XiaoMi-AI文件搜索系统
World File Search System朴素
使用人工智能管理和识别糖尿病并发症
“智能”是人类在动物界中领先地位的各种能力的结合，剑桥词典将其定义为“学习、理解和做出判断或基于理性发表意见的能力”[1]。赋予计算机智能的新目标开辟了“人工智能（AI）”的新领域，1977 年，博登恰当地将其定义为“使计算机能够完成人类需要智能才能完成的事情的能力”[2]。人工智能方法和技术包括基于案例的推理、机器学习和深度学习[人工神经网络（ANN）、支持向量机、朴素贝叶斯、决策树、随机森林、分类和回归树以及 k 最近邻]、进化计算和混合智能系统以及模糊逻辑（FL），这些方法和技术在过去几十年中被应用于医学和健康领域。这些方法有助于疾病诊断和分类，并协助医疗保健专业人员完成需要处理数据和知识的任务[3, 4]。配备改进的摄像头和生物识别技术的智能手机以及具有更快计算能力的健身可穿戴设备的使用为健康行业开辟了新领域。2017 年的一项调查显示，68% 的移动健康应用开发者认为
使用 3-d 加速度计进行手势识别 - SMEC
摘要：基于手势的交互是一种自然的人机交互方式，在普适计算环境中有着广泛的应用。本文提出了一种基于加速度的手势识别方法，称为 FDSVM（基于帧的描述符和多类 SVM），该方法仅需要可穿戴的三维加速度计。使用 FDSVM，首先收集手势的加速度数据并用基于帧的描述符表示，以提取判别信息。然后构建基于 SVM 的多类手势分类器以在非线性手势特征空间中进行识别。在包含数周的 12 种手势的 3360 个手势样本的数据集上进行的大量实验结果表明，所提出的 FDSVM 方法明显优于其他四种方法：朴素贝叶斯、DTW、HMM 和 C4.5。在用户相关的情况下，FDSVM 对 4 个方向手势的识别率为 99.38%，对所有 12 个手势的识别率为 95.21%。在用户无关的情况下，它对 4 个手势的识别率为 98.93%，对 12 个手势的识别率为 89.29%。与文献中报道的其他基于加速度计的手势识别方法相比，FDSVM 在用户相关和用户无关的情况下均能给出最佳结果。
基于物联网的糖尿病诊断 ANFIS 框架
物联网 (IoT) 在医疗保健领域的日益融合正在彻底改变患者监测和疾病预测。本文介绍了一种基于机器学习 (ML) 的框架，使用自适应神经模糊推理系统 (ANFIS) 来预测糖尿病。该系统利用 IoT 数据来监测关键健康参数，包括血糖水平、血压和年龄，为糖尿病患者提供实时诊断。本研究中使用的数据集来自 UCI 存储库，并使用 ANFIS 模型进行预处理、特征选择和分类。与其他机器学习算法（如支持向量机 (SVM)、朴素贝叶斯和 K 最近邻 (KNN)）的比较分析表明，所提出的方法具有出色的预测性能。实验结果表明，ANFIS 模型的准确率达到 95.5%，优于传统模型，并在临床环境中提供更可靠的决策。这项研究强调了物联网与机器学习相结合在改善预测性医疗保健应用方面的潜力，并强调了实时患者监测系统的需求。关键词
机器学习的开发和验证
缩写 AUC = ROC 曲线下面积；BBB = 血脑屏障；CE = 对比增强；DMG = 弥漫性中线胶质瘤；DMG-A = DMG，H3 K27 改变；DMG-W = 无 H3 K27 改变的中线 HGG；GLCM = 灰度共生矩阵；GLDM = 灰度依赖矩阵；GLRLM = 灰度游程矩阵；GLSZM = 灰度大小区域矩阵；GNB = 高斯朴素贝叶斯；HGG = 高级别胶质瘤；ICC = 类间相关系数；LASSO = 最小绝对收缩和选择运算符；LR = 逻辑回归；ML = 机器学习；MLP = 多层感知器；PCNSL = 原发性中枢神经系统淋巴瘤；RF = 随机森林；ROC = 受试者工作特性；ROI = 感兴趣区域；SHAP = Shapley 加性解释；SVM = 支持向量机。提交于 2022 年 6 月 30 日。接受于 2022 年 11 月 15 日。引用时请注明 2022 年 12 月 23 日在线发布；DOI：10.3171/2022.11.JNS221544。 * KL 和 HC 对这项工作的贡献相同。
