XiaoMi-AI文件搜索系统
World File Search System准确度
运动想象脑中基于相关性的通道选择......
摘要。目的：基于脑电图 (EEG) 的脑机接口 (BCI) 中的通道选择已进行了二十多年的广泛研究，目的是选择最佳的主体特定通道，以提高 BCI 的整体解码效率。随着基于深度学习 (DL) 的 BCI 模型的出现，需要新的视角和新颖的技术来进行通道选择。在这方面，与主体无关的通道选择很重要，因为使用跨主体数据训练的 DL 模型提供了卓越的性能，并且 EEG 特征的固有主体间变异性对与主体无关的 DL 训练的影响尚不完全清楚。方法：在这里，我们提出了一种在基于 DL 的运动想象 (MI)-BCI 中实现与主体无关的通道选择的新方法，使用逐层相关性传播 (LRP) 和神经网络修剪。实验使用来自韩国大学 (KU) EEG 数据集的 Deep ConvNet 和 62 通道 MI 数据进行。主要结果：使用我们提出的方法，由于 LRP 选择高度相关的通道，我们将通道数量减少了 61%，而与受试者无关的分类准确度没有任何显著下降（p=0.09）。基于 LRP 相关性的通道选择与传统的基于权重的选择相比提供了明显更好的准确度，同时使用了不到 40% 的总通道数，准确度差异范围为 5.96% 至 1.72%。仅使用总通道数 16% 的适应稀疏 LRP 模型的性能与适应基线模型的性能相似（p=0.13）。此外，仅使用总通道数 35% 的适应稀疏 LRP 模型的准确度比适应基线模型高出 0.53%（p=0.81）。对 LRP 选择的通道的分析证实了选择的神经生理学合理性，并强调了运动、顶叶和枕叶通道对 MI-EEG 分类的影响。意义：所提出的方法解决了 EEG-BCI 解码中的一个传统问题，同时与 BCI 领域的最新发展相关且适用。我们相信，我们的工作带来了模型可解释性作为一种解决问题的技术的有趣且重要的应用。
IAES国际人工智能杂志（IJ-AI）
尽管网络架构性能取得了实质性进步，但对抗性攻击的敏感性使深度学习难以在安全关键型应用中实施。本文提出了一种以数据为中心的方法来解决这个问题。一种具有不同亮度值的非局部去噪方法已被用于从修改后的国家标准与技术研究所数据库 (MNIST) 和加拿大高级研究中心 (CIFAR-10) 数据集生成对抗性示例。在扰动下，该方法在 MNIST 数据集中提供了高达 9.3% 的绝对准确度提高，在 CIFAR-10 数据集中提供了高达 13% 的绝对准确度提高。使用具有更高亮度值的变换后图像进行训练可提高分类器的鲁棒性。我们已经证明迁移学习不利于对抗性机器学习。结果表明，简单的对抗性示例可以提高弹性并使深度学习更易于应用于各种应用。
节能的受大脑启发的超维......
摘要 — 近年来，受脑启发的超维计算 (HDC) 在医疗诊断、人类活动识别和语音分类等广泛应用中展示了良好的性能。尽管 HDC 越来越受欢迎，但其以内存为中心的计算特性使得联想内存实现由于海量数据的存储和处理而能耗巨大。在本文中，我们提出了一个系统的案例研究，利用 HDC 的应用级错误恢复能力，通过电压调节来降低 HDC 联想内存的能耗。对各种应用的评估结果表明，我们提出的方法可以在联想内存上节省 47.6% 的能耗，而准确度损失不超过 1%。我们进一步探索了两种低成本的错误屏蔽方法：字屏蔽和位屏蔽，以减轻电压调节引起的错误的影响。实验结果表明，提出的字屏蔽（位屏蔽）方法可以进一步提高节能效果，最高可达 62.3%（72.5%），准确度损失不超过 1%。
节能且注重隐私的社交距离......
摘要 — 低分辨率红外 (IR) 传感器与机器学习 (ML) 相结合，可用于在室内空间实施隐私保护社交距离监控解决方案。然而，需要在物联网 (IoT) 边缘节点上执行这些应用程序，这使得能源消耗至关重要。在这项工作中，我们提出了一种节能的自适应推理解决方案，由一个简单的唤醒触发器和一个 8 位量化卷积神经网络 (CNN) 的级联组成，该解决方案仅用于难以分类的帧。在物联网微控制器上部署这种自适应系统，我们表明，在处理 8x8 低分辨率红外传感器的输出时，与基于静态 CNN 的方法相比，我们能够将能耗降低 37-57%，准确度下降不到 2%（83% 的平衡准确度）。索引术语 — 边缘计算、自适应推理、社交距离、能源效率、红外传感器
调查长期非...的潜在临床意义
为了确定 LINC00092 诊断 BC 的特异性和敏感性，我们接下来进行了 ROC 曲线分析，并使用 MedCalc 软件计算了 ROC 曲线下面积 (AUC)。为了进一步评估 LINC00092 在诊断 BC 方面的有效性，我们使用 TCGA 数据库通过逻辑回归模型进行了五重交叉验证。逻辑回归模型的性能是根据其精确度、召回率、准确度和 F1 分数来评估的。高精度反映了 LINC00092 预测 BC 的高精度；召回率是指真阳性数除以实际阳性数；准确度定义为所有病例中正确预测结果的比例。选择 F1 分数作为综合评价指标，因为精度和召回率相互影响，并且它们的值不可能同时达到最佳大值。F1 分数是通过对精度和召回率取调和平均值来计算的。
“卫生技术评估方法...
