XiaoMi-AI文件搜索系统
World File Search System准确率
用于运动意象分析的多层 CNN 模型
摘要 明尼苏达大学的研究人员率先提出了脑控无人机的概念，并由此引发了一系列研究。这些早期的努力为更先进的脑控无人机原型奠定了基础。然而，由于 BCI 信号具有非平稳性和高维性，因此本质上非常复杂。因此，仔细考虑特征提取和分类过程至关重要。本研究引入了一种新方法，将预训练的 CNN 与经典神经网络分类器和 STFT 频谱相结合，形成多层 CNN 模型 (MTCNN)。MTCNN 模型用于解码两类运动想象 (MI) 信号，从而实现对无人机上下运动的控制。本研究的实验阶段涉及四个关键实验。第一个实验使用大量数据集评估了 MTCNN 模型的性能，分类准确率高达 99.1%。第二个和第三个实验针对同一受试者在两个不同的数据集上评估了该模型，成功解决了与受试者间和受试者内差异相关的挑战。 MTCNN 模型在两个数据集上都实现了 99.7% 的出色分类准确率。在第四次实验中，该模型在另一个数据集上进行了验证，实现了 100% 和 99.6% 的分类准确率。值得注意的是，MTCNN 模型在两个 BCI 竞赛数据集上的准确率超过了现有文献。总之，MTCNN 模型展示了其解码与左手和右手运动相关的 MI 信号的潜力，为脑控无人机领域提供了有希望的应用，特别是在控制上下运动方面。此外，MTCNN 模型有可能通过促进该模型与基于 MI 的无人机控制系统的集成，为 BCI-MI 社区做出重大贡献。
使用各种机器学习技术结合脑半球间振幅比从脑电图中识别人员
科学界正在探索脑电图 (EEG) 与个人信息之间的关联。尽管使用 EEG 进行身份识别对研究人员来说很有吸引力，但是感知的复杂性限制了此类技术在实际应用中的使用。在这项研究中，通过降低脑信号采集和分析过程的复杂性解决了这一难题。这是通过减少电极数量来实现的，在不影响准确性的情况下简化了关键任务。事件相关电位 (ERP)，又称时间锁定刺激，用于从每个受试者的头部收集数据。在放松一段时间后，向每个受试者直观地呈现一个随机的四位数字，然后要求他们思考 10 秒。对每个受试者进行了 15 次试验，在每个心理回忆片段之前都有放松和视觉刺激阶段。我们引入了一个新颖的派生特征，称为半球间振幅比 (IHAR)，它表示横向对应电极对的振幅比。该特征是在使用信号增强技术扩展训练集后提取的，并使用多种机器学习 (ML) 算法进行测试，包括线性判别分析 (LDA)、支持向量机 (SVM) 和 k-最近邻 (kNN)。大多数 ML 算法在 14 个电极的情况下显示 100% 的准确率，根据我们的结果，使用更少的电极也可以实现完美的准确率。然而，AF3、AF4、F7 和 F8 电极组合与 kNN 分类器产生了 99.0 ± 0.8% 的测试准确率，是人员识别的最佳选择，既保持了用户友好性又保持了性能。令人惊讶的是，放松阶段表现出三个阶段中最高的准确率。
IH-ViT：基于视觉变压器的集成电路问世
摘要：针对传统检测方法在IC外观缺陷检测中存在的识别率不高、识别速度慢的问题，提出一种IC外观缺陷检测算法IH-ViT。提出的模型利用CNN和ViT各自的优势，从局部和全局两个角度获取图像特征，最终将两种特征融合进行决策判断缺陷类别，从而获得更高的IC缺陷识别准确率。针对IC外观缺陷主要体现在细节上的差异，传统算法难以识别的问题，对传统ViT进行了改进，在batch内部进行了额外的卷积操作。针对数据集来源多样导致的样本信息不平衡问题，采用双通道图像分割技术，进一步提高IC外观缺陷的识别准确率。最后经过测试，提出的混合IH-ViT模型取得了72.51%的准确率，比单独的ResNet50和ViT模型分别提高了2.8%和6.06%。所提算法可以快速准确地检测出IC外观缺陷状况，有效提高IC封测企业的生产效率。
