XiaoMi-AI文件搜索系统
World File Search System准确度
基于分割技术和小波变换的脑肿瘤分类
本文旨在提供使用磁共振图像 (MRI) 对脑肿瘤进行分割和分类的更好方法。在本文中，小波特征是通过使用连续小波变换 (2D-CWT) 将概率密度函数 (PDF) 转换为频谱图图像而形成的，这是一种简单的特征提取方法，而特征提取方法 (PDF 和 2D-CWT) 正在提高性能。此外，为了提高分割性能，使用形态学操作分割图像并使用卷积神经网络 (CNN) 作为分类器。在 BraTS2019 数据集上，该方法的性能是根据 F1 分数和肿瘤区域分割准确度来评估的。这取得了最好的结果，准确度和 F1 分数分别为 97.37% 和 97.43%。
机器人与控制杂志 (JRC) 第 5 卷，第 1 期，2024 年 ISSN：2715-5072，DOI：10.18196/jrc.v5i1.20057 27 革命性的无障碍设施：智能厨房
摘要 — 本研究旨在提高残疾人士的可及性和包容性。我们关注残疾人士在沟通、行动和日常任务管理方面面临的具体日常挑战，并推出了 AssistEase，这是一种突破性的智能轮椅解决方案，旨在通过提高行动能力、沟通能力和日常任务管理来增强残疾人士的能力。AssistEase 将为世界各地的残疾人群体做出贡献，让他们能够在确保行动能力的同时管理日常任务并更轻松地沟通。AssistEase 提供控制选项，例如免提语音控制、传统手动控制、基于智能手机的蓝牙控制或创新的手势控制，旨在满足不同用户的偏好和需求。它使用语音识别、计算机视觉和触觉 [92] 反馈等技术来帮助用户在避开障碍物的同时安全导航。它集成了 Flutter、TensorFlow、YOLOV8、全球定位系统 (GPS)、蓝牙和 Apple Home Kit 等技术，以及包括 Arduino 和 Raspberry PI 在内的硬件组件。初步试验表明，有需要的用户在行动能力、通信和日常任务方面都有所改善。它在引导轮椅使用者方面达到了 95% 的精确度，同时保持机械臂约 90% 的准确度，健康监测和位置跟踪达到 89%。此外，它还提供了一个控制准确度达 90% 的用户友好型应用程序。通信设备在促进用户通信方面具有 92% 的准确度，而手势控制则达到 90% 的准确度。为了推进 AssistEase 智能轮椅技术，需要进一步研究和开发以增强其对特定残障人士的适应性。AssistEase 体现了致力于创造一个更加包容和繁荣的社会的承诺，专注于为所有能力水平的个人提供创新和包容。
涉及感觉运动控制的多任务处理过程中的错误相关电位：脑机接口的 ERP 和离线解码研究
人类通过感知和应对错误来实现高效的行为。错误相关电位 (ErrP) 是在感知错误时发生的电生理反应。有人提出利用 ErrP 来提高脑机接口 (BCI) 的准确性，利用大脑的自然错误检测过程来提高系统性能。然而，外部和环境因素对 ErrP 可检测性的影响仍然不太清楚，特别是在涉及 BCI 操作和感觉运动控制的多任务场景中。在此，我们假设感觉运动控制的困难会导致多任务处理中的神经资源分散，从而导致 ErrP 特征的减少。为了检验这一点，我们进行了一项实验，其中指示参与者将球保持在板上的指定区域内，同时尝试通过运动想象控制显示屏上的光标。BCI 以 30% 的随机概率提供错误反馈。根据感觉运动控制的难度，我们采用了三种场景——无球（单任务）、轻量球（简单任务）和重量球（困难任务）——来描述 ErrP。此外，为了研究多任务对 ErrP-BCI 性能的影响，我们离线分析了单次试验分类准确度。与我们的假设相反，改变感觉运动控制的难度不会导致 ErrP 特征发生显著变化。然而，多任务会显著影响 ErrP 分类准确度。事后分析显示，在单任务 ErrP 上训练的分类器在困难任务场景下准确度降低。据我们所知，这项研究是首次在离线框架内研究在涉及感觉运动控制和 BCI 操作的多任务环境中 ErrP 是如何被调节的。尽管 ErrP 特征保持不变，但观察到的准确度变化表明，在实现基于 ErrP 的实时 BCI 之前，需要设计考虑任务负荷的分类器。
利用人工智能在 CT 中自动诊断胆脂瘤和乳突腔扩展
尽管对于 AI 研究来说病例数非常少，但我们能够创建一个仅使用轴向 CT 扫描的 AI，其 AUC 为 0.837，准确度为 0.811。
基于深度学习的扩散 MRI 脑组织分割
