XiaoMi-AI文件搜索系统
World File Search System准确率
利用深度学习进行 MRI 脑肿瘤分类
MRI（磁共振成像）是一种广泛使用的非侵入性肿瘤检测诊断工具。该项目比较了各种机器和深度学习模型在 MRI 扫描中对脑肿瘤（神经胶质瘤、脑膜瘤、垂体瘤和无肿瘤）进行分类时的表现，并与受过训练的放射科医生设定的标准进行了比较。部署的模型包括卷积神经网络 (CNN)、源向量机 (SVM)、随机森林分类器 (RFC)、几种迁移学习模型以及 MobleNetV2 到 SVM 的混合模型。每个模型都根据预处理和标准化数据的相同训练测试分割进行训练。采用适当的超参数调整和模型特定的优化来实现最高准确度并保持稳健性。生成了准确度指标和混淆矩阵来评估模型的有效性。此外，人工降级了一个单独的测试数据集来模拟低场 MRI 扫描，以评估模型的稳健性。在有和没有数据增强的情况下评估模型性能，数据增强包括对训练集进行随机降级、旋转、翻转和缩放。研究表明，放射科医生的总体诊断准确率为 87%：RFC 准确率为 94%，SVM 准确率为 95%，VGG16（最准确的迁移学习模型）准确率为 97.9%，混合 MobileNetV2/SVM 准确率为 98.2%，CNN 准确率为 97.6%。所有模型的放射科医生平均准确率更高，其中混合模型表现最佳。在降级数据集上测试以模拟低场 MRI 时，增强大大改善了 SVM 和 RFC 模型的结果；但是，在降级图像上测试时，CNN 模型的准确性受到的影响很小，增强无效。
可行性分析：利用人工智能匹配拍摄的灰鲸侧脊
图 1。从我们的灰鲸模型中自动提取的曲线。末端的误差与 CurvRank 在海豚背鳍上的行为一致，匹配明显更准确。尽管显示出提取灰鲸背脊边缘的一致能力，尽管存在一些错误（如上图所示），但 CurvRank v2 在匹配这些边缘方面并不是很有效，前 1 名的准确率为 20%，上升到前 20 名的准确率仍然低于 50% --- 事实上，在我们的测试数据集上，每个个体至少有 2 次目击，准确率为 43.5%，如下图所示。我们不确定准确率如此低的原因，但我们使用 CurvRank v2 和这些数据进行的大量实验产生了类似的结果，因此我们认为这可能只是算法在计算视觉特征时拟合不佳。
使用机器学习的面部情感识别
认可吸引了很多人群。例如，它已用于大多数现代设备的安全性。使用机器和深度学习，将提高整体性能，并且标识精度将更加精确。我们旨在发现这些算法在分类人的面部表情中的表现以及我们是否可以依赖它们。步骤如下。首先，我们嵌入数据集中的图像，然后将数据集分为70％的培训数据和30％的测试数据；之后，我们采用五种不同的算法：支持向量机，k-nearest邻居，逻辑回归，天真的贝叶斯和随机森林。支持向量机的准确率为36％，K-Nearest邻居的准确率为52.3％，逻辑回归的精度为64.2％，而天真的贝叶斯的准确率达到了38.1％的准确率。随机森林的准确率为51.7％。使用的数据集是FER13数据集的清洁版本，其中包含16,780个图像分为五个类（愤怒，快乐，中立，厌恶和恐惧）。结果表明，逻辑回归被证明是所介绍的分类器最准确的分类器，F1得分为63.8％，精度为64.2％。
从文献计量模式检测技术成熟度