摘要 我们回顾了评估诊断测试经济价值的医学经济学文献。我们首先介绍应用于一般健康干预的卫生技术评估方法。然后，我们定义研究对象、诊断和预后测试，并将它们与个性化医疗的各种定义联系起来。然后，我们回顾了与个性化医疗相关的诊断测试和伴随测试的实证评估。我们总结了不进行定量荟萃分析的系统评价，而是对所审查的结果进行了描述性综合。我们没有发现任何证据表明此类测试比更传统的方法（例如药物干预）效果更好。同时，每 QALY（质量调整生命年）的成本存在很大的异质性，因此某些基因检测程序可能比非基因检测程序效果更好。最后，我们关注不完善的测试，并展示如何从经济角度优化其准确度水平，以及如何在评估其经济价值时考虑准确度水平。
用于无人值守操作的高能量密集型 Betavoltaics ...
温度可控，最高可达 500°C 压力 10 -3 torr 至 1000 psia (70 bar) 最小压力范围 0 至 41 mbar 最大压力范围 0 至 > 1000 psi 压力灵敏度 < 0.41 mbar, 准确度 < 0.10% 测试或控制体积 < 10 cm 3
利用机器学习对手指数字配置进行脑电图解码
在本研究中，我们使用多变量解码方法来研究典型（计数和计数）和非典型手指数字配置 (FNC) 之间的处理差异。虽然先前的研究使用行为和事件相关电位 (ERP) 方法调查了这些处理差异，但传统的单变量 ERP 分析侧重于特定的时间间隔和电极位置，无法捕捉更广泛的头皮分布和 EEG 频率模式。为了解决这个问题，我们使用了监督学习分类器——支持向量机 (SVM)——来解码 ERP 头皮分布和 alpha 波段功率，用于计数、计数和非典型 FNC（整数 1 到 4）。SVM 用于测试是否可以从 EEG 数据中解码 FNC 中呈现的数字信息。使用准确率的大小和时间差异来比较三种类型的 FNC。总体而言，该算法能够预测 FNC 中呈现的数字信息，超出随机机会水平的准确度，ERP 头皮分布的准确率高于 alpha 功率。与计数和非规范配置相比，montring 的峰值准确度较低，这可能是由于处理 montring 配置的自动化导致四个数值量级（1 到 4）的头皮分布不太明显。与响应时间数据相似，montring 的峰值解码准确度时间（472 毫秒）比计数（577 毫秒）和非规范 FNC（604 毫秒）更早。结果支持 montring 配置被自动处理，有点类似于数字符号，并为处理不同形式 FNC 之间的差异提供了额外的见解。这项研究还强调了解码方法在 EEG/ERP 数字认知研究中的优势。
人工智能预测重症监护病房死亡率并与逻辑回归系统进行比较
目的：探索基于梯度提升决策树的人工智能方法，用于预测重症监护病房的全因死亡率，并将其性能与文献中最近的逻辑回归系统以及在同一平台上构建的逻辑回归模型进行比较。方法：使用重症监护医学信息集市数据库训练和测试梯度提升决策树模型和逻辑回归模型。在重症监护病房 5 小时内收集的成年患者 1 小时分辨率生理测量值包括八个常规临床参数。该研究探讨了模型如何学习对患者进行分类，以预测 12 小时内重症监护病房的死亡率或存活率。使用准确度统计数据和接收者操作特征曲线下面积来评估性能。结果：梯度提升树的接收者操作特征曲线下面积为 0.89，而逻辑回归的曲线下面积为 0.806。梯度提升树的准确度为 0.814，而逻辑回归的准确度为 0.782。梯度提升树的诊断比值为 17.823，而逻辑回归的诊断比值为 9.254。梯度提升树的 Cohen's kappa、F 测量值、Matthews 相关系数和显著性更高。结论：梯度提升树的判别能力非常出色。在重症监护病房死亡率预测方面，梯度提升树的表现优于逻辑回归。在所研究的不平衡数据集中，梯度提升树的高诊断比值和显著性值非常重要。
在常见的基于 EEG 的被动式 BCI 实验设计中，k 倍交叉验证可能会显著高估真实分类准确率：一项实证研究
摘要：在被动 BCI 研究中，一种常见的方法是在相对较长的试验期间收集感兴趣的心理状态数据，并将这些试验划分为较短的“时期”，以作为分类中的单个样本。虽然众所周知，在这种情况下使用 k 倍交叉验证 (CV) 会导致心理状态可分离性的估计不可靠（由于来自同一试验的样本存在自相关），但 k 倍 CV 仍在被动 BCI 研究中广泛使用和报告。尚不清楚的是 k 倍 CV 在多大程度上歪曲了真正的心理状态可分离性。这使得很难解释使用它的研究结果。此外，如果清楚地知道问题的严重性，也许更多的研究人员会意识到他们应该避免它。在这项工作中，一个新颖的实验探索了类内样本之间的相关程度如何影响通过 k 倍 CV 估计的基于 EEG 的心理状态分类准确性。将结果与真实值 (GT) 准确度和“块级”CV（k 折的替代方法，旨在缓解自相关问题）进行了比较。还探讨了诸如真实类别可分度以及使用的特征集和分类器等因素。结果表明，在某些条件下，k 折 CV 使 GT 分类准确度增加高达 25%，但块级 CV 低估了 GT 准确度高达 11%。我们建议，在单受试者分析中，应尽可能减少来自同一次试验的样本数量，并报告 k 折和块级 CV 结果。