Automatic driving vehicles have been developed to provide more convenient and comfortable driving experiences. However, these vehicles failed in satisfying the variance of human intentions. Recently, the strategy of collaborating brain–computer interface (BCI) controlling and automatic driving receives attention. Since the BCI system remained some limitation in real-time controlling, a fusion method has been proposed to explore and verify the feasibility of human-vehicle collaborative driving in this paper. A hybrid BCI was developed to interpret human intentions. In addition, a computer vision-based automatic driving component was developed to maintain the vehicle on the road. A system for fusing these two kinds of vehicle driving decisions was first proposed in this paper. This system can simultaneously obtain the visual data and the hybrid electroencephalograph (EEG) signals. The hybrid EEG signals consist of steady-state visual evoked potentials and motor imagery. The obtained multisource information can be fused to make the final decision to drive a simulated vehicle. The proposed system was evaluated with different destinations. The experimental results verify the feasibility of fusing both human intention and computer vision. The task success rate reached 91.1% and the information transfer rate was 85.80 bit/min.

Predicting disease-associated genes is helpful for understanding the molecular mechanisms during the disease progression. Since the pathological mechanisms of neurodegenerative diseases are very complex, traditional statistic-based methods are not suitable for identifying key genes related to the disease development. Recent studies have shown that the computational models with deep structure can learn automatically the features of biological data, which is useful for exploring the characteristics of gene expression during the disease progression. In this paper, we propose a deep learning approach based on the restricted Boltzmann machine to analyze the RNA-seq data of Huntington’s disease, namely stacked restricted Boltzmann machine (SRBM). According to the SRBM, we also design a novel framework to screen the key genes during the Huntington’s disease development. In this work, we assume that the effects of regulatory factors can be captured by the hierarchical structure and narrow hidden layers of the SRBM. First, we select disease-associated factors with different time period datasets according to the differentially activated neurons in hidden layers. Then, we select disease-associated genes according to the changes of the gene energy in SRBM at different time periods. The experimental results demonstrate that SRBM can detect the important information for differential analysis of time series gene expression datasets. The identification accuracy of the disease-associated genes is improved to some extent using the novel framework. Moreover, the prediction precision of disease-associated genes for top ranking genes using SRBM is effectively improved compared with that of the state of the art methods.

Micro-turbojet is widely used in civil aviation due to high thrust-to-weight ratio, superior combustion efficiency and low fuel consumption. In order to exert the operation effect of micro-turbojet aircraft, it is very important to adjust the parameters of PID controller. The efficiency and accuracy of parameter tuning tests are determined by the platform used. However, existing platforms are limited to single tests, making the process complex and reliant on the experience of testing personnel. In order to optimize the tuning test of micro-turbojet aircraft, this study designed a new aircraft tuning platform based on BP neural network and fuzzy algorithm. The platform focuses on controlling the steering gear and electric cylinder. It adjusts the multidimensional parameters of the aircraft and determines the thrust of each turbojet engine, serving as the basis for evaluating optimization effects. This ensures improved adaptability and robustness of the aircraft. The feasibility of the parameter adjustment platform is verified by simulation. The tracking error peak value is ±0.088, which realizes the goal of multiple parameter adjustment in a single test. The results of this study offer robust support for advancing micro-turbojet technology. They also establish a solid foundation for extending its application into areas such as unmanned aerial vehicles and small-scale commercial aircraft.

The human hand possesses remarkable dexterity and performs intricate tasks. Developing a reliable myoelectric prosthetic system for amputees is crucial. Although surface electromyographic (sEMG) signals have been utilized, their vulnerability to interference presents hurdles in hand movement identification. This work proposes a machine learning-based system for accurate recognition of hand movements. During the offline training process, artificial neural networks (ANN) have demonstrated superior performance compared to support vector machines and k-nearest neighbors, achieving a recognition rate of 99.63%. It underscores the exceptional ability of ANNs to learn complex nonlinear relationships within sEMG signals. Online experiments with a majority voting approach validated the feasibility of the system, reaching an average accuracy of 93.33%. This work provides technical support for fine control in myoelectric prosthesis, promising an improved quality of life for amputees.

With the rapid development of digital communication and the widespread use of the Internet of Things, multi-view image compression has attracted increasing attention as a fundamental technology for image data communication. Multi-view image compression aims to improve compression efficiency by leveraging correlations between images. However, the requirement of synchronization and inter-image communication at the encoder side poses significant challenges, especially for constrained devices. In this study, we introduce a novel distributed image compression model based on the attention mechanism to address the challenges associated with the availability of side information only during decoding. Our model integrates an encoder network, a quantization module, and a decoder network, to ensure both high compression performance and high-quality image reconstruction. The encoder uses a deep Convolutional Neural Network (CNN) to extract high-level features from the input image, which then pass through the quantization module for further compression before undergoing lossless entropy coding. The decoder of our model consists of three main components that allow us to fully exploit the information within and between images on the decoder side. Specifically, we first introduce a channel-spatial attention module to capture and refine information within individual image feature maps. Second, we employ a semi-coupled convolution module to extract both shared and specific information in images. Finally, a cross-attention module is employed to fuse mutual information extracted from side information. The effectiveness of our model is validated on various datasets, including KITTI Stereo and Cityscapes. The results highlight the superior compression capabilities of our method, surpassing state-of-the-art techniques.