XiaoMi-AI文件搜索系统
World File Search System图分
使用UNET-FEW SHOT示意图分割的脑肿瘤分割
摘要。早期发现和确定适当的治疗技术将建立癌症患者的耐力。诊断和治疗脑肿瘤的关键步骤是准确可靠的分割。鉴于其形状不平坦和不透明的边界，神经胶质瘤是最困难的脑癌之一。由于其设计存在显着差异，因此，神经胶质瘤脑生长的程序划分是一个流体主题。在本文中报告了改进的基于UNET的设计，用于自动从MRI图像中对脑肿瘤进行自动分割。培训语义部模型需要大量的精细澄清信息，这使得迅速适应不符合此要求的不熟悉类的挑战。最初的射击细分试图解决此问题，但存在其他缺陷。因此，在本文中讨论了几乎没有示意的示意图分割，以分解同时将原始分类与基本类别和足够模型分类的投机能力。上下文感知的原型学习（CAPL），用于通过利用早期信息从帮助测试中出现早期信息，并逐步增强逻辑数据到分类器，并根据每个问题图片的实质模制。结果揭示了开发模型的表现。
基于双分支特征Fusion的运动图像与主题无关的脑电图分类
摘要：大脑计算机接口（BCI）系统可帮助电动机功能障碍的人与外部环境相互作用。随着技术的发展，BCI系统已在实践中应用了，但是它们的实用性和可用性仍然受到极大挑战。在使用BCI系统之前，通常需要大量的校准时间，这可以消耗患者的能量并容易导致焦虑。本文提出了一种基于新型的运动辅助方法，该方法基于新型的双支车多尺度自动编码器网络（MSAENET）来解释人脑运动图像的意图，同时引入了中心损失功能，以补偿传统的分类者的缺点，这些分类者仅考虑阶层间差异和忽略内部的内部内部cllass class class类。该方法的有效性在三个数据集上进行了验证，即BCIIV2A，SMR-BCI和OpenBMI，以实现MI-BCI系统的零校准。结果表明，我们提出的网络在所有三个数据集上都显示出良好的结果。在受试者独立的情况下，MSAENET在BCIIV2A和SMR-BCI数据集上的其他四个比较方法优于其他四个比较方法，而在OpenBMI数据集中则获得了F1_SCORE值高达69.34％。我们的方法通过少量参数和短预测时间保持更好的分类精度，该方法实现了MI-BCI系统的零校准。
研究文章 使用神经网络对非特定人群的创伤性脑损伤和中风进行脑电图分类
创伤性脑损伤 (TBI) 和中风是毁灭性的神经系统疾病，每天影响数百人。不幸的是，如果没有特定的成像技术或无法去医院，检测 TBI 和中风通常很困难。我们之前的研究使用机器学习对脑电图 (EEG) 进行选择重要特征，并在来自公共存储库的独立数据集上对正常、TBI 和中风进行分类，准确率为 0.71。在这项研究中，我们扩展了范围，探索无特征和深度学习模型是否可以通过纳入更全面的数据提取工具来大幅增加训练数据集的大小，从而提供更好的性能来区分 TBI、中风和正常 EEG。我们将使用线性判别分析和 ReliefF 基于选定特征构建的模型的性能与几种无特征深度学习模型进行了比较。我们使用基于特征的模型实现了 0.85 的受试者工作特征曲线 (ROC) 下面积 (AUC)，使用无特征模型实现了 0.84 的 AUC。此外，我们证明了梯度加权类激活映射 (Grad-CAM) 可以通过在临床检查期间突出显示有问题的 EEG 片段来深入了解特定患者的 EEG 分类。总体而言，我们的研究表明，机器学习和深度学习 EEG 或其预计算特征可以成为 TBI 和中风检测和分类的有用工具。虽然没有超越基于特征的模型的性能，但无特征模型在没有事先计算大量特征集的情况下达到了类似的水平，从而可以更快、更经济高效地部署、分析和分类。
使用机器学习对患有 ADHD 的成年患者进行任务相关和静息状态脑电图分类
摘要 —注意力缺陷多动障碍 (ADHD) 是一种普遍的心理障碍，其特征是注意力缺陷和高度冲动，影响成人和儿童。本研究旨在评估任务相关脑电图 (EEG) 和静息状态脑电图在区分成年 ADHD 患者和健康对照者方面的有效性。机器学习技术用于根据脑电图特征对患者的状态进行分类。本研究的主要目的是确定在停止信号任务招募抑制过程中记录的任务型脑电图数据的分类性能是否优于静息状态脑电图数据。我们假设基于任务的脑电图数据包含与抑制控制相关的有价值的生物标志物，可用于检测 ADHD，而静息状态脑电图数据不具备这种有用的生物标志物。索引词 —ADHD、分类、机器学习、脑电图
功能性神经网络：用于功能数据的换档模型，并具有脑电图分类的应用程序
在BCI的背景下，更具体地用于通过脑电图（EEG）测量的数据分析，传统方法基于根据数据计算得出的精心选择的功能。通常应用的技术包括时间域中脑电图数据的主要成分分析，或基于频域中功率谱的特征（Azlan＆Low，2014; Boubchir等，2017; Boonyakitanont et al。，2020）。由于深度学习领域的最新进展，提出了避免手动特征提取的神经网络的不同架构，并且似乎超过了更传统的方法。例如，提出了神经网络EEGNET来支持多个BCI范式，通常被称为该领域的基准模型（Lawhern等，2018）。在临床环境中，使用VGG16神经网络的某些变体来检测与癫痫相关的信号（Da Silva LourenC报O等，2021）。通常，深度学习已成功地应用于与脑电图数据有关的各种任务（Craik等，2019； Roy等，2019）。
