XiaoMi-AI文件搜索系统
World File Search System分类的
疼痛对 fNIRS 分类的影响
功能性近红外光谱 (fNIRS) 是一种非侵入性神经成像技术，通过监测脑氧合血红蛋白 ([ ∆ HbO]) 和脱氧血红蛋白 ([ ∆ HbR]) 浓度的变化来间接测量大脑活动 [ 1 ]。最近，人们对在脑机接口 (BCI) 中使用 fNIRS 的兴趣日益浓厚。BCI 的目标是将从大脑记录的信号转换为控制外部设备的命令 [ 2 , 3 ]。因此，准确分类脑信号在 BCI 应用中具有重要意义。另一方面，一组 BCI 用户是患者 (例如运动障碍者)，不幸的是，他们也可能因受伤而感到疼痛。然而，疼痛的存在预计会影响大脑活动，从而影响 BCI 的性能。在本研究中，我们首次研究了疼痛的存在如何影响与心算任务相对应的 fNIRS 数据的分类准确度。fNIRS 数据是从 2 名健康受试者身上收集的，并使用热刺激来诱发疼痛。所有通道的 [ ∆ HbR] 信号的平均值用作分类特征。采用二次核支持向量机分类器 (QSVM) 对数据进行分类。我们的分类结果表明，对于基于无痛数据训练的模型，在对有疼痛时获得的数据进行测试时，其平均分类准确度显著降低。这些结果表明，使用无痛数据训练和开发的 BCI 算法在有疼痛的情况下可能会表现不佳。因此，在为患者调整 BCI 算法时考虑疼痛因素非常重要。本文的其余部分安排如下：第 2 部分描述了实验范例和数据收集程序。第 3 部分解释了预处理和分类方法，第 4 部分介绍了结果和讨论。
关于民用无人机分类的观点...
自成立以来，NASA 一直致力于推动航空航天科学的发展。NASA 科学技术信息 (STI) 计划在帮助 NASA 维持这一重要作用方面发挥着关键作用。NASA STI 计划在该机构首席信息官的主持下运作。它收集、组织、存档和传播 NASA 的 STI。NASA STI 计划提供对 NASA 航空航天数据库及其公共界面 NASA 技术报告服务器的访问，从而提供世界上最大的航空航天科学 STI 集合之一。结果在非 NASA 渠道和 NASA 的 NASA STI 报告系列中发布，其中包括以下报告类型： 技术出版物。已完成研究或重要研究阶段的报告，介绍 NASA 计划的结果，包括大量数据或理论分析。包括被认为具有持续参考价值的重要科学和技术数据和信息的汇编。NASA 同行评审的正式专业论文的对应文件，但对手稿长度和图形演示范围的限制不那么严格。 技术备忘录。初步或具有专门兴趣的科学和技术发现，例如快速发布报告、工作文件和包含最少注释的参考书目。不包含广泛的分析。 承包商报告。NASA 赞助的承包商和受助人的科学和技术发现。
公平分类的实验分析和评估
分类是一项经过大量研究的数据驱动的机器学习任务，驱动了许多涉及诸如贷款批准和刑事风险评估等关键决策的预测系统。但是，分类器经常表现出歧视性行为，尤其是在呈现有偏见的数据时。因此，分类中的公平性已经成为一个高优先研究领域。数据管理研究表明，对与数据和算法公平性有关的主题（包括公平分类的话题）的存在和兴趣越来越大。公平分类中的跨学科工作，机器学习研究具有最大的存在，导致了许多公平的概念和广泛的方法，这些方法尚未系统地评估和比较。在本文中，我们对13种公平分类方法和其他变体进行了广泛的分析，以使用各种指标和现实世界数据集对基本ML模型，数据效率和稳定性的敏感性，对基本ML模型的敏感性，对数据误差的敏感性，对数据误差的敏感性，对数据误差的敏感性，对数据误差的敏感性进行广泛分析。我们的分析强调了有关不同指标和高级方法特征对性能不同方面的影响的新颖见解。我们还讨论了选择适合不同实际环境的方法的一般原则，并确定以数据管理解决方案可能产生最大影响的领域。