使用 XGBOOST 进行基于机器学习的临床疾病预测
1,2 印度拉杰果德马尔瓦迪大学 摘要：科学技术对医疗行业的巨大影响导致了大量数据的收集。由于数据的大量积累，医生发现在早期识别或预测患者是否患有疾病变得更加复杂。幸运的是，监督机器学习算法的进步在收集数据的处理中展示了巨大的影响，并帮助医务人员快速准确地预测高风险疾病的早期存在。这不仅有助于预防疾病的传播，还可以节省患者可能产生的巨额医疗费用。本文旨在评估疾病检测中的多种监督机器学习模型，并通过性能基准对其进行分析。主要讨论的监督学习算法是 K-最近邻 (KNN)、决策树 (DT)、朴素贝叶斯 (NB)、随机森林、XGBoost、CNN、DNN。XGBoost 在预测心脏病和糖尿病方面表现出色。 XGBoost 预测糖尿病和心脏病的精度，卷积神经网络 (CNN) 预测脑肿瘤的精度。
使用 3-d 加速度计进行手势识别 - SMEC
摘要：基于手势的交互是一种自然的人机交互方式，在普适计算环境中有着广泛的应用。本文提出了一种基于加速度的手势识别方法，称为 FDSVM（基于帧的描述符和多类 SVM），该方法仅需要可穿戴的三维加速度计。使用 FDSVM，首先收集手势的加速度数据并用基于帧的描述符表示，以提取判别信息。然后构建基于 SVM 的多类手势分类器以在非线性手势特征空间中进行识别。在包含数周内 12 个手势的 3360 个手势样本的数据集上进行的大量实验结果表明，所提出的 FDSVM 方法明显优于其他四种方法：朴素贝叶斯、DTW、HMM 和 C4.5。在用户相关的情况下，FDSVM 对 4 个方向手势的识别率为 99.38%，对所有 12 个手势的识别率为 95.21%。在用户无关的情况下，它对 4 个手势的识别率为 98.93%，对 12 个手势的识别率为 89.29%。与文献中报道的其他基于加速度计的手势识别方法相比，FDSVM 在用户相关和用户无关的情况下均能给出最佳结果。
基于大脑电活动信号的机器学习方法的新型自动听力检查系统设计
摘要：本研究使用机器学习，利用 EEG 信号自主执行听力测试（听力测定）过程。在标准听力测试中，给受试者提供不同幅度和波长的声音，这些声音是通过 MATLAB GUI 设计的界面随机分配的。受试者表示，他听到了用耳机听到的随机大小的声音，但如果没有听到，他就不会采取行动。同时，跟踪 EEG（脑电图）信号，并记录受试者注意和未听到的声音在大脑中产生的波。对测试结束时生成的 EEG 数据进行预处理，然后进行特征提取。将从 MATLAB 接口接收到的听到和未听到的信息与 EEG 信号相结合，确定受试者听到了哪些声音，没有听到哪些声音。在通过界面给出的声音之间的等待期间，不会给受试者提供任何声音。因此，这些时间在 EEG 信号中标记为未听到。本研究使用 Brain Products Vamp 16 脑电图仪测量脑信号，然后使用 Brain Vision Recorder 程序和 MATLAB 创建脑电图原始数据。在从大脑中听到和未听到的声音产生的信号数据创建数据集之后，使用 PYTHON 编程语言进行机器学习过程。使用 Python 编程语言获取用 MATLAB 创建的原始数据，在完成预处理步骤之后，将机器学习方法应用于分类算法。每个原始脑电图数据都通过 Count Vectorizer 方法检测。使用 TF-IDF（词频-逆文档频率）方法计算所有脑电图数据中每个脑电图信号的重要性。根据人们是否能听到声音对获得的数据集进行分类。在分析中应用了朴素贝叶斯、光梯度强化机 (LGBM)、支持向量机 (SVM)、决策树、k-NN、逻辑回归和随机森林分类器算法。