SPIE 会议纪要
新生儿缺氧缺血性 (HI) 脑损伤的光学生物标志物可以提供持续的、床边损伤程度评估的优势；迄今为止的研究主要集中于检查不同的光学测量脑生理信号和特征组合以实现此目的。为了最大限度地扩大所考虑的生理特征范围，已经开发出一个多模光学平台，从而可以对脑损伤获得独特的生理见解。在本文中，我们使用一种最先进的混合宽带近红外光谱仪 (bNIRS) 和扩散相关光谱仪 (DCS) 仪器 FLORENCE 和机器学习管道来评估损伤严重程度。我们在临床前新生儿模型（新生猪）中证明，我们的方法可以识别不同的 HI 损伤严重程度（对照、轻度、重度）。我们表明，基于 K 均值聚类的机器学习流程可用于区分对照组和 HI 仔猪，准确率为 78%，区分轻度损伤仔猪和重度损伤仔猪，准确率为 90%，还可区分 3 个仔猪组，准确率为 80%。因此，该分析流程展示了如何将来自多种仪器的光学数据处理为脑健康指标。
使用自编码器进行电磁头部跟踪的数据预测...
摘要。在航空电子设备中，飞行员使用头盔显示器 (HMD) 在护目镜上显示外部环境的同步视图和与飞机相关的重要参数。为了完美同步护目镜上的视图，必须同步外部环境的坐标以及飞行员头部运动的坐标。为了定位飞行员头部运动的坐标，称为头部跟踪的过程起着重要作用。头部跟踪可以使用不同的跟踪技术执行，例如光学跟踪、磁跟踪或惯性跟踪。在本文中，六自由度 (6-DoF) 磁运动跟踪装置 (Polhemus Patriot TM ) 用于在模拟器床上实时获取飞行员头部运动的坐标。在跟踪器采集过程中，由于铁磁性引起的磁场干扰，数据可能会丢失。为此，采用自修复神经模型 (SHNM) 来预测丢失的数据。用于恢复的数据有 5200 个 6-DoF 头部运动样本。SHNM 对三组不同的缺失数据的预测准确率超过 85%。将所提模型预测数据的准确率与反向传播神经网络 (BPNN) 模型进行了比较，结果发现 SHNM 模型的准确率优于 BPNN 模型
使用基于迁移学习的特征提取和卷积神经网络进行基于脑电图的情绪识别
摘要。本文介绍了一种基于脑电图 (EEG) 的情绪识别新方法。该方法使用迁移学习从多通道脑电图信号中提取特征，然后将这些特征排列在 8×9 的图中以表示它们在头皮上的空间位置，然后我们引入一个 CNN 模型，该模型接收空间特征图并提取脑电图通道之间的空间关系并最终对情绪进行分类。首先，将脑电图信号转换为频谱图并通过预先训练的图像分类模型从脑电图频谱中获取特征向量。然后，重新排列不同通道的特征向量并将其作为 CNN 模型的输入，该模型提取空间特征或通道依赖关系作为训练的一部分。最后，CNN 输出被展平并通过密集层以在情绪类别之间进行分类。在本研究中，SEED、SEED-IV 和 SEED-V EEG 情绪数据集用于分类，我们的方法通过五倍交叉验证在 SEED 上实现了 97.09% 的最佳分类准确率，在 SEED-IV 上实现了 89.81% 的最佳分类准确率，在 SEED-V 数据集上实现了 88.23% 的最佳分类准确率。
基于极距离的增强量子K近邻分类算法
摘要：K最近邻算法是应用最为广泛的分类算法之一，但其高时间复杂度限制了其在大数据时代的性能。量子K最近邻算法（QKNN）可以满意地处理上述问题，但直接应用传统的基于欧氏距离的相似性度量会牺牲其准确率。受极坐标系和量子特性的启发，本文提出一种新的相似性度量来取代欧氏距离，将其定义为极坐标距离。极坐标距离同时考虑角度和模数长度信息，引入一个根据具体应用数据调整的权重参数。为了验证极坐标距离的效率，我们使用几个典型数据集进行了各种实验。对于传统KNN算法，使用极坐标距离进行相似性度量时准确率性能相当，而对于QKNN算法，其分类准确率明显优于欧氏距离。此外，极坐标距离表现出优于欧氏距离的可扩展性和鲁棒性，为 QKNN 在实践中的大规模应用提供了机会。