如何引用本文：Trede Filho RG，Rodrigues TCP，Brant AC，Rodrigues NLM，Brant AC，Rodrigues NLM。从构图分类
使用钢铁法（8）或构图（9）的方法。视觉检查是一种评估拱形和脚对准的方法，并被医生广泛使用；但是，它们的分类是主观的，并且具有较高的评价者变异性（10）。关于定量方法，与钢铁测量法（11）相比，podographs是低成本且更易于应用的；阶数的变异性低于VI（12）。构图的解释可以基于不同的方法，例如VI，Arch Index（AI），Arch足迹角（AFA），足迹索引（FI），Arch-Length Index（Ali），截短的Arch Index（Tai）和Chippaux-Smirak Index（CSI）（CSI）（CSI）（12-17）。但是，每种技术都使用不同的参数来对脚姿势进行分类，并且有些技术不会在分类之间呈现截止阈值。此外，用于对每种绘画方法进行分类的脚的参数是不同的（12-17）；重要的是要阐明技术之间的协议是否令人满意，以便医生可以使用他们的首选选择。因此，这项研究的目的是比较文献中用于对脚摄影图像进行分类的不同参数的效率，并确定它们之间的一致性水平。
基于图分区最小化切换函数的新型量子算法
摘要：自谷歌宣布实现量子霸权后，用量子计算解决经典问题成为颇具价值的研究课题。开关函数最小化是电子设计自动化（EDA）和逻辑综合中的一个重要问题，大多数解决方案都是基于经典计算机的启发式算法，用量子处理器解决这个问题是一种很好的做法。在本文中，我们介绍了一种新的混合经典量子算法，该算法使用 Grover 算法和对称函数来最小化布尔开关函数的小不相交乘积和（DSOP）与乘积和（SOP）。我们的方法基于将任意图划分为正则图，这可以通过我们提出的基于 Grover 的量子搜索算法来解决。该量子算法的 Oracle 由布尔对称函数构建并用格图实现。通过分析和量子模拟器上的模拟证明，我们的方法可以找到这些问题的所有解。
基于加权多项式的运动想象脑电图分类...
摘要—目的：基于深度学习技术的脑电信号识别需要充足数据的支持，然而在特定受试者的运动想象任务中通常会出现训练数据稀缺的情况，除非能使用多受试者数据来扩充训练数据。遗憾的是，由于不同受试者的数据分布差异很大，仅在多受试者数据上进行训练只能使模型性能得到微小的提高甚至更差。方法：为解决该问题，本文提出了一种新的加权多分支（WMB）结构来处理多受试者数据，其中每个分支负责拟合一对源-目标受试者数据，并使用自适应权重来整合所有分支或选择权重最大的分支来做出最终决策。将提出的 WMB 结构应用于六种著名的深度学习模型 (EEGNet、Shallow ConvNet、Deep ConvNet、ResNet、MSFBCNN 和 EEG_TCNet)，并在 EEG 数据集 BCICIV-2a、BCICIV-2b、高伽马数据集 (HGD) 和两个补充数据集上进行了全面的实验。结果：与最先进模型相比的优异结果证明了所提方法在特定受试者运动想象 EEG 分类中的有效性。例如，提出的 WMB_EEGNet 在 BCICIV-2a、BCICIV-2b 和 HGD 上分别实现了 84.14%、90.23% 和 97.81% 的分类准确率。结论：很明显，提出的 WMB 结构能够很好地利用具有较大分布差异的多受试者数据进行特定受试者的 EEG 分类。
数字经济对企业创新行为的影响：基于Citespace知识图分析
结果和讨论：我们的研究发现：数字经济时代的企业创新行为的研究已经形成了八个研究方向，例如专业知识，人力资本FSA，全球价值链中的整合，财务创新，财务创新，财务，人们偏好，互联网，一切事物的互联网和消费者共同创造。此外，数字经济时代的企业创新行为的研究热点从企业对数字经济联系的看法到企业对数字技术及其应用的熟悉，再到企业对数字转型的尝试演变，反映了理论和实践特征的潜力。最后，我们介绍了数字经济时代企业创新行为研究的未来横截面发展的看法，并提出了基于中国背景的研究趋势。
基于自我的运动想象脑电图分类 - 刘国阳
摘要 —基于运动想象的脑机接口已广泛应用于神经康复。运动想象脑电图 (MI-EEG) 是指人们想象自己的身体在没有实际动作的情况下运动的脑电信号。患有运动障碍的人可以通过脑电图 (EEG) 解码来控制外部设备。然而，由于脑电图的复杂性和非平稳性，解码仍然存在各种挑战。如何提高脑电图解码的准确性和鲁棒性仍然是一个有待研究的关键问题。在本文中，首次引入了一种基于自注意的卷积神经网络 (CNN) 结合频带-时间带共同空间模式 (FTBCSP) 进行四类 MI-EEG 分类。基于自注意的 CNN 用于原始数据以获得通道权重并强化空间信息。共同空间模式 (CSP) 是一种广泛应用于 MI-EEG 解码的算法，可以提取两个类之间的判别特征。将经过 CSP 算法处理后的特征与上述空间信息相结合完成分类。我们在公开的多类 MI 数据集上验证了该方法，平均准确率为 78.12%，优于其他传统方法。证明了所提方法充分利用了脑电信号的时空信息，在公开数据集上获得了优异的分类性能。