XiaoMi-AI文件搜索系统
World File Search System峰度
教学大纲
方程。5。了解相关，回归，力矩，偏度以及峰度和曲线拟合的概念。模块1：拉普拉斯变换：（8小时）拉普拉斯变换的定义，存在定理，衍生物和积分的拉普拉斯变换，初始和最终值定理，单位步长函数，diracdelta函数，dirac-delta函数，laplace的周期性函数，周期性拉普拉斯转换，互惠变换，卷积变换，互惠定理，solude for solve lineal lineal lineal lineal lineal lineal lineal lineal lineal lineal lineal lineal lineal areviations lineal lineal areviations lineal lineal areviations。模块2：傅立叶变换：（8小时）傅立叶积分，正弦和余弦积分，傅立叶积分，傅立叶变换，逆傅里叶式扭转，卷积定理，傅立叶定理，傅立叶正弦和余弦变换，傅立叶变换的应用到简单的一维热传输方程。模块3：代数和超验方程和插值的解决方案：（8小时）数量及其准确性，代数和先验方程的解决方案：分配方法，迭代方法，Newton-Raphson方法和Regula-Falsi方法。这些方法的收敛速率（没有证据），插值：有限差异，操作员之间的关系，使用牛顿的前向和后差公式进行插值，与不平等间隔的插值：牛顿的分裂差异和Lagrange的公式。模块4：数值差异和集成和解决方案：（8小时）
B.Tech的教学大纲
方程。5。了解相关，回归，力矩，偏度以及峰度和曲线拟合的概念。模块1：拉普拉斯变换：（8小时）拉普拉斯变换的定义，存在定理，衍生物和积分的拉普拉斯变换，初始和最终值定理，单位步长函数，diracdelta函数，diracdelta函数，laplace的周期性函数，周期性的拉普拉斯转换，逆向拉普拉斯变换，卷积变换，卷积定理，应用程序lineal linear lineal lineal lineal lineal lineal lineal lineal lineal lineal lineal lineal lineal areviations lineal lineal areve lineal lineal areviations。模块2：傅立叶变换：（8小时）傅立叶积分，正弦和余弦积分，傅立叶积分，傅立叶变换，逆傅里叶式扭转，卷积定理，傅立叶定理，傅立叶正弦和余弦变换，傅立叶变换的应用到简单的一维热传输方程。模块3：代数和超验方程和插值的解决方案：（8小时）数量及其准确性，代数和先验方程的解决方案：分配方法，迭代方法，Newton-Raphson方法和Regula-Falsi方法。这些方法的收敛速率（没有证据），插值：有限差异，操作员之间的关系，使用牛顿的前向和后差公式进行插值，与不平等间隔的插值：牛顿的分裂差异和Lagrange的公式。
使用机器学习技术从 MRI ADC 图像中提取特征以进行脑肿瘤分类
方法：这项前瞻性研究使用了 1599 个标记的 MRI 脑 ADC 图像切片，其中 995 个为恶性，604 个为良性，这些切片来自 195 名经放射学诊断并经组织病理学确诊为脑肿瘤的患者。从每位患者的 MRI ADC 图像中提取人口统计学信息、平均像素值、偏度、峰度、灰度共生矩阵 (GLCM) 特征、平均值、方差、能量、熵、对比度、同质性、相关性、突出度和阴影。在特征选择阶段，使用 ANOVA f 检验测量提取特征的有效性。然后，将这些特征用作几种机器学习分类算法的输入，并评估相应的模型。结果：根据 ANOVA f 检验特征选择过程的结果，两个属性：偏度（3.34）和 GLCM 同质性（3.45）的 ANOVA f 检验分数最低。因此，在继续实验时排除这两个特征。在测试的不同 ML 算法中，选择随机森林分类器来构建最终的 ML 模型，因为它具有最高的准确度。在超参数调整过程之后，最终模型能够以 90.41% 的准确率预测恶性和良性肿瘤。结论：本研究得出结论，上述特征（偏度和 GLCM 同质性除外）对于识别和区分恶性和良性脑肿瘤具有重要意义。此外，它们有助于开发一种高性能 ML 模型，该模型能够在尝试侵入性诊断程序（例如脑活检）之前协助脑肿瘤诊断过程的决策步骤。