从扩散磁共振成像 (dMRI) 中分割脑组织类型是一项重要任务，有助于量化脑微结构并改进纤维束成像。当前的 dMRI 分割主要基于注册到 dMRI 空间的解剖 MRI (例如 T1 和 T2 加权) 分割。然而，与解剖 MRI 相比，dMRI 中的图像失真更多且图像分辨率更低，因此这种模态间配准具有挑战性。在本研究中，我们提出了一种用于扩散 MRI 分割的深度学习方法，我们将其称为 DDSeg。我们提出的方法从来自人类连接组计划 (HCP) 的高质量图像数据中学习组织分割，其中解剖 MRI 与 dMRI 的配准更为精确。然后，该方法能够直接从新的 dMRI 数据（包括使用不同采集协议收集的数据）预测组织分割，而无需解剖数据和模态间配准。我们训练卷积神经网络 (CNN) 来学习组织分割模型，使用一种新颖的增强目标损失函数来提高组织边界区域的准确度。为了进一步提高准确度，我们的方法将表征非高斯水分子扩散的扩散峰度成像 (DKI) 参数添加到传统的扩散张量成像参数中。DKI 参数是根据最近提出的平均峰度曲线方法计算得出的，该方法可以校正不合理的 DKI 参数值并提供区分组织类型的附加特征。我们在 HCP 数据上展示了较高的组织分割准确度，并且在将 HCP 训练模型应用于来自其他采集的分辨率较低且梯度方向较少的 dMRI 数据时也表现出较高的组织分割准确度。
我真心喜欢的 AI 趋势
亮点：• 打击人口贩卖——绝对特权！• 提取准确度高于志愿者 [Nature14] • 扩大大型模型 (HogWild！2011) NeurIPS 2020 年度测试
人工智能（AI）增强乳腺癌筛查
摘要引言如果人工智能 (AI) 算法能够检测出癌症（包括间隔期癌症），并且不会造成过度诊断，则它们有可能提高人群乳腺癌筛查计划的有效性。研究表明，人工智能的准确度与放射科医生通常使用的“丰富”数据集相当或更高，这些数据集中的癌症患病率高于人群筛查。常规筛查结果指标（癌症检测率和召回率）无法从这些数据集中估算出来，而且准确度估计值可能受到频谱偏差的影响，这限制了其在现实世界筛查中的普遍性。我们旨在通过比较人工智能和放射科医生在连续参加现实世界人群乳腺癌筛查计划的女性队列中的准确度来解决这些限制。方法与分析 从 2016 年 11 月至 2017 年 12 月，西澳大利亚州的两年一次的人口筛查项目 BreastScreen WA (BSWA) 收集了 109,000 名不同女性的回顾性连续数字乳房 X 线摄影筛查队列。该队列包括 761 例筛查发现的癌症和 235 例间期癌症。将从 BSWA 结果数据收集中提取放射科医生双重读取的描述性特征和结果。乳房 X 线摄影结果将由商业 AI 算法 (DeepHealth) 重新解释。将根据受试者工作特征曲线下面积的差异将 AI 准确度与放射科医生单次读取的准确度进行比较。将通过将每次筛查的第一位放射科医生读数与 AI 算法配对来估计 AI-放射科医生联合读数的癌症检测率和召回率，并与放射科医生双重读取的估计值进行比较。伦理与传播 本研究已获得妇女和新生儿健康服务伦理委员会 (EC00350) 和科廷大学人类研究伦理委员会 (HRE2020-0316) 的伦理批准。研究结果将发表在同行评审期刊上，并在国家和国际会议上发表。研究结果还将传播给澳大利亚乳腺癌筛查计划的利益相关者和人口筛查的政策制定者。
提高虚拟碰撞响应的可靠性：提示集成技术
摘要 在虚拟现实 (VR) 中，用户的虚拟化身可以通过与虚拟物体碰撞来与其交互。如果碰撞响应没有发生在用户期望的方向上，则在 VR 体育游戏等应用中，用户会体验到准确度和精确度的下降。在确定虚拟碰撞的响应时，现有的物理引擎没有考虑用户感知和估计碰撞的方向。基于线索整合理论，本研究提出了一个统计模型，解释用户如何根据身体的方向和速度矢量估计虚拟碰撞的方向。通过将虚拟碰撞响应设置在用户感知的方向上，虚拟碰撞的准确度和精确度可分别提高 8.77% 和 30.29%。
F900 系列风速和空气温度传感器
温度补偿范围：15-35°C (60-95°F)：测量范围：0-70°C (32-158°F) 准确度：读数的 ±5% 或 ±0.05m/s (10fpm) 测量准确度 1：±1°C (1.8°F) 读数的 ±10% 或 ±0.05m/s (10fpm) 分辨率：±0.1°C 重复性：读数的 ±1% 温度补偿范围：F900 是热气流传感器；它对空气密度的变化很敏感，并根据一组标准条件（25°C (77°F)、760mmHg (101.325kPa) 和 0%RH）指示速度。F900 的设计使得当在规定的温度补偿范围内使用时，传感器指示非常接近实际空气速度，并且只需要最小的补偿来考虑气压或高度的变化。相对湿度的变化影响很小，通常可以忽略不计。