摘要 对于行业和政府的决策者来说，根据易于获取的开源指标（例如出版物）识别新兴技术的能力非常重要。这项工作的科学贡献是提出了一种基于出版物数量来检测新兴技术成熟度的机器学习方法。出版物数量的时间序列具有区分新兴技术和成长技术的普遍特征。我们根据这些特征训练了一个人工神经网络分类器（一种监督式机器学习算法），以预测任意技术的成熟度（新兴技术与成长技术）。通过由 22 种技术组成的训练集，我们对 6 种测试技术获得了 58.3% 到 100% 的分类准确率，平均准确率为 84.6%。为了提高分类器性能，我们用合成的时间序列技术生命周期曲线扩充了训练语料库，这些曲线是通过计算原始训练集中曲线的加权平均值形成的。在合成数据集上训练分类器可提高准确率，范围从 83.3% 到 100%，测试技术的平均准确率为 90.4%。我们的分类器的性能超过了文献中竞争的机器学习方法，后者报告的平均分类准确率最高仅为 85.7%。此外，与当前方法相比，我们的方法不需要专业知识来生成训练标签，并且可以自动化和扩展。
从文献计量模式检测技术成熟度
摘要 对于行业和政府的决策者来说，根据易于获取的开源指标（例如出版物）识别新兴技术的能力非常重要。这项工作的科学贡献是提出了一种基于出版物数量检测新兴技术成熟度的机器学习方法。出版物数量的时间序列具有区分新兴技术和成长技术的普遍特征。我们根据这些特征训练了一个人工神经网络分类器（一种监督式机器学习算法），以预测任意技术的成熟度（新兴技术与成长技术）。通过由 22 种技术组成的训练集，我们对 6 种测试技术获得了 58.3% 到 100% 的分类准确率，平均准确率为 84.6%。为了提高分类器性能，我们用合成的时间序列技术生命周期曲线扩充了训练语料库，这些曲线是通过计算原始训练集中曲线的加权平均值形成的。在合成数据集上训练分类器可提高准确率，范围从 83.3% 到 100%，测试技术的平均准确率为 90.4%。我们的分类器的性能超过了文献中竞争的机器学习方法，后者报告的平均分类准确率最高仅为 85.7%。此外，与当前方法相比，我们的方法不需要专业知识来生成训练标签，并且可以自动化和扩展。
该特征为CT图像的脂肪条带。
【摘要】以往利用人工智能在CT图像上辅助诊断结肠炎的研究，多以消化道造影剂使用后的结肠壁厚度作为特征，但诊断准确率并不高。本研究验证了结肠炎脂肪条带（HU）的CT值是结肠炎检测模型中一个有用的特征。从187例非造影结肠炎CT图像中，制作将患处切成128×128矩阵的原始图像、擦除脂肪条带以外结构的掩模图像、仅显示脂肪条带的阈值图像。SVM分类器输出原始图像、掩模图像、阈值图像的分类准确率，结果显示掩模图像和阈值图像的分类准确率较原始图像有所提高，说明脂肪条带是一个分类准确率较高的特征。
开发基于人工智能的评估...
主要结果和偶然性的作用：生命耳语 AI 模型对可行胚胎的敏感性为 70.1%，而对来自不同诊所的三个独立盲测集的非可行胚胎的特异性为 60.5%。每个盲测集的加权总体准确率 > 63%，可行胚胎和不可行胚胎的综合准确率为 64.3%，表明模型的稳健性和普遍性超出了偶然性预期的结果。预测分布显示正确和错误分类的胚胎明显分离。可行/不可行胚胎分类的二元比较显示胚胎学家的准确率提高了 24.7%（P = 0.047，n = 2，学生 t 检验），5 波段排名比较显示胚胎学家的准确率提高了 42.0%（P = 0.028，n = 2，学生 t 检验）。
用于可解释人工智能的随机模糊规则泡沫