基于元启发式优化的图像和算术任务特征选择：一项 fNIRS 研究
摘要：近几十年来，脑机接口 (BCI) 已成为研究的前沿领域。特征选择对于降低数据集的维度、提高计算效率和增强 BCI 的性能至关重要。使用与活动相关的特征可以在所需任务中获得较高的分类率。本研究提出了一种基于包装器的元启发式特征选择框架，用于使用功能性近红外光谱 (fNIRS) 的 BCI 应用。在这里，从所有可用通道计算时间统计特征（即平均值、斜率、最大值、偏度和峰度）以形成训练向量。使用基于 k 最近邻的成本函数测试了七种元启发式优化算法的分类性能：粒子群优化、布谷鸟搜索优化、萤火虫算法、蝙蝠算法、花授粉优化、鲸鱼优化和灰狼优化 (GWO)。基于来自 29 名健康受试者的运动想象 (MI) 和心算 (MA) 任务的在线数据集，对所提出的方法进行了验证。结果表明，与从全套特征中获得的特征相比，利用从元启发式优化算法中选择的特征可以显著提高分类准确率。所有上述元启发式算法都提高了分类准确率并减小了特征向量大小。GWO 对 MA、MI 和四类（左手和右手 MI、MA 和基线）任务的平均分类率最高（p < 0.01），分别为 94.83 ± 5.5%、92.57 ± 6.9% 和 85.66 ± 7.3%。所提出的框架可能有助于在训练阶段为基于 fNIRS 的稳健 BCI 应用选择合适的特征。
使用卷积神经网络解码三种不同的消费者偏好水平：功能性近红外光谱研究
本研究使用卷积神经网络（CNN）在神经市场中解码消费者的偏好水平。神经营销中的分类准确性是评估消费者意图的关键因素。功能性近红外光谱（FNIRS）被用作神经成像模态来测量脑血流动力学反应。在这项研究中，设计一种称为基于CNN的FNIRS-DATA分析的特定解码结构，旨在达到高分类的准确性。与其他方法相比，自动化特征，数据集的持续培训以及所提出方法的学习效率是主要优点。实验程序需要八名健康参与者（四名女性和四名男性）来观看不同持续时间（15、30和60 s）的商业广告视频。参与者的脑血液动力学反应。为了比较偏好分类性能，CNN用于提取最常见的特征，包括均值，峰，方差，峰度和偏度。考虑三个视频持续时间，平均分类精度为15、30和60 s的视频分别为84.3、87.9和86.4％。其中，30 s视频的分类准确性为87.9％。女性和男性三个偏好的平均分类精度分别为86.2和86.3％，每组没有差异。最后，成对分类性能如下：对于女性，为86.1％（如SO-SO），87.4％（如对不喜欢的人），85.2％（SO-SO vs. vs.不喜欢）和男性85.7，85.7，88.4，88.4，85.1％。通过比较两组之间的三种不同组合的分类性能（例如与So-So，如so-so，如不喜欢和So-so vs.的不喜欢），观察到男性参与者对商业广告具有针对性的偏好，分类性能和“ live” vs.“ live” vs。
探讨教师对教育领域人工智能的认识：北塞浦路斯案例研究
摘要：本研究调查了教师对人工智能 (AI) 在教育中的应用的认识水平，重点研究这种认识是否因社会人口特征、技术使用情况以及有关人工智能的特定知识和信念而有所不同。本研究于 2023-2024 学年在北塞浦路斯进行，采用了有目的和滚雪球抽样方法的调查模型，涉及 164 名教师。本研究包括小学、中学、高中和大学等不同级别的教师。Feriko˘glu 和 Akgün (2022) 开发的“人工智能意识量表”用于测量人工智能意识。通过偏度和峰度值验证数据的正态性，允许进行参数统计检验，例如 t 检验、单向方差分析、逻辑回归和卡方分析。本研究探讨了不同类型和教育水平的学校使用人工智能的分布情况，并评估了人工智能意识的各个子维度对其在教学中应用的影响。研究结果表明，教师人口统计学特征（年龄、性别、教育水平、学校类型、机构级别和月收入）对人工智能意识没有显著影响。然而，使用模式表明，大学讲师更有可能将人工智能融入教学，其次是小学和中学教师，中学教师使用人工智能的可能性最低。多层神经网络分析发现，实践知识是影响人工智能在教学中使用最关键的因素（重要性权重为 0.450），其次是信念和态度（0.298）、相关性（0.148）和理论知识（0.104）。这些结果强调了实践知识对于促进人工智能融入教育实践的重要性，强调了对教师培训和专业发展计划的重要意义。
