Cérebro

O artigo "Optimizing Fluid Antenna Configurations for Constructive Interference Precoding" (arXiv:2507.11093) aborda um desafio significativo na evolução dos sistemas de comunicação sem fio: aprimorar o desempenho de transmissão de dados em sistemas de entrada múltipla, saída múltipla (MIMO) multiusuário. A pesquisa concentra-se na minimização da probabilidade máxima de erro de símbolo (SEP) em cenários de downlink equipados com o Sistema de Antena Líquida (FAS) e utilizando a pré-codificação de Interferência Construtiva (CI). O Sistema de Antena Líquida (FAS) surge como um conceito inovador na camada física, projetado para oferecer condições de propagação aprimoradas em comparação com as tradicionais matrizes fixas de antenas. Em um sistema FAS, cada elemento da antena pode se mover dentro de intervalos não sobrepostos, permitindo maior flexibilidade e otimização do ambiente de propagação sem fio. A pré-codificação de Interferência Construtiva (CI), por sua vez, é uma téc...

A normalização de dados é um passo fundamental e frequentemente subestimado no pipeline de pré-processamento para aplicações de deep learning em Eletroencefalografia (EEG). Com a crescente adoção de paradigmas de pré-treinamento em larga escala, como a aprendizagem autossupervisionada (Self-Supervised Learning - SSL), a natureza das tarefas em deep learning de EEG está mudando, levantando novas questões sobre as estratégias de normalização mais eficazes para diferentes propósitos. Um estudo recente disponível no arquivo arXiv investigou sistematicamente o impacto da granularidade da normalização (nível de gravação vs. nível de janela) e do escopo (entre canais vs. dentro do canal) em tarefas de deep learning supervisionadas e autossupervisionadas. Para a avaliação, foram utilizadas tarefas supervisionadas de previsão de idade e gênero, bem como aprendizagem autossupervisionada via Contrastive Predictive Coding. A pesquisa utilizou dados de EEG de alta densidade em estado de repouso ...

Um artigo recente publicado no arXiv propõe uma nova abordagem baseada em deep learning para a localização de múltiplas fontes utilizando exclusivamente medições de ângulo de chegada (AoA - Angle of Arrival). A pesquisa aborda um cenário dinâmico onde a plataforma receptora está em movimento, enquanto as fontes são consideradas estacionárias. Embora existam diversos métodos para localização de fonte única, o estudo destaca uma lacuna significativa na pesquisa focada em localização de múltiplas fontes em ambientes dinâmicos. Para preencher essa lacuna, os autores propõem uma estrutura baseada em deep learning que emprega modelos de segmentação semântica para realizar a localização multi-fonte. Especificamente, são utilizados os modelos UNet e UNet++ como base, que processam imagens de entrada codificando as posições da plataforma juntamente com as linhas de localização de direção correspondentes em cada posição. Ao analisar as interseções dessas linhas, os modelos são capazes de iden...

Um novo artigo de pesquisa introduz um framework open-source em Python e um conjunto de quatro datasets sintéticos de imagens de eletrocardiogramas (ECG), visando avançar tarefas críticas baseadas em deep learning na análise de ECG. O framework e os datasets resultantes são projetados para facilitar a digitalização de ECG, a detecção de regiões e nomes de derivações, e a segmentação de formas de onda em nível de pixel. Utilizando o dataset de sinais PTB-XL como base, o framework proposto gera quatro datasets de acesso aberto, cada um focado em um aspecto específico da análise de imagens de ECG. O primeiro dataset consiste em imagens de ECG em várias configurações de derivações pareadas com sinais de séries temporais para digitalização. O segundo fornece imagens de ECG anotadas com caixas delimitadoras no formato YOLO para a detecção de regiões e nomes de derivações. Os datasets três e quatro contêm imagens de derivação única recortadas com máscaras de segmentação compatíveis com mod...