针对传统算法在抗光照变化影响、大位移光流和异质点滤除等方面的不足,从人类视觉认知机理出发,提出了一种基于机器学习和生物模型的运动自适应V1-MT (motion-adaptive V1-MT,MAV1MT)序列图像光流估计算法.首先,引入基于ROF模型的结构纹理分解(structure-texture decomposition,STD)技术,有效解决了光照和色彩变化的影响.其次,利用多V1细胞加权组合及非线性正则化模拟MT细胞模型,并结合岭回归训练学习得到运动自适应的权重,解决对目标的运动速度感知问题.最后,引入由粗到精的增强方法和图像金字塔局部运动估计采样,将V1-MT运动估计模型应用于实际大位移视频序列.理论分析和实验结果表明,新方法能更加拟合人眼视觉信息处理特性,对视频序列具有普适、有效、鲁棒的运动感知性能

大数据是多源异构的。在信息技术飞速发展的今天，多模态数据已成为近来数据资源的主要形式。研究多模态学习方法，赋予计算机理解多源异构海量数据的能力具有重要价值。本文归纳了多模态的定义与多模态学习的基本任务，介绍了多模态学习的认知机理与发展过程。在此基础上，重点综述了多模态统计学习方法与深度学习方法。此外，本文系统归纳了近两年较为新颖的基于对抗学习的跨模态匹配与生成技术。本文总结了多模态学习的主要形式，并对未来可能的研究方向进行思考与展望

高质量睡眠与儿童的身体发育、认知功能、学习和注意力密切相关，由于儿童睡眠障碍的早期症状不明显，需要进行长期监测，因此急需找到一种适用于儿童睡眠监测，且能够提前预防和诊断此类疾病的方法。多导睡眠图(Polysomnography，PSG)是临床指南推荐的睡眠障碍基本检测方法，通过观察PSG各睡眠期间的变化和规律，对睡眠质量评估和睡眠障碍识别具有基础作用。本文对儿童睡眠分期进行了研究，利用多导睡眠图记录的单通道脑电信号，在Alexnet的基础上，用一维卷积代替二维卷积，提出一种1D-CNN结构，由5个卷积层、3个池化层和3个全连接层组成，并在1D-CNN中添加了批量归一化层（Batch normalization layer），保持卷积核的大小保持不变。针对数据集少的情况，采用了重叠的方法对数据集进行了扩充。实验结果表明，该模型儿童睡眠分期的准确率为84.3%。通过北京市儿童医院的PSG数据获得的归一化混淆矩阵，可以看出，Wake、N2、N3和REM期睡眠的分类性能很好。对于N1期睡眠，存在将N1期睡眠被误分类为Wake、N2和REM期睡眠的情况，因此以后的工作应重点提升N1期睡眠的准确性。总体而言，对于基于带有睡眠阶段标记的单通道EEG的自动睡眠分期，本文提出的1D-CNN模型可以实现针对于儿童的自动睡眠分期。在未来的工作中，仍需要研究开发更适合于儿童的睡眠分期策略，在更大数据量的基础上进行实验

《大学生心理健康教育》是适应大学生自我成长的需要而开设的，本课程紧紧围绕大学生的身心特点、生活环境、常见的生活事件以及心理问题展开专题讲解与心理训练，提供必要的心理学技术与方法，目的是提高大学生的自我认知能力，促进大学生的心理成长、潜能开发，增进大学生的社会适应能力，健全大学生的人格，从而在总体上提高大学生的心理素质。因此，本课程在人材培养中具有重要的地位和作用

第一节 学龄儿童的生理发展 身体的生长发育 大脑的发展 运动技能的发展 第二节 学龄儿童的认知发展 学龄儿童的注意发展 学龄儿童的记忆发展 学龄儿童的思维发展 第三节 学龄儿童的人格与社会性发展 自我的发展 情绪情感发展 人际关系 观点采择能力的发展 亲社会行为 道德判断

第一节 青少年的生理发展 ■身体的生长发育 ■大脑的发展 第二节 青少年的认知发展 ■执行功能的发展 ■思维的特点 第三节 青少年的人格与社会性发展 ■同一性的发展 ■情绪调节的发展 ■人际关系 ■道德推理能力的发展 ■问题行为

一.复习瑜伽美体瘦身组合： 三．目标：1、对瑜伽体式有初步的了解与认知。 2、通过把感官、身体与有意识的呼吸相配合来实现身体的控制，慢慢懂得与 自己的身体对话，探索自己的身体，激发人体潜在能量从而促进身体健康

一学习瑜伽美体瘦身组合。 二目标：1、对瑜伽体式有初步的了解与认知

一.学习瑜伽体式：直角侧抬腿式，船式，蝴蝶式。 二.目标：1、对瑜伽体式有初步的了解与认知

一.学习瑜伽体式：桥式，蛇伸展式，蹬自行车式。 二.复习：猫式，骆驼式，门闩式 三．目标：1、对瑜伽体式有初步的了解与认知