利用时域统计参数进行运动想象脑电图数据特征提取
J. Anila Maily a,b C. Velayutham 博士 c*，M.Mohamed Sathik da 研究学者，（兼职内部）（注册号：12336），Sadakathullah Appa 学院计算机科学系，Rahmath Nagar,Tirunelveli- 627011 b 副教授，圣玛丽学院（自治），Thoothukudi。 c *蒂鲁琴杜尔阿迪塔纳尔艺术与科学学院院长兼副教授，d Sadakathullah Appa 学院校长，Rahmath Nagar, Tirunelveli -627011, 泰米尔纳德邦，印度。 a,b,c,d 附属于 Manonmaniam Sundaranar 大学，Abishekapatti, Tirunelveli-627012, 泰米尔纳德邦，印度。文章历史记录：收稿日期：2021 年 1 月 10 日；修订日期：2021 年 2 月 12 日；接受日期：2021 年 3 月 27 日；在线发表日期：2021 年 4 月 28 日 _____________________________________________________________________________________________________ 摘要：脑机接口 (BCI) 提供了大脑与外界之间的沟通途径。对于因神经肌肉疾病而致残的人来说，这是一种福音。BCI 的工作原理是测量脑信号、分析、解释它们并将其转化为动作。脑电图 (EEG) 是大脑产生的电活动的测量。运动意象是在没有任何身体运动的情况下对运动的心理模拟。每个脑信号都由几个称为特征的相关值量化。一旦提取出特征，就可以识别用户的意图。特征提取模块负责选择对分类非常重要的特征。在本文中，我们提出了时域统计特征提取技术，例如均值相关性、峰度、偏度，并使用 KNN 分类器进行分类。将结果与通用空间模式（CSP）提取的特征进行比较，并使用线性判别分析分类器进行分类。关键词：BCI，EEG，运动想象，特征提取
《光电子与生物医学材料杂志》第 15 卷，第 2 期，2023 年 4 月 - 6 月，第 55 - 64 页 射频磁控管的表面研究
使用不同靶到基片距离的化学计量氮化硅靶，通过射频磁控溅射在单面 P 型抛光掺硼硅晶片基片上沉积氮化硅薄膜。改变靶到基片的间距（非常规参数）以优化表面粗糙度和晶粒尺寸。这种优化提供了均匀、密集的氮化硅薄膜的正态分布，没有表面裂纹。采用原子力显微镜探索氮化硅薄膜的精确表面粗糙度参数。所有样品的表面粗糙度和晶粒分析都表现出直接关系，并与靶到基片的间距呈反比关系。通过以下参数分析了 Si3N4 的表面形貌：平均粗糙度、均方根粗糙度、最大峰谷高度、十点平均粗糙度、线的偏度和峰度。氮化硅薄膜的表面粗糙度在基于氮化硅波导的生物传感器制造中具有重要意义。 (2022 年 8 月 4 日收到；2023 年 4 月 3 日接受) 关键词：原子力显微镜、射频磁控溅射、氮化硅、靶材到基板间距、薄膜 1. 简介 氮化硅具有卓越的光学、化学和机械性能，是微电子学中用作电介质和钝化层 [1] 以及微机电系统 (MEMS) 中结构材料最广泛的材料 [2, 3]。氮化硅薄膜由于其在可见光和近红外 (NIR) 区域的高折射率和透明度，在光电子应用中也发挥着至关重要的作用 [4, 5]。氮化硅薄膜在光电子领域的主要应用是基于光波导的生物传感器作为平面光波导 [6-8]。