

新研究用AI预测癫痫发作，准确率达99.6% ；大数据十大发展趋势预测报告发布

京东云开发者

2019-12-09

导读：【本期要闻】：大数据十大发展趋势预测报告发布；边缘计算联手分布式云计算共同推进云计算 2.0 时期；Alphabet子公司让机器人学习垃圾分类......

行业要闻

Industry News

▲▲▲

大数据十大发展趋势预测报告发布

2019年12月5日，中国大数据技术大会（BDTC 2019）在北京长城饭店拉开序幕。中国计算机学会大数据专家委员会委员周涛先生代表CCF大数据专家委员会发布了《2020 年大数据发展趋势预测报告》，对大数据发展趋势做出十大预测。

除了10大趋势预测之外，CCF 大数据专家委员会还公布了关于大数据发展的单项调研，包括最令人瞩目的应用领域、取得应用和技术突破的数据类型等。

边缘计算联手分布式云计算共同推进云计算 2.0 时期

在 Gartner 发布的 2020 年十大战略技术趋势之中，有2条值得特别关注，分别是“边缘计算”以及“分布式云计算”。可以说，边缘计算的成熟以及云计算分布式架构运动的兴起，也许就在标志着云计算正在进入 2.0 时期。

2020 年，随着云计算边界不断被拓宽，数据价值不断被挖掘，越来越多的场景与设备开始被接入到互联网中，不同的场景、不同的数据催生了不同的需求。为了满足这些需求，在这样一个技术融合的关键节点，云、AI、5G 正在成为拉动各行各业向前狂奔的三驾马车，而 IoT 领域，正是受到这三架马车影响最深远的领域之一。

IoT 物联网的兴起，催生了边缘计算技术的成熟以及云计算架构的变革。这也是为什么 Gartner 选择将这两者纳入到 2020 年的技术十大发展趋势中来的原因所在。

Alphabet子公司让机器人学习垃圾分类，融入人类生活

Alphabet的子公司X（其前身为Google X）负责人Brondmo在日前发布的中期报告中对“每日机器人项目”的内容做了简要介绍。垃圾分类机器人通过模拟学习和强化学习，成功地将垃圾不可回收率从20%降至5%（例如垃圾桶的错误摆放，导致可回收的垃圾被误当作堆填垃圾）。

垃圾分类机器人除了能够帮助办公室有效减少错误的垃圾分类之外，还帮助X公司证明了其终极目标的可行性，即将机器人融入到人们每日生活之中。目前离实现目标（机器人就像我们每个人都离不开智能手机一样）还有很长的路要走，但垃圾分类机器人仍然是向着这一目标迈进的重要一步。

全球以太网交换机市场：思科收入下降5.6%

2019年第三季度全球以太网交换机市场（第2层/第3层）收入达到73.2亿美元，同比增长0.1%。与此同时，2019年第三季度全球企业和服务提供商（SP）路由器市场总收入同比增长0.8%，增至37.4亿美元。IDC 近日发表的《全球季度以太网交换机跟踪报告》和《全球季度路由器跟踪报告》公布了上述结果。

《全球季度以太网交换机跟踪报告》和《全球季度路由器跟踪报告》以一目了然的Excel数据透视表格式，披露了以太网交换机和路由器这两大技术的总体市场规模和供应商份额。

IoT 时代，架构简洁、开源的 RISC-V，将威胁 Arm？

随着物联网的爆发，有人认为物联网与边缘计算领域是RISC-V发展最大的机遇。对此，RISC-V创始团队关键学生之一、RIOS 图灵奖实验室副主任谭章熹表示，在新兴的智能系统里，RISC-V拥有很好的机会。因为从历史上来，X86、Arm都是随着新兴市场和新兴应用里的影响而获得成功：X86是桌面市场，Arm是靠手机市场。

目前来看，下一个指数形式增长市场可能就在边缘计算、物联网这样垂直、软硬件一体的市场里，它们对RISC-V是一个非常大的机遇。因为在新兴市场里，大家也在做全新的选择，RISC-V拥有灵活性、模块化、开放、安全的优点，会成为很多人的首选。

新研究用AI预测癫痫发作，准确率达99.6%

根据世界卫生组织(world Health Organization)的数据，全世界约有5000万的癫痫病人。大脑中细胞之间的电子信号交换有误时会引起癫痫发作，然而这往往很少、甚至没有提前预警。

路易斯安那大学拉斐特分校的两名研究人员Hisham Daoud和Magdy Bayoumi针对癫痫病发，开发了一种新的AI驱动模型——可以在发病前一小时内预测癫痫的发生率，准确率为99.6％。这项新开发的人工智能系统是对现有预测癫痫病发方法的重大飞跃。研究人员现在已经将注意力转向开发合适的硬件和芯片组，以充分实现他们的人工智能系统作为癫痫干预的可行解决方案。

学术前沿

Academic News

▲▲▲

基于图卷积（GCN）和规则卷积（CNN）的情绪识别

脑电信号因其易辨伪性、准确性高而被广泛应用于情绪识别。如何描述脑电信号与大脑活动区域之间的关系以及构建脑电情绪识别模型仍然是基于脑电图数据的情绪识别具有挑战性的课题。

东北大学的研究人员设计了一个图卷积宽度网络（GCB-Net）来研究脑电图结构数据更深层次的信息。它将 GCB-net 引入到情绪识别中，利用 EEG-channel 信号识别情绪，构建了可以探索图结构数据更深层次信息的网络。在这项工作中，首先使用图卷积层来处理图结构输入，然后堆叠多个规则 CNN 层来抽象深层特征。最后，将各个层次的输出连接起来，为模型提供广阔的搜索空间。

🔗 论文链接：

https://www.paperweekly.site/papers/3328