1. Лапласианская гауссовская модель смеси для поверхностных ЭМГ-сигналов активности руки человека(arXiv)

Автор:Дургеш Кусуру, Аниш Ч. Турлапати, Майнак Тхакур

Аннотация: Функция плотности вероятности (PDF) сигналов поверхностной электромиографии (sEMG) следует любому из отдельных стандартных распределений: гауссовскому или лапласианскому. Кроме того, выбор модели зависит от уровня силы сокращения мышц (MCF). Таким образом, предлагается единая модель, объясняющая статистическую природу сигналов sEMG на разных уровнях MCF. В этой статье мы предлагаем модель лапласовской гауссовой смеси (LGM) для сигналов, записанных от верхних конечностей. Эта модель способна объяснить сигналы sEMG от различных действий, соответствующих разным уровням MCF. Модель тестируется на различных эталонных наборах данных sEMG и проверяется как с качественной, так и с количественной точки зрения. Определено, что для низких и средних уровней силы сокращения предлагаемая модель смеси является более точной, чем модели Лапласа и Гаусса. Принимая во внимание, что для высокого уровня силы сокращения модель LGM ведет себя как модель Гаусса. Анализируются веса смешивания модели LGM, и наблюдается, что для низких и средних уровней MCF оба веса смешивания модели LGM вносят свой вклад. Принимая во внимание, что для высоких уровней силы сжатия вес Лапласа становится слабее. Предлагаемая модель LGM для сигналов sEMG от верхних конечностей объясняет сигналы sEMG на разных уровнях MCF. Предлагаемая модель помогает лучше понять статистическую природу сигналов sEMG и лучше представить признаки в задачах классификации.

2. Выявление горячих субкарликов по фотометрическим данным с использованием смешанной модели Гаусса и графовой нейронной сети(arXiv)

Автор:Вэй Лю, Юдэ Бу, Сяомин Конг, Чжэньпин И, Мэн Лю

Аннотация: горячие субкарлики очень важны для понимания звездной эволюции, звездной астрофизики и двойных звездных систем. Идентификация большего количества таких звезд может помочь нам лучше понять их статистическое распределение, свойства и эволюцию. В этой статье мы представляем новый метод поиска горячих субкарликов в фотометрических данных (b, y, g, r, i, z) с использованием алгоритма машинного обучения, графовой нейронной сети и смешанной модели Гаусса. Мы используем смешанную модель Гаусса и расстояние Маркова для построения структуры графа, а в структуре графа мы используем нейронную сеть графа для идентификации горячих субкарликов из 86 084 звезд, когда полнота, точность и оценка f1 максимальны на исходные, весовые и синтетические наборы данных метода передискретизации меньшинства. Наконец, из 21 885 кандидатов мы отобрали примерно 6 000 звезд, наиболее похожих на горячую звезду-субкарлик. △