XiaoMi-AI文件搜索系统
World File Search System据预测
使用数据预测电池的当前和未来状态...
机器学习是人工智能的特定应用，它允许计算机通过一组算法从数据和经验中学习和改进，而无需重新编程。在储能领域中，机器学习最近成为了电池建模的一种新方法，不仅是为了确定电池的当前充电，而且还可以预测其未来的健康状况和剩余使用寿命。在这篇评论中，我们首先讨论文献中研究的两种类型的电池模型，以进行电池状态预测：等效电路和基于物理的模型。基于这些模型的当前局限性，我们展示了机器学习技术的前景，以快速准确的电池状态预测以及所涉及的主要挑战，尤其是在高吞吐量数据生成中。此外，我们建议将物理学和领域知识纳入，以开发更容易解释和可解释的机器学习模型。总体而言，我们将数据驱动的机器学习视为一种有希望的建模技术，它可以在将来打开电池制造，使用和优化的新的，令人兴奋的机会。
文章根据静息状态脑电图数据预测个体用户脑电图特征的动态范围，以评估其对被动脑电图的适用性——
摘要：随着近年来低成本可穿戴脑电图 (EEG) 记录系统的发展，被动式脑机接口 (pBCI) 应用正在教育、娱乐和医疗保健等各种应用领域中得到积极研究。各种 EEG 特征已被用于实现 pBCI 应用；然而，经常有报道称，有些人难以充分享受 pBCI 应用，因为他们的 EEG 特征的动态范围（即其随时间变化的幅度）太小，无法用于实际应用。进行初步实验以寻找与不同心理状态相关的个性化 EEG 特征可以部分避免这一问题；然而，对于大多数 EEG 特征动态范围足够大以用于 pBCI 应用的用户来说，这些耗时的实验是没有必要的。在本研究中，我们尝试从静息状态脑电图 (RS-EEG) 预测个人用户最广泛用于 pBCI 应用的脑电图特征的动态范围，最终目标是识别可能需要额外校准才能适合 pBCI 应用的个人。我们使用基于机器学习的回归模型来预测三种广泛使用的脑电图特征的动态范围，已知这三种特征与大脑的效价、放松和集中状态有关。我们的结果表明，脑电图特征的动态范围可以预测，归一化均方根误差分别为 0.2323、0.1820 和 0.1562，证明了使用短暂静息脑电图数据预测 pBCI 应用的脑电图特征的动态范围的可能性。
使用常规数据预测精神病医院的患者结果：一种机器学习方法
背景：机器学习应用程序中的一个常见问题是在决策点上可用的数据。本研究的目的是使用容易获得的常规数据来预测与精神病医院护理组织有关的方面。进一步的目的是将机器学习方法的结果与通过传统方法获得的结果以及通过天真基线分类器获得的结果进行比较。方法：该研究包括2017年1月1日至2018年12月31日在德国黑森的九家精神病医院中连续出院的患者。我们将随机梯度增强（GBM）与多个逻辑回归和天真基线分类器相比，我们比较了预测性能。我们测试了最终模型对另一个日历年和不同医院的看不见的患者的表现。
根据生理数据预测飞行员的认知状态...
本论文使用与生理属性相关的数据，研究了飞行员在实验过程中的认知状态。尽管该挑战已经过期，但咨询公司 Booz Allen Hamilton 发起了一项挑战，鼓励数据科学家建立一个具有检测能力的模型，以防止航空事故和事件。本论文研究的首要问题是：能否通过生理测量预测飞行员的认知状态？先前的研究发现，认知状态检测可以提高航空安全性。在这项研究中，我们参考了人为因素分类和分析系统，以更广泛地看待研究结果。本论文研究的任务有两个方面：(1) 认知状态分类和 (2) 认知状态变化检测。要解决的关键问题是从复杂数据中提取特征。因此，进行了频域分析和滑动窗口时间分析。在 73 个变量中，选择了对模型性能贡献最大的五个变量。所提出的模型在检测测试数据中特定飞行员的适当认知状态时，F1 得分达到 0.67。测试数据上的平均 F1 得分为 0.55，高于没有工程特征的基准模型（0.48）。特别是在惊吓和注意力分散分类期间，性能较低。此外，并非所有飞行员