XiaoMi-AI文件搜索系统
World File Search System判别分析
http://dx.doi.org/10.1037/0021-843X.111.1.13 Usama, N.、Leerskov, K.、Niazi, IK、Dremstrup, K. 和 Jochumsen, M. (2020 年)。错误相关概率分类
误差相关电位 (ErrPs) 已被提议用于设计自适应脑机接口 (BCIs)。因此，必须解码 ErrPs。本研究的目的是评估在涉及运动执行 (ME) 和想象 (MI) 的 BCI 范式中使用不同特征类型和分类器组合对 ErrP 进行解码。15 名健康受试者进行了 510 次 (ME) 和 390 次 (MI) 右/左腕伸展和足背屈试验。假 BCI 反馈的准确率为 80% (ME) 和 70% (MI)。记录连续 EEG 并分为 ErrP 和非 ErrP 时期。提取时间、频谱、离散小波变换 (DWT) 边缘和模板匹配特征，并使用线性判别分析、支持向量机和随机森林分类器对所有特征类型组合进行分类。在 ME 和 MI 范式中都引出了 ErrPs，平均分类准确率明显高于偶然水平。使用时间特征和随机森林分类的时间+DWT特征组合获得了最高平均分类准确率；ME和MI分别为89±9%和83±9%。这些结果通常表明，在检测ErrP时应使用时间特征，但受试者之间存在很大的差异，这意味着应得出用户特定的特征以最大限度地提高性能。
主题无关的功能近红外光谱...
功能性近红外光谱（FNIRS）由于其优势，例如非侵入性，用户安全性，可负担性和可移植性，引起了脑部计算机界面（BCI）（BCI）的越来越多的关注。但是，FNIRS信号是高度主题的，并且重新测试可靠性较低。因此，在每次使用基于FNIRS的BCI之前，都需要使用个体的校准，以实现实用BCI应用的高度高性能。在这项研究中，我们提出了一种基于基于受试者的基于受试者FNIRS的BCI的新型深卷卷神经网络（CNN）的方法。共有18名参与者进行了基于FNIRS的BCI实验，该实验的主要目标是将精神算术任务与闲置状态任务区分开。采用了一项受试者的交叉验证，以评估所提出的基于受试者的基于FNIRS的BCI的平均分类精度。结果，据报道，该方法的平均分类准确性为71.20±8.74％，高于有效BCI通信的阈值准确性（70％），以及使用常规收缩线性判别分析获得的（65.74±7.68％）。要达到与拟议的基于受试者的基于FNIRS的BCI相当的分类精度，对于基于传统的受试者基于FNIRS的BCI，必须进行24次培训试验（约12分钟）。预计我们的基于CNN的方法将减少长期个人校准会话的必要性，从而显着增强基于FNIRS的BCIS的实用性。
使用基于两个SEMG电极信号的机器学习评估手动分类性能
摘要：近年来，基于分类的肌电控制引起了极大的兴趣，导致具有先进功能的假肢手，例如多围手。到目前为止，通过增加表面肌电图（SEMG）电极的数量或添加其他感应机制来实现高分类精度。尽管许多规定的肌电手仍然采用两电极SEMG系统，但仍缺乏有关信号处理和分类性能的详细研究。在这项研究中，招募了九名健全的参与者执行六种典型的手动动作，使用Delsys Trigno Research+ Acquisition System从两个电极中获取了来自两个电极的SEMG信号。信号处理和机器学习算法，特别是线性判别分析（LDA），K-Nearest邻居（KNN）和支持向量机（SVM），用于研究分类精度。总体分类精度为93±2％，动作特异性精度为97±2％，F1得分为87±7％，与多电极系统报道的总体精度为87±7％。与LDA和KNN算法相比，使用SVM算法实现了最高精度。揭示了分类精度与特征数量之间的对数关系，这在五个特征上平稳。这些全面的发现可能有可能有助于具有两个SEMG电极的通常开处方的肌电手部系统的信号处理和机器学习策略，以进一步提高功能。
在分类结直肠癌或肺癌患者死亡的多伴病因
患者多酸性生存结果的分类对于个性化的癌症治疗很重要。机器学习（ML）算法越来越多地用于为医疗保健的决策提供信息，但是这些模型容易受到数据收集和创建算法的偏见。ML模型以前已显示出表现出种族偏见，但他们对不同年龄和性别群体的患者的公平性尚未研究。因此，当对结直肠癌患者（n = 515）分类时，使用TCGA数据进行分类时，我们比较了5个ML模型（随机森林，多项式逻辑回归，线性支持矢量分类器，线性判别分析和多层感知）的多项性表现。所有五个模型均对这些社会人口统计学群体表现出偏见。然后，我们在肺腺癌（n = 589）上重复了相同的过程，以验证我们的发现。令人惊讶的是，对于最大的社会人口统计学组，大多数模型的总体趋势往往较差。优化模型性能的方法，包括在合并年龄，性别或种族群体上测试模型，以及创建经过培训并用于个人或合并的社会人口统计学群体的模型，显示出减少不同群体模型绩效差异的潜力。值得注意的是，这些方法可用于提高ML公平性，同时避免对表现出偏见的模型进行惩罚，从而牺牲整体性能。
柠檬多样性的研究（柑橘柠檬（L.）burm。）...