平面光波导是一种三层结构，其中通常称为芯的高折射率薄膜夹在两个低折射率膜（称为下包层和上包层）之间。平面波导内部的光传播基于全内反射原理。据报道，光波导中芯体表面的粗糙度是造成波导边界处光传播损耗的原因 [10, 11]。这是由于界面处的反射和折射现象而不是全内反射造成的。芯体的粗糙表面可以将光散射到不同方向。芯体和包层之间的折射率差 ∆n 越大，光在芯体中的限制就越大。因此，由于氮化硅的折射率约为 2，而二氧化硅的折射率约为 1，因此二氧化硅/氮化硅/二氧化硅的特定结构是平面光波导的合适候选材料。46 作为上下包层，折射率差 ∆n ~ 0.5[9]。Si 3 N 4 薄膜通过低压化学气相沉积、热蒸发、等离子体增强化学气相沉积和磁控溅射系统制备[12-16]。然而，磁控溅射技术由于无毒气体、低温沉积、易于调节沉积速率和沉积系统简单而比 PECVD 技术具有相当大的优势[17]。薄膜的常规参数
尊敬的评奖委员会
摘要：保持自由活动的能力对于生活质量至关重要。随着人们年龄的增长或面临事故、自然灾害或中风等健康状况等挑战，他们可能会因脚踝问题而难以行动。当脚踝不平衡时，会影响步行模式。本研究探索使用红外光谱 (fNIRS) 控制外骨骼以辅助脚踝运动。测试了六个统计特征和四个机器学习分类器，其中 k 最近邻 (kNN) 分类器通过结合所有特征实现了 91.1% 的准确率。为了防止过度拟合，确定了 kNN 的个性化最佳“k”值。简介：在本研究中，fNIRS（功能性近红外光谱）被用作脑机接口 (BCI) 系统的数据采集方式。在执行动作的过程中，大脑需要氧气来激发神经元，从血液中吸取氧气并改变特定点的含氧和缺氧血液的浓度 [1]。 fNIRS 测量这种浓度变化。典型的 BCI 系统涉及几个阶段：数据采集、预处理、特征提取和分类。方法：20 名健康参与者使用 NIRX NIRSport2 fNIRS 系统进行数据采集。该设置包括 20 个通道，由 8 对相距 3 厘米的源和探测器创建，遵循国际 EEG 10-20 系统。实验方案包括与膝关节伸展和屈曲相关的运动任务。随后，使用 nirsLAB 工具箱对收集的数据进行预处理以检查血流动力学反应。采用 0.01 Hz 至 0.3 Hz 的带通滤波器消除生理干扰。结果：从 ΔHbO 中提取了均值、峰值、偏度、方差、峰度和斜率等统计特征并进行了分析。与其他组合相比，这六个特征组合的分类准确率明显更高，为 9.11%。与二次判别分析 QDA（77.9%）、支持向量机（75.2%）和线性判别分析 LDA（62.2%）相比，k 近邻算法具有更高的准确率。这些比较的 p 值小于 p<0.005。结论：该研究提出了一种对 fNIRS 数据进行分类和利用的策略，分析了六个统计指标作为特征。其中，斜率对分类具有重要意义。结合所有六个特征可获得最高准确率，其次是特征较少的组合，强调了它们的重要性。测试四个机器学习分类器表明 kNN 最准确，明显优于 LDA、QDA 和 SVM。kNN 的最佳 k 值因受试者和特征组合而异，有助于优化性能和减少过度拟合。这些发现为有效利用 fNIRS 数据进行分类任务提供了一个框架，为康复机器人应用中的特征重要性和分类器性能提供了见解。参考文献：[1] N. Jovanović-Simić、I. Arsenić 和 Z. Daničić，“脑机接口系统在严重运动障碍患者交流中的应用”，Spec. Edukac. i Rehabil.，第 21 卷，第 1 期，第 51-65 页，2022 年，doi：10.5937/specedreh21-35403。
跨免疫在流行动力学中的长期和短期影响
