系统:8月7日

毫升利用现有医院病人数据检测问题
关注紧急和重要护理病人,一个密歇根大学分拆等第五眼,已经开发出一种系统,结合机器学习算法与信号处理监控医院患者的自主神经系统和解释数据每两分钟,有时会近两天的速度比传统的生命体征如心率和血压。

技术从第五眼可以预测患者是否会恶化之前几个小时正常生命体征信号发生问题,以及监控和其他脑外伤和预测患者继发损伤。

举个例子,一个病人经历内出血而从手术中恢复,在数据的回顾性分析,使用传统的生命体征如心率和血压,医生花了37个小时再发现问题比第五眼系统,研究小组说。这项技术可能会改善病人的结果和缩短他们留下来。

这种技术使医生和护士血流动力学恶化的预警,Jen Baird表示,首席执行官五眼。“他们是兴奋,因为我们可以提供即时反馈治疗他们。一些人甚至形容这样的检测血流动力学不稳定的圣杯的反馈。”

而不是使用传统的生命体征检测病人恶化,第五眼分析使用了一个流媒体心电图,并根据心脏的活动,它可以预测一个人的身体是补偿。

“任何病人在医院目前监测心电图,心电图,有可能从这个产品中获益,”贝尔德说。

贝尔德,密歇根大学的校友和企业家,与三个密歇根综合研究中心的研究人员急救护理(MCIRCC)从密歇根大学创建启动与技术许可。

技术的应用前景很大,和独特的是,该技术使用的数据已经生成的,没有新东西。

关键是结合一个高度多学科小组致力于发展一个拯救生命的“大数据”precision-medicine工具同时理解需要培养一个至关重要的业务案例将想法的影响,研究人员指出。

使用机器学习和开发复杂的信号处理,密歇根大学投资收集超过200医院病床的病人数据。这丰富的数据集被用来做最初的技术验证,但分析仍然需要FDA批准之前,它可以用于病人,Baird希望在2019年将被清除。

现代计算机视觉系统发现的关键弱点
发现可能的方式指向更好计算机视觉系统,布朗大学研究显示电脑为什么那么糟糕时看到有一件事是不喜欢另一个。

上周的一篇论文中提出了认知科学协会的年会上,布朗团队揭示了为什么电脑坏在这些类型的任务,并建议途径向聪明的计算机视觉系统。

当这些东西并不像其他之一
电脑是伟大的分类图像基于对象,但他们不善于找出如果两个对象在一个图像相同或不同的。新的研究有助于解释为什么这些任务对电脑太困难了。
来源:布朗大学

Thomas Serre副教授的认知、语言和心理科学布朗和文章的资深作者说,“有很多兴奋计算机视觉已经能够实现什么,和我分享很多,但我们认为通过努力了解当前计算机视觉系统的局限性,我们所做的,我们可以走向新的更先进的系统而不是简单地调整系统我们已经有了。”

Serre研究说,他和他的同事使用先进的计算机视觉算法来分析包含两个或两个以上的随机生成简单的黑白图像的形状。在某些情况下,对象都是相同的;有时他们是相同的,但一个对象旋转的;有时,对象是完全不同的。电脑被要求识别相同或不同的关系。

研究表明,即使在成千上万的训练示例中,没有比机会识别的算法适当的关系。然后,问题是为什么这些系统在这个任务如此糟糕。

研究人员怀疑,这与这些计算机视觉算法无法一一列举对象。他们发现问题的根源在区分对象是机器学习系统的体系结构,权力的算法。算法使用卷积神经网络——层松散的连接处理单元模拟的大脑神经元网络。从大脑的一个关键区别在于人工网络是专门“前馈”——这意味着信息单向流经网络的层次,但这不是人类的视觉系统是如何工作的,Serre说。

“如果你看看我们的视觉系统的解剖学,你会发现有很多重复的连接,信息从一个更高的视觉区较低的视觉区,通过“Serre说。
虽然不清楚这些反馈是什么做的,Serre说,很有可能他们已经与我们关注的某些部分的能力我们的视野,使心理表征对象的思想。

研究小组推测,电脑什么都做不了这样的原因是由于前馈神经网络不允许所需的反复处理这个对象的个性化和心理表征。可能是使计算机视觉智能神经网络需要更真实地模拟人类视觉处理的复发性自然,他们总结道。

毫升现代科学实验中用于处理大数据
一组研究人员,包括科学家能源部SLAC国家加速器实验室和费米国家加速器实验室,总结当前的应用和未来的前景机器学习在粒子物理学在最近发表的一篇论文。

线性和世界各地的研究人员越来越多地使用机器学习来处理大数据生产的现代实验和研究宇宙的一些最基本的属性。
来源:线性

作者亚历山大Radovic威廉与玛丽学院,工作在NOvA中微子实验说,“相比传统的计算机算法,我们设计一个特定的分析,我们设计一个机器学习算法来找出自己如何做各种分析,潜在的节省我们无数小时的设计和分析工作。”

实验在大型强子对撞机(LHC),世界上最大的粒子加速器在欧洲粒子物理实验室CERN,生产约每秒一百万字节的数据。即使减少和压缩,数据收集在一个小时类似于数据量Facebook收集一整年,太多的存储和分析。处理在现代产生的巨大的数据量在大型强子对撞机的实验,研究人员运用他们所称的“触发器”——专门的硬件和软件,实时决定哪些数据继续进行分析和数据扔掉,小组报告。

在奇迹,一个实验,可以解释为什么有那么多宇宙中物质比反物质,机器学习算法使至少70%的这些决定,说LHCb从麻省理工学院的科学家迈克·威廉姆斯,新论文的作者之一。“机器学习扮演了一个角色在几乎所有方面的实验数据,从触发到剩余的数据的分析,”他说。

机器学习领域的被证明是非常成功的分析。巨大的ATLAS和CMS探测器在大型强子对撞机,使希格斯玻色子的发现,都有成千上万的传感元素的信号需要放在一起获得有意义的结果,研究人员说。”这些信号组成一个复杂的数据空间,”迈克尔·卡根说从线性、阿特拉斯和工作也是一个作家在纸上审查。“我们需要理解它们之间的关系提出的结论,例如,某个粒子跟踪探测器是由一个电子,光子或别的东西。”

阅读更多关于当前和未来的项目,见原文在这里。