XiaoMi-AI文件搜索系统
World File Search System正确率
噪音对心理表现和烦恼的影响......
摘要 机械系统中的旋转部件会产生音调噪声，这些音调的存在会影响乘员的质量和舒适度，导致烦恼和心理表现下降。ISO 1996-2 和 ANSI S1.13 标准已经描述了量化突出音调影响的指标，但还需要更多研究噪音属性如何影响烦恼和表现，特别是在不同任务难度水平下。本文研究了在不同任务难度水平下暴露于带有音调成分的背景噪音时，噪音指标、烦恼反应和心理表现之间的关系。在本研究中，60 名参与者在受控测试室中执行三个不同级别的 n-back 任务时，暴露于 18 个具有三个不同突出音调的噪音信号（三个频率音调和两个背景噪音水平），评估主观感知的烦恼和不同的工作量。通过记录反应时间、正确率和失误次数来测量性能参数。结果表明，在更高的任务难度水平下，失误次数和反应时间呈增加趋势，但正确率呈下降趋势。研究结果表明，在不同任务难度下，除烦躁度和响度外，主观反应存在显著差异。尤其是在任务难度增加的情况下，参与者对较高的背景噪音水平、较低的音调频率和增加的音调水平更烦躁。响度指标与其他噪音指标高度相关。基于相关性最高的噪音指标，使用神经网络模型提出了三种预测感知烦躁度的模型。这三个模型中的每一个都有不同的输入参数和不同的网络结构。这三个神经网络模型的准确率和 MSE 表明它适合预测感知烦躁度。结果显示了音调噪音对烦躁度和心理表现的影响，尤其是在不同任务难度下。结果还表明神经网络模型具有较高的准确性和效率，可用于预测噪音烦躁度。模型 1 在某些方面更受青睐，例如输入参数较低，使其更加用户友好。最好的神经网络模型同时包括响度指标和音调指标。似乎组合指标在所提出的神经网络模型中的重要性最低，也是不必要的。
50选择性稳态视觉诱发电位的基础研究
摘要：脑机接口（BCI）的关键参数是输入速度、准确性、易用性和输入数量。稳态视觉诱发电位（SSVEP）–BCI在前三个类别中表现优异，但在输入数量方面存在问题。我们设计了一个50选择性SSVEP–BCI，以增加输入数量，以便将来实现日语和PC键盘输入。为了增加输入数量，我们提高了频率分辨率。通过将刺激的分辨率从0.2Hz更改为0.1Hz，可以将输入数量翻倍。这是因为可以将输入数量翻倍。我们对受试者的原始和伪信号数据进行了典型相关分析。噪声非常大，而输出典型相关向量最大值的传统分析方法的正响应率很低。因此，我们进行了频带限制，通过频率阈值区分SSVEP成分。我们还引入了多数表决算法来消除不可分类的数据。结果表明:脑机接口的平均正确率为55.11%,最高为79.53%;平均信息传输速率为28.05bits/min,最高为45.16bits/min。因此,实验结果表明,频率分辨率的提高可以增加输入的数量。关键词:脑机接口,稳态视觉诱发电位,典型相关分析,多选择1.引言
文章 利用人工智能预测健康信念模型和 COVID-19 疫苗接种率（使用来自美国护士的调查文本）
摘要：我们通过研究医疗保健提供者的开放式文本评论，研究了人工智能 (AI) 如何揭示影响他们 COVID-19 疫苗犹豫的因素。我们从 2020 年春季开始对三个国家队列中的 38,788 名现任和前任女护士进行了一项纵向调查，以评估疫情如何影响了她们的生计。在 2021 年 1 月和 3 月至 4 月的调查中，参与者被邀请发表开放式文本评论并回答有关 COVID-19 疫苗接种的具体问题。调查中的一个封闭式问题确定了疫苗犹豫 (VH) 参与者，他们要么无意接种 COVID-19 疫苗，要么不确定是否接种。