糖尿病分类的新范式
sglt2is直接靶向SGLT2，这是一种负责吸收肾脏近端综合小管中过滤葡萄糖的蛋白质。抑制SGLT2导致葡萄糖尿，与安慰剂相比，HBA1C水平降低了0.6％至0.9％，禁食葡萄糖降至1.1 mmol/L至1.9 mmol/L。SGLT2也与体重减轻和降低血压有关[24]。此外，它们对心血管死亡，心力衰竭和慢性肾脏疾病的进展有积极影响[25]。几项研究表明，用SGLT2处理可以提高β细胞对葡萄糖的敏感性。例如[26]，报告仅48小时SGLT2后，β细胞葡萄糖敏感性增加了25％，这是治疗或二甲双胍的T2D患者的治疗。另外，SGLT2是可以通过降低血浆葡萄糖水平和体重来增强胰岛素敏感性[24]。
用于分类的机器学习方法
电磁诱导（EMI）方法通常用于对未爆炸的军械（UXO）进行分类。用于分类的现代时间域系统是多组分，并在多个时间渠道中获取许多发射器收络对。传统上，分类是使用基于物理的反转方法完成的，在该方法中，从EMI数据估算了极化曲线。然后将这些曲线与库中的曲线进行比较，以根据某些误解来寻找匹配。在这项工作中，我们开发了一个直接从EMI数据中分类UXO的卷积神经网络（CNN）。类似于图像分割问题，我们的CNN输出了一个保留输入空间维度的分类图。我们使用使用偶极模型生成的合成数据来训练CNN，以考虑相关的UXO和混乱对象。我们使用两步工作流。首先，我们训练CNN以检测字段数据中的金属对象。从此，我们提取仅包含背景信号的数据贴片，并使用它们来生成一个新的训练数据集，并将此背景噪声添加到我们的合成数据中。第二个CNN经过这些数据训练以执行分类。我们使用Sequim Bay海洋测试地点中使用Ultratema-4系统获取的领域数据测试我们的方法。
17. 土地利用土地覆盖分类的初级阶段
土地利用/土地覆盖 (LULC) 描述了地球的特征并表明了土地如何用于各种活动。土地覆盖变化是一个持续的过程，与城市化、森林砍伐、湖泊干涸、农业用地过度利用等有关。因此，它构成了经济规划和资源管理的重要基础。然而，在空间域中准备 LULC 数据是一项耗时费力的工作，需要大量的人力资源。在使用遥感卫星数据时，对一个区域的 LULC 进行分类是一项重大挑战。在过去十年中，机器学习 (ML) 因其强大的学习能力而呈现出日益上升的趋势和极大的兴趣，因为它能够在多个处理层上学习具有多个抽象级别的数据样本表示。由于 ML 方法的输出一致且对人为干预的要求较少，因此使用该方法对土地特征进行分类是地理空间领域的正确方法和当前趋势。用于 LULC 分类的 ML 技术：支持向量机 (SVM)、随机森林 (RF)、最大似然分类器 (ML) 和深度人工神经网络 (ANN) 等监督算法是从多光谱卫星图像中提取主题信息的一些常用方法。1. 2001 年，Breiman 提出了一种集成分类方法，即随机森林 (RF)
连接组分类的图对比学习