人工智能（AI）在稳定性评估中的应用综述
A.基于人工智能的暂态稳定性评估暂态稳定性是指电力系统在受到严重干扰（例如输电线短路）时保持同步的能力[23]。现有文献将人工智能应用于暂态稳定性评估，主要采用三类方法：神经网络、支持向量机[24-26]和决策树[1]，分别总结于表I、表II和表III中。这些研究大多采用新英格兰10机系统作为测试系统。这些方法在分类稳定和不稳定情况方面表现出很高的准确率：所有方法的准确率都高于96%，有些甚至达到100%。此外，一些研究尝试在人工智能模型中考虑拓扑变化[2,29]。
使用 2D CNN 检测早期阿尔茨海默病
摘要 目标 为了在计算资源的获取方面公平地采用医学人工智能 (AI) 算法，所提出的方法基于二维 (2D) 卷积神经网络 (CNN)，该方法可以更快、更便宜、更准确地检测早期阿尔茨海默病 (AD) 和轻度认知障碍 (MCI)，而无需使用大型训练数据集或昂贵的高性能计算 (HPC) 基础设施。方法 所提出的模型使用标准化的阿尔茨海默病神经影像学计划 (ADNI) 数据集，并使用 Brain Extraction Tool V.2 方法进行额外的头骨剥离。2D CNN 架构基于 LeNet-5，使用了 Leaky Rectified Linear Unit 激活函数和 Sigmoid 函数，并在每个卷积层之后添加了批量归一化以稳定学习过程。通过手动调整所有超参数对模型进行了优化。结果 从准确率、召回率、精确率和 f1 分数方面对模型进行了评估。结果表明，该模型预测 MCI 的准确率为 0.735，通过了 0.521 的随机猜测基线，预测 AD 的准确率为 0.837，通过了 0.536 的随机猜测基线。讨论 所提出的方法可以帮助临床医生在 AD 和 MCI 的早期诊断中具有足够高的准确率，基于相对较小的数据集，并且不需要 HPC 基础设施。这种方法可以减轻差异并实现医疗算法采用的公平性。结论 医疗 AI 算法不应只关注准确性，还应评估它们如何影响差异并在采用过程中实现公平性。
视觉脑机接口作为肌萎缩侧索硬化症患者的沟通辅助工具 Verbaarschot，CS；Tump，D.；Lutu，A.；Borhana
目的：对于患有肌萎缩侧索硬化症 (ALS) 的患者，利用代码调制视觉诱发电位 (cVEP) 的脑机接口 (BCI) 拼写器可能为现有的视觉 BCI 拼写器提供一种快速且更准确的替代方案。但到目前为止，cVEP 拼写器仅在健康参与者身上进行过测试。方法：我们评估了 20 名健康参与者和 10 名 ALS 患者的大脑反应、BCI 性能和 cVEP 拼写器的用户体验。所有参与者都执行了提示和自由拼写任务，以及自由选择是/否答案。结果：30 名参与者中有 27 名可以完成提示拼写任务，ALS 患者的平均准确率为 79%，健康老年参与者的平均准确率为 88%，健康年轻参与者的平均准确率为 94%。所有 30 名参与者都可以自由回答是/否问题，平均准确率约为 90%。结论：对于平均每分钟输入 10 个字符的 ALS 患者，本文介绍的 cVEP 拼写器的表现优于其他视觉 BCI 拼写器。意义：这些结果支持 cVEP 信号对 ALS 患者的普遍可用性，这可能远远超出测试的拼写器，例如控制智能家居中的警报、自动门或电视。2021 年国际临床神经生理学联合会。由 Elsevier BV 出版这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。