摘要 随机泡沫训练多个模糊规则泡沫函数近似器，然后将它们组合成单个基于规则的近似器。泡沫系统在来自训练有素的神经分类器的引导随机样本上独立训练。泡沫系统将神经黑匣子转换为可解释的规则集。基于模糊规则的系统具有底层概率混合结构，可对每个输入的规则产生可解释的贝叶斯后验。规则泡沫还通过广义概率混合的条件方差来衡量其输出的不确定性。随机泡沫通过平均其吞吐量或规则结构来组合学习到的加性模糊系统。随机泡沫在其规则、规则后验和条件方差方面也是可解释的。30 个 1000 规则泡沫在 MNIST 数字数据集的随机子集上进行训练。每个这样的泡沫系统的分类准确率约为 93.5%。平均吞吐量的随机泡沫实现了 96。 80% 的准确率，而仅对其输出进行平均的随机泡沫则实现了 96.06% 的准确率。吞吐量平均的随机泡沫也略胜于对 30 棵分类树进行平均输出的标准随机森林。30 个 1000 规则泡沫也在深度神经分类器上进行训练，准确率为 96.26%。对这些泡沫吞吐量进行平均的随机泡沫本身的准确率为 96.14%。对其输出进行平均的随机泡沫准确率仅为 95.6%。附录证明了加法系统模糊近似定理的高斯组合泡沫版本。
研究论文 基于脑电图的波斯语多词想象语音分类
本研究的重点是利用脑电图信号为想象词提供一个简单、可扩展、多类的分类器。六个波斯语单词以及静默（或空闲状态）被选为输入类。这些单词可用于控制鼠标/机器人运动或填写简单的计算机表格。本研究的数据集是五名参与者在五次会话中收集的 10 条记录。每条记录重复了 20 次所有单词和静默。特征集由 1 至 32 Hz 频带中 19 个脑电图通道的归一化 1 Hz 分辨率频谱组成。二元 SVM 分类器组的多数规则用于确定特征集的相应类。通过蒙特卡洛交叉验证估计分类器的平均准确度和混淆矩阵。根据记录类间和类内样本的时间差异，定义了三种分类模式。在长时间模式下，即涉及整个数据库中单词的所有实例，单词-沉默的平均准确率约为 58%，单词-单词的平均准确率约为 60%，单词-单词-沉默的平均准确率约为 40%，七类分类（6 个单词+沉默）的平均准确率约为 32%。对于短时间模式，当仅使用相同记录的实例时，准确率分别为 96%、75%、79% 和 55%。最后，在混合时间分类中，每个类别的样本都来自不同的记录，平均准确率最高，约为 97%、97%、92% 和 62%。即使在长时间模式的最坏情况下，这些结果也明显优于随机结果，并且与该领域先前研究报告的最佳结果相当。
基于 fNIRS 的大脑与弹性网络特征选择
摘要：基于功能性近红外光谱的脑机接口 (fNIRS-based BCI) 越来越受到关注。然而，由于固有的血流动力学延迟，我们实际上只能获得大量的 fNIRS 数据。因此，在使用机器学习技术时，可能会遇到由于高维特征向量而导致的问题，例如分类准确率下降。在本研究中，我们采用了一种基于弹性网络的特征选择，这是嵌入式方法之一，并通过分析结果证明了其实用性。使用从 18 名参与者获得的 fNIRS 数据集对心算和空闲状态引起的大脑激活进行分类，我们在改变参数 α（套索权重与岭正则化）的同时进行特征选择后计算了分类准确率。对于 α = 0.001、0.005、0.01、0.05、0.1、0.2 和 0.5 的各个值，分类准确率的平均值分别为 80.0 ± 9.4%、79.3 ± 9.6%、79.0 ± 9.2%、79.7 ± 10.1%、77.6 ± 10.3%、79.2 ± 8.9% 和 80.0 ± 7.8%，与使用所有特征估计的分类准确率的平均值（80.1 ± 9.5%）在统计上没有差异。因此，对于所有考虑的参数 α 值，分类准确率没有差异。特别是对于 α = 0.5，即使使用总特征的 16.4% 的特征，我们也能实现统计上相同的分类准确率水平。由于基于弹性网络的特征选择可以轻松应用于其他情况，而无需复杂的初始化和参数微调，我们可以期待看到基于弹性的特征选择可以积极应用于 fNIRS 数据。