我们收集了 1970 条来自 VH 参与者的评论，并训练了两种机器学习 (ML) 算法来识别与 VH 相关的行为因素。第一个预测模型将每条评论归类为与采取疾病预防活动相关的三个健康信念模型 (HBM) 结构（障碍、严重性和易感性）之一。第二个预测模型使用 1 月份评论中的单词来预测 2021 年 3 月至 4 月 VH 的疫苗状态；疫苗状态预测的正确率为 89%。我们的结果表明，35% 的 VH 参与者提到了接种 COVID-19 疫苗的障碍，17% 提到了严重性，7% 提到了易感性。在 HBM 结构中，提到障碍（例如过敏反应和副作用）的 VH 参与者的疫苗状态从 VH 到后来接种疫苗的变化最为相关。
研究论文 计算机辅助脑肿瘤诊断
脑瘤是一种致命的神经系统疾病，由脑或颅骨内细胞异常和不受控制的生长引起。患有这种疾病的患者的死亡率正在逐渐上升。手动分析磁共振图像 (MRI) 不足以有效准确地诊断脑瘤。早期诊断疾病可以及时治疗，从而提高患者的存活率。现代脑成像方法提高了脑瘤的检出率。在过去的几年里，已经进行了大量研究以利用计算机辅助诊断人类脑瘤，以实现 100% 的诊断准确率。本研究的重点是通过卷积神经网络 (CNN) 对脑瘤进行早期诊断，以提高最先进的诊断准确率。所提出的 CNN 是在包含脑瘤 MRI 的基准数据集 BR35H 上进行训练的。在六个不同的数据集（即 BMI-I、BTI、BMI-II、BTS、BMI-III 和 BD-BT）上评估了模型的性能和可持续性。为了提高模型的性能并使其对完全看不见的数据具有可持续性，我们采用了不同的几何数据增强技术以及统计标准化。所提出的基于 CNN 的脑肿瘤诊断 CAD 系统比其他系统表现更好，平均准确率约为 98.8%，特异性约为 0.99。它还对两个脑部 MRI 数据集（即 BTS 和 BD-BT）的诊断正确率为 100%。我们还将所提出的系统的性能与其他现有系统进行了比较，分析表明，所提出的系统优于所有系统。
整合同步运动想象和空间注意力以实现 EEG-BCI 控制
摘要 — 目的：基于脑电图的脑机接口 (BCI) 是一种非侵入性方法，可用于替代或恢复受损患者的运动功能，并可直接在普通人群中进行脑与设备之间的通信。运动意象 (MI) 是最常用的 BCI 范式之一，但其表现因人而异，某些用户需要大量训练才能掌握控制技巧。在本研究中，我们建议同时将 MI 范式与最近提出的明显空间注意 (OSA) 范式相结合，以实现 BCI 控制。方法：我们评估了 25 名人类受试者在 5 个 BCI 会话中控制一维和二维虚拟光标的能力。受试者使用了 5 种不同的 BCI 范式：单独 MI、单独 OSA、同时朝着同一目标进行 MI 和 OSA (MI+OSA)，以及 MI 用于一个轴而 OSA 控制另一个轴 (MI/OSA 和 OSA/MI)。结果：我们的结果表明，MI+OSA 在 2D 任务中达到了最高平均在线性能，为 49% 有效正确率 (PVC)，在统计上优于单独的 MI (42%)，并且高于单独的 OSA (45%)，但不具有统计意义。MI+OSA 在单独的 MI 和单独的 OSA (50%) 之间与每个受试者的最佳个人方法的性能相似，并且 9 名受试者使用 MI+OSA 达到了最高平均 BCI 性能。结论：在群体层面上，将 MI 和 OSA 结合起来可以比单独的 MI 提高性能，并且对于某些受试者来说是最佳的 BCI 范式选择。意义：这项工作提出了一种新的 BCI 控制范式，它集成了两个现有的范式，并通过展示它可以提高用户的 BCI 性能来证明其价值。