标签
BiMa-ECGSR 使用双向 Mamba 状态空间编码器-解码器(回归模型 BiMa-SR 或扩散模型 DiBiMa-CSR),从精简导联集重建标准 12 导联心电图。在 PTB-XL 和两个外部队列上,其表现均优于最小二乘线性基线,同时仅含 268 万参数的模型仍保持足够快的运行速度,满足实际应用需求。
Sleep2Word 提出了一种框架,利用具有时长感知能力的生理词元,将外周信号(呼吸、ECG、PPG)转换为整夜 EEG 频谱图。在涵盖 2 万余例多导睡眠监测(PSG)病例的 9 个数据集上,该框架在 EEG 重建、睡眠分期、觉醒检测和生存预测任务中的表现均优于基线方法。
作者演示了如何利用视频背景音中几乎听不见的螺旋桨飞机多普勒曲线,结合ADS-B航班数据、CPA延迟时间与静默过滤等多层筛选,把定位范围从数百万候选点压缩到最终确切位置,展示了音频信号在地理定位中的强大潜力。
Breakthrough Listen(突破聆听)计划和 SETI 研究所正在艾伦望远镜阵列上部署由 NVIDIA Holoscan 驱动的智能体 AI,以自主控制望远镜,并实时处理每秒数太比特的传感器数据——目前已首次实现利用 AI 实时探测到蟹状星云中的脉冲星。
该论文用信号处理工具审计了 DeepConf 等基于 token 置信度的推理链筛选方法,发现滑动窗口最小置信度分数主要度量的是链的长度,剔除长度因素后该分数对正确性几乎不携带额外信息,按长度排序效果相同甚至更好。
该论文提出一种跨尺度学习的非线性波形融合方法,用于通感一体化(ISAC)中的图像传输与多目标定位,在测试中将归一化定位误差降低约29%,同时提升图像PSNR。
该论文指出,现有的时间序列分词策略(分块分词和相位分词)会引入频谱泄漏和混叠等频谱失真,并提出了 TimeFT——一种无参数、几乎无失真的基于频率的分词器,可直接替换现有分词器,并提升预测、分类和异常检测任务的性能。
本文提出 TF-IG,一种参数高效的交互门控时频学习框架,用于基于 PPG 的心率估计,在 BIDMC PPG 数据集上以仅 84.6K 参数实现 1.227 BPM 的 MAE 和 0.9934 的皮尔逊相关系数。
Keelix 是一款全新的开源工具,它利用免费的 Sentinel-1 SAR 卫星图像,在不依赖 AIS 数据的情况下监控海军基地,通过雷达图像的前后对比来检测舰船的进出港情况并标记异常活动。该工具在 Norfolk 海军基地进行了为期 12 个月的验证,采用信号处理而非机器学习方法,实现了约 65% 的检测率和约 95% 的精确率。
NIST 研究人员提出了一种用于 O-RAN 网络射频干扰检测的统计集成方法(SEM),该方法可在异构 5G 环境中实现泛化,在分布偏移条件下优于机器学习(ML)和深度学习(DL)模型,同时通过非实时无线接入网智能控制器(Non-RT RIC)的 rApp 框架支持冷启动部署。
MontageFlow 是一个流匹配模型,通过将输出限制在满足 EEG 导联(montage)线性约束的子空间内,生成物理上有效的高保真临床 EEG 信号,在三个大规模基准上将 TS-FID 提升了 1.6–3.6 倍。
一篇技术评论文章,批评 OpenAI 在数学论文集中声称的更快快速傅里叶变换(FFT)算法,指出其改进微乎其微,更像是利用理论模型在硬件上并不实际可行的"恶意利用",而非真正的突破。
洛斯阿拉莫斯的研究人员通过引入循环小波解码集成,扩展了条件变分自编码器(VAE)框架,以根据冲击响应谱逆向合成冲击加速度波形。与传统的衰减正弦波叠加基线方法相比,该方法实现了更低的频谱误差,且每条波形的推理耗时为0.1–0.6毫秒。
一篇深入浅出的长文,讲述大肠杆菌(E. coli)趋化性——单细胞如何通过 CheY 信号分子、受体复合体与鞭毛马达实现类似嗅觉、记忆与决策的'智能'行为,展示蛋白质结构决定功能等系统生物学核心主题。
论文提出了动态频带划分(DBS)框架,可在固定的频带 token 预算下学习音频源分离中的频率轴划分方式,并在 DnR v2 数据集上将 BSRNN 和 TIGER 的平均 SI-SDR 分别提升至 9.07 dB 和 10.13 dB。
一种面向 MIMO 信道估计的时间序列条件扩散框架,利用 LSTM 编码时域动态特征,并结合信噪比门控的后期融合捷径,通过信噪比自适应的 DDIM 去噪实现 5G/6G 系统中的低时延推理。
提出了DenoFlow,一种基于整流流(rectified flow)的SSVEP脑电信号去噪方法,通过回归污染信号与干净信号间直线路径的速度场实现去噪,并在两个公开SSVEP数据集上超越了七个基线模型的信号保真度与解码准确率。
天津大学研究人员发布了一款仅重 3 克的非侵入式脑机接口,小到可以隐藏在头发之中,这是超轻量可穿戴神经技术领域的一项重要进展。
LiteEMG-FM 是一种高效的混合 CNN-Transformer 基础模型,基于 16 个肌电(EMG)数据集进行预训练,可实现鲁棒的零标定手势识别。论文通过分层唤醒门机制展示了其在资源受限边缘设备上的实时部署能力,并评估了不同卸载范式下的延迟、功耗与内存开销的权衡。
本文研究利用图神经网络编码器,将传感器网络和雷达产生的异构采样信号集合映射到固定维度、采样不变的嵌入空间,并通过在合成复值射频信号上进行波形判别来进行评估。