摘要 — 随着磁共振成像 (MRI) 等用于测量大脑活动的非侵入性技术的最新进展，通过图形信号处理 (GSP) 研究结构和功能性大脑网络已获得显著关注。GSP 是揭示大脑功能和结构之间相互作用的关键工具，能够分析由感兴趣区域之间的连接定义的图形——在此上下文中称为连接组。我们的工作代表了在这个方向上迈出的又一步，通过探索图形表示学习领域的监督对比学习方法。这种方法的主要目标是生成主题级别（即图形级别）的向量表示，将具有相同标签的主题聚集在一起，同时将具有不同标签的主题分开。这些连接组嵌入来自图神经网络编码器-解码器架构，该架构共同考虑了结构和功能连接。通过利用数据增强技术，所提出的框架在使用人类连接组计划数据的性别分类任务中实现了最先进的性能。更广泛地说，我们以连接组为中心的方法论的进步支持了使用 GSP 发现更多大脑功能的良好前景，并可能对理解神经退行性疾病的异质性以实现精准医疗和诊断产生影响。
医学图像分割与分类的文献综述
1 简介 脑肿瘤是一团异常细胞。它有两种类型：恶性和良性。脑肿瘤症状可以是一般的，也可以是预先定义的。一般症状是由肿瘤压迫大脑或脊髓引起的。当大脑的某个部分由于肿瘤而无法正常运作时，就会出现预先定义的症状。研究人员应用不同的成像方式从几个医学成像系统中检测解剖结构 [1, 2]。脑肿瘤分割已被用于定义肿瘤区域，以帮助诊断疾病和选择治疗疾病的最佳方法。它是一种将肿瘤的一部分从整个图像中分离出来的工具。手动肿瘤分割方法耗时耗力，因此也会导致疾病的误诊。脑肿瘤分割方法分为阈值和区域生长等几种类型 [3, 4]。医学图像分割是疾病诊断的重要阶段。医学图像分割的目的是检测所需区域，以帮助专家更好地诊断疾病。它根据确定性描述将图像划分为多个区域，例如医学应用中的身体器官分割 [5]。分割是图像处理的重要工具。图像分割用于将图像分割为不同数量的对象和离散区域。图像分割的结果是组成整个图像的一组部分或从图像中截取的一组线。可以实施不同的方法来划分图像。分割方法包括阈值、聚类、基于边缘、基于区域、基于图形、分水岭和活动轮廓分割技术 [6]。医学图像分类是图像分类领域最重大的难题之一。它旨在将医学图像分为几类，以帮助专家进行疾病诊断或进一步研究。总体而言，医学图像分类分为两个步骤：特征提取步骤和分类步骤。在分类问题中，使用算法将测试数据准确地分类为预定义的类别。常见的分类算法类型有线性分类器、支持向量机、决策树和随机森林分类器 [7]。
图像分类的营养分析仪-IJRPR
开发营养分析仪的主要挑战包括缺乏营养含量的认识，因为许多人不知道每日食品的营养成分，例如水果，蔬菜，谷物和包装商品，导致不平衡的餐食和较高的慢性病风险。有限获取个性化饮食指南的机会进一步使事情变得复杂，因为通用准则无法解决年龄，体重，活动水平和特定健康目标（例如疾病管理）等独特的个人需求。此外，专业饮食建议通常需要大量的时间和金融投资，从而限制了偏远或服务不足地区的个人的访问。诸如糖尿病和高血压之类的慢性疾病需要特定的饮食干预措施，但许多人缺乏设计适当的进餐计划的知识或资源，从而导致疾病管理无效。实时营养分析的现有工具通常是不切实际，复杂或不准确的，令人沮丧的更健康的习惯。缺乏可访问的，用户友好的饮食工具会导致饮食习惯不佳，生活方式疾病增加以及错过的机会利用技术来改善健康。
应用于EEG分类的新型判别分析
摘要 - 本文提供了一种开发t -wishart分布的协方差矩阵的分类方法，该方法概括了WishArt分布。与WishArt分布相比，它对于异常协方差矩阵更为强大，并且更灵活地对分布不匹配。在此矩阵变化分布的最新发展之后，提出的分类器是通过利用判别分析框架并提供原始决策规则来获得的。通过对实际数据的数值实验，我们的方法的实际兴趣得到了表明。更确切地说，所提出的分类器在两个标准的脑电图数据集上获得了最佳结果，而最佳最低距离（MDM）分类器相比。索引项 - EEG，协方差矩阵，t -wishart，Bayseian分类，判别分析，BCI。