XiaoMi-AI文件搜索系统
World File Search System活动识别
海洋生态学中的机器学习概述了彼得的技术和应用垃圾；布罗迪，斯蒂芬妮；科尔迪尔，特里斯坦； Destro Barcellos， 极热对中国湖泊变暖的影响 基于定量的基于尿液的蛋白质组学分析，用于鉴定有症状的女性子宫内膜癌生物标志物 支持2型糖尿病患者通过与临床护理相结合的移动卫生技术有效地使用其药物（Summit-D Pilot）：可行性随机试验的结果 dyfyniad o'r fersiwn a gyhoeddwyd / for出版版本（APA）：Liu，B.，Guo，C.，Xu，J.，Zhao，Q.，Zhao，Q.，Chadwick，D.，Gao，Gao，Gao，Gao，X. 超越人类的人 - 研究门户 - 班戈大学 芽孢杆菌和枯草芽孢杆菌作为替代性健康和化学启动子，可与cyprinid水产养殖物种合成脂肪植物 dyfyniad o'r fersiwn a gyhoeddwyd / for发布版本（APA）：Norby，R。J.，R. J.，Loader，N.，Mayoral，C.，Ullah，C.，Ullah，S.，Curioni，G.，G.，Smith，Smith，A.，Re < / div> 建立长期人类 - 肉体关系 囊性纤维化中体育活动识别的机器学习方法
海洋生态学中的机器学习是彼得的技术和应用垃圾的ovreriew;布罗迪，斯蒂芬妮；科尔迪尔，特里斯坦；右Barcellos，Dogo； Devos，保罗；何塞（Jose）的费尔南德斯·萨尔瓦多（Fernandes-Salvador）；我芬纳姆，詹妮弗；戈麦斯，亚历山德拉；尼尔斯的奥拉夫·汉德加德（Olav Handegard）；豪厄尔（Kerry L。）； Jamet，Cédric；凯尔尔（Kyrre）的Heldal Kartveit； Hassan Moustahfid；辣椒，克莱亚；政治家，迪米特里斯； Sauzède，Raphaëlle；玛丽亚索科洛娃；劳拉的Uusitaro； Van den Bulcke，毕业； TM Van Helmond，Aloysius；沃森，约旦；韦尔奇，希瑟；贝尔特兰·佩雷斯（Beltran-Perez），奥斯卡（Oscar）；小杂货店，塞缪尔（Samuel）； S Greenberg，David；库恩（Kühn），伯恩哈德（Bernhard）； Kiko，Rainer； LO，Madiop； m lopes，鲁本斯；克拉斯的莫勒（Möller）迈克尔斯，威廉；铲子，艾哈迈德； Romagnan，Jean-Baptiste；舒切特，皮亚； Seydi，Vahid； Villathy，塞巴斯蒂安；马尔德，凯蒂尔；艾里森（Jean-Loyvier ICS）艾里森（Irisson）
使用机器学习方法和 LIME 的可解释 EEG 人类活动识别模型
摘要：脑电图 (EEG) 是一种非侵入性方法，通过监测认知和运动任务期间的神经反应来辨别人类行为。机器学习 (ML) 是一种很有前途的人类活动识别 (HAR) 工具，可解释人工智能 (XAI) 可以阐明 EEG 特征在基于 ML 的 HAR 模型中的作用。本研究的主要目的是调查基于 EEG 的 ML 模型对日常活动（例如休息、运动和认知任务）进行分类的可行性，并通过 XAI 技术对模型进行临床解释，以阐明对不同 HAR 状态贡献最大的 EEG 特征。该研究涉及对 75 名健康个体的检查，这些个体之前没有神经系统疾病的诊断。在静息状态、两种运动控制状态（行走和工作任务）和认知状态（阅读任务）期间获得了 EEG 记录。电极被放置在大脑的特定区域，包括额叶、中央叶、颞叶和枕叶（Fz、C1、C2、T7、T8、Oz）。使用 EEG 数据训练了几种 ML 模型以进行活动识别，并采用 LIME（局部可解释模型不可知解释）对 HAR 模型中最具影响力的 EEG 频谱特征进行临床解释。HAR 模型的分类结果，尤其是随机森林和梯度提升模型，在区分所分析的人类活动方面表现出色。ML 模型在人类活动识别方面表现出与 EEG 频谱带的一致性，这一发现得到了 XAI 解释的支持。总之，将可解释人工智能（XAI）纳入人类活动识别（HAR）研究可能会改善患者康复、运动意象、医疗保健元宇宙和临床虚拟现实设置的活动监测。
一种用于人类活动识别的机器学习方法
摘要。人类活动识别 (HAR) 正在成为现代的一个重要问题，并直接影响移动健康领域。因此，设计能够正确识别个人活动的系统至关重要。在这项工作中，我们开发了一个使用物联网 (ΙοΤ) 和机器学习技术的系统，以监控和协助个人的日常生活。我们将使用移动应用程序和内置传感器（加速度计和陀螺仪）的可穿戴设备收集的数据与公开数据集的数据进行了比较。通过这种方式，我们能够验证我们的结果，并研究我们为人类活动识别问题选择的可穿戴设备的功能和适用性。使用我们的数据集呈现的不同类型活动的分类结果 (99%) 优于来自公开数据库的结果 (97%)。
未经核实请勿解释：通过视频活动识别对可解释人工智能进行评估
可解释的机器学习和人工智能模型已用于证明模型的决策过程。这种增加的透明度旨在帮助提高用户的表现和对底层模型的理解。然而，在实践中，可解释的系统面临许多悬而未决的问题和挑战。具体来说，设计人员可能会降低深度学习模型的复杂性以提供可解释性。然而，这些简化模型生成的解释可能无法准确地证明模型的合理性，也无法真实地反映模型。这可能会进一步增加用户的困惑，因为他们可能认为这些解释对于模型预测没有意义。了解这些解释如何影响用户行为是一个持续的挑战。在本文中，我们探讨了解释的真实性如何影响智能系统中的用户表现和一致性。通过对可解释活动识别系统的受控用户研究，我们比较了视频评论和查询任务的解释真实性变化。结果表明，与准确解释和没有解释的系统相比，低真实性的解释会显著降低用户的表现和一致性。这些发现证明了准确和易懂的解释的重要性，并警告说，就对用户表现和对人工智能系统的依赖的影响而言，糟糕的解释有时比没有解释更糟糕。