在西孟加拉邦的12个地区进行了一项调查，以识别精英柠檬基因型，从而鉴定了52个加入的鉴定，这些加入进一步通过使用22个定量特征进行描述性分析，层次群集分析，鉴别分析，相关性分析和主要成分分析和主要成分分析和Biplot分析和Biplot和Biplot分析。在12个定量字符中观察到了广泛的变化，即果实体重，果皮厚度，果汁重量，果汁量，果汁百分比，每种水果的种子数量，种子重量，种子长度，种子宽度，TSS：酸比，总糖和非还原糖导致层次聚类分析这些集群分析到20个集群。通过规范判别分析负责这种聚类的主要特征是水果长度，果汁量，果汁百分比，种子长度和TSS：酸。主成分分析（PCA）解释了七个组件，累积方差为77.432％。然而，双层分析揭示了评分图不同象限中存在的基因型具有较高的定量特征值，保留在相应的载荷图中。从这项研究中可以得出结论，可以利用柠檬基因型中发现的可变性，以选择精英材料，以进一步保守，详细的评估和作物改进计划中的利用率。
基于人工智能的紧急情况识别计算机系统
摘要 目前，人工智能的应用已渗透到生活的方方面面。除了协助智力工作、解决复杂的计算问题或分析各种类型的数据外，上述技术还可应用于为人们提供安全保障的过程中。本文提出了一种基于人工智能的紧急识别系统，旨在及时发现和通报危险情况。所提出的解决方案将人的“举手”姿势视为紧急情况，表明存在潜在危险。因为人们在面临潜在危险时，大多会被迫举起双手，这种姿势会引起注意，强调对某些事件的情绪反应，通常被用作危险的标志或征服的手段。系统应识别人的姿势，检测它，并随后通报威胁。本文提出了一种基于人工智能的紧急情况识别系统，使用 PoseNet 机器学习模型检测人体姿势“举手”以进行紧急情况识别。假设仅使用 6 个关键点可以减少系统的计算资源，因为结论是在考虑较少数据量的情况下得出的。为了进行研究，创建了一个包含 1510 张图像的数据集来训练人工智能模型，并验证了决策。使用监督机器学习方法对紧急情况的定义进行分类。替代方法：基于准确性的支持向量机、逻辑回归、朴素贝叶斯分类器、判别分析分类器和 K-最近邻分类器进行了评估。总体而言，本文提出了一种全面而创新的紧急情况识别方法，可使用所提出的系统快速响应紧急情况。
使用脑监测客观评估人机物理协作中的人类工作量
安全和顺从交互的概念不足以确保有效的物理人机合作。为了获得最佳的顺从行为（例如，可变阻抗/导纳控制），需要使用评估技术来衡量用户感知工作量方面的交互有效性。本研究调查了脑电图 (EEG) 监测作为一种客观测量方法，以对具有顺从性的合作操作中的工作量进行分类。进行了一项实验研究，包括两种类型的操作（粗略和精细）和两个导纳水平（低阻尼和高阻尼）。性能和自我报告的测量表明，增强感知工作量的适当导纳水平取决于任务。此信息用于形成二元分类问题（低和高工作量），其中频谱功率密度和相干性是从 EEG 数据中提取的特征。使用与受试者无关的特征选择方法，使用与受试者相关的线性判别分析 (LDA) 进行分类。平均分类率为 81%，表明所提出的方法在评估人类工作量与粗大和精细操作中不同顺从性之间的交互作用时具有可靠性。此外，为了验证我们提出的客观工作量测量方法，我们进行了第二次实验，包括精细和粗大运动任务。与恒定导纳交互相比，使用开环可变导纳控制器可观察到较低的基于 EEG 的工作量。该观察结果与主观工作量评分 (NASA-TLX) 一致。
基于面部肌电图的性能增强......