脑白质中的水扩散。医学中的磁共振，52（5），965 - 978。https：//doi.org/10.1002/mrm.20274 Assaf，Y.，Johansen-Berg，H。，＆Thiebaut de Schotten，M。（2019）。扩散MRI在神经科学中的作用。nmr在生物医学中，32（4），e3762。https://doi.org/10.1002/nbm.3762 Assaf，Y。，＆Pasternak，O。 （2008）。 扩散张量成像（DTI）基于大脑研究中的白质映射：评论。 分子神经科学杂志，34（1），51 - 61。https：//doi.org/10.1007/s12031-007-0029-029-0029-0 Behrman-lay，A.M.，Paul，Paul，Paul，R.H. 人类免疫缺陷病毒对男性和女性的脑体积和认知具有相似的影响。 神经病毒学杂志，22（1），93 - 103。https：//doi.org/10。 1007/S13365-015-0373-8 Bell，R。P.，Barnes，L.L.，Towe，S.L.，Chen，N。K.，Song，A.W。，＆Meade，C.S。（2018）。 HIV感染中的结构连接组差异：与Nadir CD4细胞计数相关的大脑网络隔离。 神经病毒学杂志，24（4），454 - 463。https：//doi.org/10.1007/ S13365-018-018-0634-4 Buyukturkoglu，K. 扩散峰度成像显示HIV感染和多发性硬化症患者的脑轴突损伤相似。 Neuroim-Aging Journal，28（3），320 - 327。 Chanraud，S.，Zahr，N.，Sullivan，E。V.和Pfefferbaum，A。 （2010）。 MR扩散张量成像：进入工作大脑的白质完整性的窗口。 （2019）。 （2016）。 ajnr。https://doi.org/10.1002/nbm.3762 Assaf，Y。，＆Pasternak，O。（2008）。扩散张量成像（DTI）基于大脑研究中的白质映射：评论。分子神经科学杂志，34（1），51 - 61。https：//doi.org/10.1007/s12031-007-0029-029-0029-0 Behrman-lay，A.M.，Paul，Paul，Paul，R.H.人类免疫缺陷病毒对男性和女性的脑体积和认知具有相似的影响。神经病毒学杂志，22（1），93 - 103。https：//doi.org/10。1007/S13365-015-0373-8 Bell，R。P.，Barnes，L.L.，Towe，S.L.，Chen，N。K.，Song，A.W。，＆Meade，C.S。（2018）。HIV感染中的结构连接组差异：与Nadir CD4细胞计数相关的大脑网络隔离。神经病毒学杂志，24（4），454 - 463。https：//doi.org/10.1007/ S13365-018-018-0634-4 Buyukturkoglu，K.扩散峰度成像显示HIV感染和多发性硬化症患者的脑轴突损伤相似。Neuroim-Aging Journal，28（3），320 - 327。Chanraud，S.，Zahr，N.，Sullivan，E。V.和Pfefferbaum，A。（2010）。MR扩散张量成像：进入工作大脑的白质完整性的窗口。（2019）。（2016）。ajnr。Neuropsychology评论，20（2），209 - 225。https：// doi。org/10.1007/s11065-010-9129-7 Chen，T。和Guestrin，C。（2016）。XGBoost第22 ACM SIGKDD国际知识发现与数据挖掘会议的会议记录。Chen，Y.，An，H.，Zhu，H.，Stone，T.，Smith，J.K.，Hall，C.，Bullitt，E.，Shen，D。，＆Lin，W。（2009）。 白质异常在非痴呆和痴呆的HIV +患者中差异张量成像显示出来。 NeuroImage，47（4），1154 - 1162。https：//doi.org/10.1016/j。 Neuroimage.2009.04.030 Cilliers，K。，＆Muller，C。J. F.