环单元控制机器人对环境的记忆和遗忘程度,提取环境的时间特征,使其对行人运动趋势有一定的预测作用;然后采用图注意力网络获取机器人和行人在空间上的隐式交互特征,使机器人能寻找无碰撞路径;最后在PPO算法中对时空图注意力网络进行训练,使得机器人在人群中完成无碰撞导航任务。在人均2.5 m^(2)的动态封闭环境中对算法进行实验验证,结果表明,与非学习型的动态窗口算法相比,该算法导航成功率提高71个百分点,与基于学习型的DSRNN-RL算法相比,该算法导航成功率提高3个百分点同时导航路径更短。Gazebo环境下的实时导航测试结果表明,所提算法的平均推理时间为21.90 ms,可以满足实时导航的要求。

基于微服务架构的智慧灯杆系统研究与应用

传统智慧灯杆系统实时数据的推送和获取需通过不断轮询,占用系统开销,网络带宽压力大,且高流量请求可能造成系统崩溃等问题。为解决上述问题,设计和实现了一种基于微服务架构的智慧灯杆数据实时推送系统。从业务实际需求出发,对系统技术架构与功能架构进行设计,明确4种技术模块与功能模块,并通过提取梳理模块、功能、实体以及资源结点的关系与属性,明确不同结点之间的权重,搭建图网络,采用图聚类算法将系统拆分为以实时数据推送服务为主的九大微服务。系统针对实时数据推送需求,采用双Redis数据库设计,分离实时数据与缓存数据,明确了3种实时数据存储结构以及数据点位表、转存配置表、系统三者之间的关系,启用Redis实时数据库键空间通知功能,监听特定键值变化,并通过Websocket实时推送到客户端。系统测试表明,该系统可以高效、准确地实现智慧灯杆实时数据推送以及历史数据的展示与存储,满足实时性与并发需求,其为智慧城市中的智慧灯杆数据可视化场景建设提供了完善的解决方案。

多台四向车实时交通调度方法研究

针对密集仓储系统中多台四向车作业时行进路径存在潜在交叉重叠,从而可能发生碰撞的问题,提出一种基于实时路况信息的交通调度方法。建立以“等”“绕”“躲”调度策略为主的调度框架,设计交通调度算法,实时扫描路况信息,识别两车之间交通冲突依赖关系并根据调度策略进行调整;构建多台四向车冲突有向图模型以表征多台四向车的交通冲突关系,基于冲突有向图实时控制四向车启动或停止,从而实现实时避碰。随机任务试验结果表明,多台四向车同时作业时均能实现实时避碰。所提的交通调度方法能有效解决多台四向车之间的交通冲突问题,为实现安全高效的自动化仓储提供一定的技术基础。

电驱动总成多场耦合数据驱动建模及瞬态温度场实时在线预测

开发电驱动总成(EDA)轻量级实时在线温度精确预测方法,对于提前有效监测其未来异常温度状态,确保车辆行驶安全至关重要。基于多物理场耦合与数据驱动融合建模,提出了EDA瞬态温度场在线预测方法。首先,建立EDA电-磁-热-流多物理场耦合有限元模型,并通过台架试验验证该模型准确性;其次,采用有限元模型生成了几种常规工况下的瞬态温度场数据集,以用于后续代理模型的测试验证;然后,结合有限元模型获取简化的热网络拓扑和图卷积神经网络,提出一种模型与数据双轮驱动建模的EDA时空关系图卷积神经网络预测模型;最后,通过不同工况下的离线仿真对比分析和台架在线测试,对所提出的温度预测模型进行有效性和实时性验证。实测离线数据集上的分析结果表明:全局预测误差和平均绝对误差分别为4.4和1.25℃,相较于常规时序图卷积神经网络和门控递归单元方法分别降低17.3%、28.1%和5.3%、29.3%。台架在线预测结果也与真实测量值十分接近,其全局预测误差和平均绝对误差为3.99和0.66℃。总之,所提出的实时在线温度预测方法可以准确预测EDA真实温度变化。

基于SVG的实时监控系统设计与实现

SVG克服了现有的基于象素的Web上的图形的缺点并且很好的融合了传统Web的标准,同时弥补了Web图形在动态性和交互式能力方面的不足。随着SVG逐渐成为网络中矢量图形的业界标准,SVG的应用领域也不断扩展。文章探讨了SVG在实时监控系统中的应用问题,利用SVG对图元对象的支持以及基于XML标准的事实,将实时监控系统从本地系统移植到Web应用上。利用SVG对图形交互的支持,实现了基于Web的实时监控系统的仿真调节,并从整体上阐述了基于SVG的实时监控系统的设计与实现。

一种基于图划分的人造红外目标实时分割算法

提出一种基于图划分的实时红外目标分割方法.选用规格化划分值作为区分目标和背景的最佳阈值选取的准则.该准则联合考虑了象素的灰度信息及其空间位置信息,因而分割红外目标比常规方法更为准确可靠.文章对该算法的时间复杂性及空间复杂性进行了分析,为满足实时处理的需要,对算法进行了简化处理,并定义四种方向的领域权值矩阵,提出一种快速查表的方法有效地解决了算法的实时性问题.试验结果表明,该方法能够有效地完成红外目标的准确分割,分割性能优于传统的Otsu准则和一维熵方法,同时,采用快速实现算法大大提高了该算法实时处理能力,节省了存储空间,从而使该算法在实际中能得到有效应用.

发电厂电气部分培训仿真系统数据库的设计及其特点

介绍了应用于发电厂电气部分培训仿真系统数据库设计及其特点，结合甘肃西固热电厂电气部分培训仿真系统数据库设计实例，对仿真系统数据库的实时性与快速性等特点作了分析，提出并实现了图形数据一体化和数据预处理在数据库中的应用。

动态图的实时三维可视化的稳定性算法

提出动态图的实时三维可视化及其稳定性的问题。讨论在图的实时重画中兼顾动态稳定性和美观性的平衡策略。在三维静态美观布局算法的基础上,给出了动态图的若干实时三维可视化的稳定性算法,并分析了这些算法的时间性能和适用范围。算法已应用在若干可视化编程环境。

一种新的基于图谱理论的图像阈值分割方法

提出了一种新的图像阈值分割方法,该方法采用图谱划分测度作为区分目标和背景的阈值分割准则.采用基于灰度级的权值矩阵来代替通常所用的基于图像像素的权值矩阵来描述图像各像素的关系,因而算法所需的存储空间及实现的复杂性与其他基于图论的图像分割方法相比大大减少,从而有利于应用在各种实时视觉系统(如自动目标识别,ATR).大量的实验结果表明:与现有的阈值分割方法相比,文中提出的方法具有更为优越的分割性能.