我们研究中选择的算法之所以受到青睐，是因为它们在 ML 中表现出色，并成功分析了 EEG 信号。所选分类算法还具有可在线使用的特点。使用了朴素贝叶斯、光梯度强化机 (LGBM)、支持向量机 (SVM)、决策树、k-NN、逻辑回归和随机森林分类器算法。在 EEG 信号的分析中，光梯度强化机 (LGBM) 被评为最佳方法。确定预测最成功的算法是 LGBM 分类算法的预测，成功率为 84%。这项研究表明，也可以使用 EEG 设备检测到的脑电波进行听力测试。虽然可以创建完全独立的听力测试，可能需要听力学家或医生来评估结果。
使用频率调制连续波传感对风力涡轮机复合材料进行表征
摘要：风力涡轮机叶片 (WTB) 是由复合多层材料结构组成的关键子系统。WTB 检查是一个复杂且劳动密集型的过程，其失败会给资产所有者带来巨大的能源和经济损失。在本文中，我们提出了一种用于叶片复合材料的新型无损评估方法，该方法采用调频连续波 (FMCW) 雷达、机器人和机器学习 (ML) 分析。我们表明，使用 FMCW 光栅扫描数据，我们的 ML 算法（SVM、BP、决策树和朴素贝叶斯）可以区分不同类型的复合材料，准确率超过 97.5%。SVM 算法的性能最佳，准确率为 94.3%。此外，所提出的方法还可以获得检测表面缺陷的可靠结果：层间孔隙率，总体准确率为 80%。特别是，SVM 分类器的最高准确率达到 92.5% 至 98.9%。我们还展示了检测复合材料 WT 结构中 1 毫米差异的气孔的能力，使用 SVM 的准确率为 94.1%，使用 Naïve Bayes 的准确率为 84.5%。最后，我们创建了物理复合材料样品的数字孪生，以支持 FMCW 数据相对于复合材料样品特性的集成和定性分析。所提出的方法探索了一种用于复合材料非接触表面和地下的新型传感方式，并为开发替代的、更具成本效益的检测方法提供了见解
数字教育中的人工智能和机器学习方法：系统修订
摘要：随着数据规模的不断增长以及数字教育等高等教育需求的变化，人工智能和机器学习技术在各个学科中的应用在过去几年中呈爆炸式增长。同样，在线教育信息系统也拥有大量与数字教育学生相关的数据。这些教育数据可与人工智能和机器学习技术一起使用，以改进数字教育。本研究主要有两点贡献。首先，该研究遵循了可重复和客观的文献探索过程。其次，该研究概述并解释了与在数字教育中使用基于人工智能的算法相关的文献主题。研究结果提出了与机器在数字教育中的使用相关的六个主题。本研究中的综合证据表明，机器学习和深度学习算法被用于数字学习的几个主题中。这些主题包括使用智能导师、辍学预测、表现预测、自适应和预测性学习和学习风格、分析和基于小组的学习以及自动化。在所有已确定的主题中，人工神经网络和支持向量机算法似乎被使用，其次是随机森林、决策树、朴素贝叶斯和逻辑回归算法。
测量量子叠加（或者“它只是......
在本文中，我们试图反驳量子力学 (QM) 基础文献中普遍存在的正统主张，即“叠加态在实验室中从未被真正观察到”。为此，我们首先对著名的测量问题进行批判性分析，我们认为，该问题源于严格应用经验实证主义要求，将量子形式主义纳入他们对“理论”的特定理解。在这种情况下，临时引入投影假设（或测量规则）可以理解为来自朴素经验主义立场的必要要求，该立场假定观察是“常识”经验的不言而喻的给定——独立于形而上学（范畴）预设。然后，我们将注意力转向量子力学的两种“非坍缩”解释——模态解释和多世界解释——尽管它们否认“坍缩”是一个真实的物理过程，但仍然将测量规则作为理论的必要元素。与此相反，根据爱因斯坦的说法“只有理论才能决定什么可以被观察到”，我们建议回归对“物理理论”的现实主义表征理解，其中“观察”被认为源自理论预设。正是从这个角度出发，我们讨论了一种新的非经典概念表征，它使我们能够以直观（anschaulicht）的方式理解量子现象。抛开投影假设，我们讨论测量和观察量子叠加的一般物理条件。