论文要点小合集

1.Cross-modal guiding and reweighting network for multi-modal RSVP-based target detection

这篇论文的研究要点是：本研究引入了眼动（凝视和瞳孔信息）作为另一个有用的信息源，与基于脑电的BCI相结合，形成了一种新的目标检测系统，以检测RSVP任务中的目标图像。我们进行了RSVP实验，在目标检测任务期间同时记录了EEG信号和眼动信息，并构建了一个包括20个受试者的多模态数据集。此外，我们提出了一种跨模态引导和融合网络，以充分利用EEG和EYE模态并将它们融合以获得更好的RSVP解码性能。在这个网络中，构建了一个两个分支的骨干来从这两个模态中提取特征。提出了一个跨模态特征引导（CMFG）模块，以指导EYE模态特征以补充EEG模态以进行更好的特征提取。提出了一个多尺度多模态重新加权（MMR）模块，通过探索内部和跨模态交互来增强多模态特征。并且，提出了双激活融合（DAF）来调节增强的多模态特征以实现有效融合。我们提出的网络在收集到的数据集上实现了88.00%（±2.29）的平衡准确率。消融研究和可视化揭示了所提出模块的有效性。这项工作暗示着在RSVP任务中引入EYE模态的有效性。我们提出的网络是RSVP解码的一种有前途的方法，并进一步提高了基于RSVP的目标检测系统的性能。

2. Fetal heart rate variability: an ocean of meanings beyond ups and downs

该文主要论述胎心率信号的变异性（HRV）。

本文讨论了胎儿心率变异性 (HRV) 的复杂性和多维性。HRV 是指胎儿心率的变化，通常被认为是一种简单的“上升或下降”的指标，但实际上它是一个动态的、多维的模式，可以通过五个信号分析域来表达：统计、复杂性/熵、尺度不变性/分形、某些频率段/能量的谱功率和几何形状。这些动态变化和多维模式可以用于预测临床结果，如胎儿炎症反应综合征 (FIRS) 或过去炎症的记忆（易感染“第二次打击”），以及缺氧（例如，后期表现为胎儿生长受限）。作者认为，只有将 HRV 的数学理解纳入我们正在建立的多学科桥梁中，才能消除生理学家和产科医生之间的差距，并在产程中使用 FHR 监测来预防围产期脑损伤。

3. Generating post-hoc explanation from deep neural networks for multi-modal medical image analysis tasks

这篇论文的研究目的是解释深度神经网络（DNN）模型对多模态医学图像的决策。多模态医学图像是来自不同图像模态的多个医学图像，可视化相同的感兴趣区域，例如细胞、组织、病变或器官。每种成像模态提供互补信息，以促进临床决策过程。我们的方法采用常用的后期人工智能特征归因方法来解释DNN对多模态医学图像的决策，包括两类基于梯度和扰动的方法。梯度解释方法（如Guided BackProp、DeepLift）利用梯度信号估计模型预测的特征重要性。扰动法（如遮挡、LIME、kernel SHAP）利用输入-输出采样对估计特征重要性。我们描述了如何使这些方法适用于多模态图像输入，并提供了实现代码。

这篇论文的创新点在于提出了一种解释深度神经网络（DNN）模型对多模态医学图像的决策的方法，该方法采用常用的后期人工智能特征归因方法，包括两类基于梯度和扰动的方法。这些方法可以解释DNN对多模态医学图像的决策，并且可以适用于各种类型的DNN模型。

4. A lightweight fetal distress-assisted diagnosis model based on a cross-channel interactive attention mechanism

这篇论文提出了一种基于交互式跨通道注意力机制的轻量级胎儿窘迫辅助诊断模型，LW-FHRNet。该模型使用小波包分解技术将一维胎心率（FHR）信号转换为二维小波包系数矩阵图作为网络输入层，以充分获取FHR信号的特征信息。在ShuffleNet-v2的基础上，引入了局部交互式跨通道注意力机制，以增强模型提取特征的能力，并在不降低维度的情况下实现多通道特征的有效融合。该论文使用公开可用的数据库CTU-UHB进行网络性能评估，LW-FHRNet实现了95.24%的准确率，满足或超过基于深度学习的模型的分类结果。此外，与深度学习模型相比，模型参数数量减少了许多倍，模型参数大小仅为0.33 M。结果表明，本文提出的轻量级模型可以有效地辅助胎儿窘迫诊断。