（2021）。 人类免疫缺陷病毒对大脑的影响：综述。 解剖记录（Hoboken），304（7），1389 - 1399。https：//doi.org/10.1002/ar.24573 Correa，D.G.，D.G.，Zimmermann，N. E. L.（2015）。 在计划不足的HIV阳性患者中，白质完整性的扩散张量MR成像。 Neuroradiology，57（5），475 - 482。https：// doi.org/10.1007/s00234-015-1489-5-5 Davies，O. （2019）。 艾滋病毒认知的临床和神经影像学相关。 神经科学杂志，25（6），754 - 764。https：//doi.org/10.1007/s13365-019- 00763-W de Santis，S.，S.，Bastiani，M. Roebroeck，A。 表征多发性硬化症中的微结构组织特性，在7 t和3 t时进行扩散MRI：实验设计的影响。Chen，Y.，An，H.，Zhu，H.，Stone，T.，Smith，J.K.，Hall，C.，Bullitt，E.，Shen，D。，＆Lin，W。（2009）。白质异常在非痴呆和痴呆的HIV +患者中差异张量成像显示出来。NeuroImage，47（4），1154 - 1162。https：//doi.org/10.1016/j。Neuroimage.2009.04.030 Cilliers，K。，＆Muller，C。J. F.（2021）。人类免疫缺陷病毒对大脑的影响：综述。解剖记录（Hoboken），304（7），1389 - 1399。https：//doi.org/10.1002/ar.24573 Correa，D.G.，D.G.，Zimmermann，N. E. L.（2015）。在计划不足的HIV阳性患者中，白质完整性的扩散张量MR成像。Neuroradiology，57（5），475 - 482。https：// doi.org/10.1007/s00234-015-1489-5-5 Davies，O. （2019）。艾滋病毒认知的临床和神经影像学相关。神经科学杂志，25（6），754 - 764。https：//doi.org/10.1007/s13365-019- 00763-W de Santis，S.，S.，Bastiani，M. Roebroeck，A。表征多发性硬化症中的微结构组织特性，在7 t和3 t时进行扩散MRI：实验设计的影响。Neuroscience，403，17 - 26。https：//doi.org/10.1016/j.neuroscience.2018.03.048 De Santis，S.，Granberg，T.多壳差异MRI的多发性硬化症中早期微结构白质异常的证据。神经图像：临床，22，101699。https：//doi.org/10.1016/j。NICL.2019.101699 DE SANTIS，S.，JONES，D.K。和ROEBROECK，A。 包括轴外空间中的扩散时间依赖性可改善人类白质中轴突直径和密度的体内估计值。 Neuroimage，130，91 - 103。https：//doi.org/10.1016/j.neuroimage.2016.01.047 Filippi，C。G. 对大脑MR图像上HIV和正常白质患者的扩散张量成像。 美国神经放射学杂志，22（2），277 - 283。NICL.2019.101699 DE SANTIS，S.，JONES，D.K。和ROEBROECK，A。包括轴外空间中的扩散时间依赖性可改善人类白质中轴突直径和密度的体内估计值。Neuroimage，130，91 - 103。https：//doi.org/10.1016/j.neuroimage.2016.01.047 Filippi，C。G.对大脑MR图像上HIV和正常白质患者的扩散张量成像。美国神经放射学杂志，22（2），277 - 283。