首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
您找到你想要的搜索结果了吗?
是的
没有找到

清华大学《大数据实践课》2022年夏季学期期末答辩顺利举行

8月18日上午,由清华大学研究生院和软件学院共同开设的大数据能力提升项目实践模块必修课——《大数据实践课》在线上进行了期末答辩和成果展示。 授课教师、软件学院闻立杰副教授首先对实践课近八周以来的项目进展情况进行了整体回顾,肯定了同学们在期中答辩时的表现,同时感谢各合作单位和企业导师们提供的真实数据、系统、算力以及对同学们耐心细致的指导,最后预祝同学们答辩顺利。 本次课程的12个实践项目均为企业提供的真实项目,涉及电力、石化、建筑、医疗等行业,来自土木水利学院、环境学院、经管学院等24个院系的同学们依次以小

02

2022年清华大学大数据研究中心 | 招募夏季学期《大数据实践课》合作企业

一、大数据研究中心简介 清华大学大数据研究中心于2018年9月成立,是清华大学建设世界一流大学、鼓励大数据领域的学科交叉的重要举措,是深入推进科研体制机制改革的重要里程碑。大数据研究中心发挥清华大学多学科的优势,面向全球数字经济转型的迫切需求,服务国家大数据发展战略,聚焦信息科技前沿,促进数据科学理论、大数据技术与大数据领域应用等多个层次的深度交叉与融合发展,建设国际数据科学与大数据技术创新研究平台。突破大数据系统软件性能瓶颈,研究自主可控的领先关键技术,形成产学研用的国家大数据系统软件创新平台,力争为跨学

02

智能遥感:AI赋能遥感技术

随着人工智能的发展和落地应用,以地理空间大数据为基础,利用人工智能技术对遥感数据智能分析与解译成为未来发展趋势。本文以遥感数据转化过程中对观测对象的整体观测、分析解译与规律挖掘为主线,通过综合国内外文献和相关报道,梳理了该领域在遥感数据精准处理、遥感数据时空处理与分析、遥感目标要素分类识别、遥感数据关联挖掘以及遥感开源数据集和共享平台等方面的研究现状和进展。首先,针对遥感数据精准处理任务,从光学、SAR等遥感数据成像质量提升和低质图像重建两个方面对精细化处理研究进展进行了回顾,并从遥感图像的局部特征匹配和区域特征匹配两个方面对定量化提升研究进展进行了回顾。其次,针对遥感数据时空处理与分析任务,从遥感影像时间序列修复和多源遥感时空融合两个方面对其研究进展进行了回顾。再次,针对遥感目标要素分类识别任务,从典型地物要素提取和多要素并行提取两个方面对其研究进展进行了回顾。最后,针对遥感数据关联挖掘任务,从数据组织关联、专业知识图谱构建两个方面对其研究进展进行了回顾。

07

作为一种连续现象的EEG微状态

近年来,脑电微状态分析作为一种描述大规模电生理数据时空动态性特征的工具得到了广泛的应用。脑电微状态被认为存在两种假设:(1)“胜者为王”,即任何给定时间点的地形图都处于一种状态;(2)从一种状态离散地转换到另一种状态。在本研究中,我们从脑电数据的几何角度研究了这些假设,将微状态地形作为原始通道空间子空间的基向量。我们发现,微状态内和微状态间的距离分布在很大程度上是重叠的:对于低全局场强 (GFP)范围,标记为一个微状态的单个时间点通常与多个微状态向量等距,这挑战了“胜者为王”的假设。在高场强下,微状态的可分性有所改善,但仍然较弱。虽然许多GFP峰(用于定义微状态的时间点)出现在高GFP范围内,但与较差可分性相关的低GFP范围也包含GFP峰。此外,几何分析表明,微状态及其跃迁看起来更像是连续的,而不是离散的,传感器空间轨迹变化率的分析显示了渐进的微状态转变。综上所述,我们的发现表明,脑电微状态被认为在空间和时间上是连续的更好,而不是神经集群的离散激活。 1.背景 基于脑电地形图具有准稳定模式的发现,研究人员描述这些稳定的地形图为脑电微状态。脑电微状态分析被认为是研究许多认知过程的神经特征的有效方法,也是研究脑电动态性并将之与认知和疾病联系起来的一种有效的方法。 当前的微状态模型基于两个关键假设,其中之一就是在任何时间点都存在一个单一的状态,即“胜者为王”原则。在脑电数据的几何角度下,M通道脑电数据集可以概念化为M维空间,每个时间点的地形对应于该M维空间中的一个坐标。微状态分析也可以看作是一种降维技术,它将每个微状态概念化为一维子空间,即表征为传感器空间中的向量。目前,将脑电数据紧密分布在(少量)微状态向量周围的假设称为离散性假设。如果微状态分析的离散性假设成立,那么与每个微状态相关的数据点应该紧密地分布在其父向量的周围,并且快速过渡到另一个微状态。 本研究使用标准微状态分析并结合经验和仿真数据的正交投影距离来表明,在传感器空间中,一个微状态内的时间点不一定局限于其父微状态向量周围。相反,单个时间点的地形图可以接近于多个微状态,并且取决于全局场功率,并且随着时间的推移而平滑地改变。因此,本研究表明,时空离散性的假设可能不能准确地捕捉到微状态的本质。此外,我们还证明了主成分分析可以用来可视化3D中的数据分布,因为它保留了不同聚类之间和聚类内的距离。 2.材料与方法 2.1 数据描述 本研究中,我们分析了两个数据集。我们使用了68名对照组和46名抑郁症/高BDI组,数据以500 Hz重新采样。 2.2 实验装置 使用64通道神经扫描系统记录数据,电极布置符合10-10国际系统。 2.3 数据分析 使用MATLAB中的EEGLAB工具箱导入数据进行分析。这些数据最初有66个通道,其中60个通道被保留下来进行分析。在进一步分析之前进行平均参考。然后,对数据进行1-30 Hz的带通滤波。执行ICA后手动清理数据。去除无关的伪影成分。 2.4 微状态分析 微状态分析算法包括以下步骤: (1)我们使用L1范数来计算GFP。这产生了GFP的时间序列,它反映了随着时间推移地形中的总能量(图1A-B)。 (2)GFP(t)的局部最大值被送到改进的k-均值聚类算法(步骤3-7)(图1C)。我们选择了四个聚类进行分析。 (3)聚类过程从随机选择n个模板图开始,其中n是聚类或微状态图的数量。 (4)利用GFP峰值数据计算n个模板图的空间相关性。取空间相关性的绝对值确保结果不依赖于地形图极性。 (5)计算模板图的解释方差。 (6)重新定义模板图,通过从每个聚类中提取所有地形图的第一主成分来实现。 (7)重复步骤4至6,直到解释方差不随迭代次数增加而改善。 (8)选择一组新的n个随机选择的模板图,并重复步骤3到7。最后,选择解释方差最大的一组模板图作为最终的微状态向量。

01
领券