摘要 最近的研究表明，基于面部肌电图 (fEMG) 的面部表情识别 (FER) 系统是虚拟现实 (VR) 环境中基于传统摄像头的 FER 系统的有前途的替代品，因为它们经济实惠、不依赖于环境光，并且可以很容易地合并到现有的 VR 耳机中。在我们之前的研究中，我们将基于黎曼流形的特征提取方法应用于记录在眼睛周围的 fEMG 信号，并证明仅需一次训练就可以以 85.01% 的高精度对 11 种面部表情进行分类。然而，传统的基于 fEMG 的 FER 系统的性能还不足以应用于实际场景。在本研究中，我们开发了一种新方法，通过对其他用户的标记数据集进行线性判别分析 (LDA) 自适应来提高 FER 性能。我们的结果表明，使用 LDA 自适应方法可以将平均分类准确率提高到 89.40%（p < .001，Wilcoxon 符号秩检验）。此外，我们展示了独立于用户的 FER 系统的潜力，该系统无需任何训练课程即可对 11 种面部表情进行分类，分类准确率达到 82.02%。据我们所知，这是首次以跨学科方式采用 LDA 自适应方法的研究。预计所提出的 LDA 自适应方法将作为一种重要方法，提高基于 fEMG 的 FER 系统在社交 VR 应用中的可用性。
带有正则辍学的验证生成文本作者资格模型
摘要森林健康的检测对于维持森林环境已经变得很重要，尤其是在日益增强的压力源时。该项目的目的是使用金属氧化物（MOX）气体传感器设计电子鼻子（E-NOSE），以能够通过检测独特的挥发性有机成分（VOC）来区分健康和压力的树木。该项目涉及开发和实施气体传感器阵列，结合了多个MOX传感器，以检测VOC。利用Arduino微控制器，可以从气体传感器中收到数据，而Python则用于数据分析。数据分析涉及机器学习方法，例如线性判别分析（LDA）和主成分分析（PCA），用于降低传感器数据的分类和维度。python也派上用场了图形用户界面。在最初的结果中证明了电子鼻子区分健康和病态树的能力，在此结果表现出合理的准确性水平。最初，PCA提供了良好的分离，但是，目标气数的数量增加，分离精度恶化了。LDA在两个类别之间提供了明显的分离，并带有轻微的重叠。对可能存在的不同物质进一步评估了电子鼻子。尽管它显示出某些物质的良好可分离性，而另一些物质则重叠。MOX传感器的极高灵敏度具有不同气体的选择性成本。未来的研究将着重于使用神经网络检测树中包含的这些特定物质，从而增强了电子鼻子检测更大范围的化合物的能力。
人工智能的工程应用
在生产线上解决产品质量标准时，一个关键问题是确定定义最终产品质量的参数并对其进行跟踪。自动机械工作条件不一致时的过程控制问题，即当某些参数高度可变时，在文献中仍未得到充分探索。当最重要的过程变量无法直接测量时，这一目标变得更具挑战性。本文表明，通过将软传感器（其预测模型是神经网络）与异常检测器耦合，可以实现质量控制。该方法已应用于生产线上的自动机械，其中生产率的高变化性对测量的物理变量有重要影响。这使得自动化和准确的质量控制变得困难，因为在这个测试案例中收集的数据是加速度计信号，根据定义，加速度计信号对机器生产率的变化极为敏感。结果表明，该方法优于过去提出的许多其他分类方法（支持向量机、集成袋装树、判别分析、K 近邻和直接应用神经网络），即使在有限数量的机器工作点中收集了异常数据，也能根据四个指标（准确率、精确度、召回率和 𝐹 1 分数）获得令人满意的结果。特别是，在仅收集标称条件的生产率下，准确率也达到了 92% 以上。该程序超过了神经网络的直接训练（新生产率的准确率为 57.6%），以及基于无量纲特征提取的浅层方法的应用（新生产率的准确率约为 35%）。