XiaoMi-AI文件搜索系统
World File Search System特征提取
研究论文 随机森林算法在 CancerLips 数据分类中的有效性评估
摘要：唇癌虽然较少被讨论，但仍然是肿瘤学领域的一个重大问题。早期发现和诊断对于改善患者的治疗效果至关重要。这项研究评估了 RandomForest 算法对 CancerLips 数据集进行分类的有效性，该数据集是使用 Canny 分割方法处理并使用 Hu 矩描述的唇部图像集合。使用 5 倍交叉验证方法，该算法的平均准确率约为 70.96%。结果凸显了机器学习技术（特别是 RandomForest）在辅助唇癌检测方面的潜力。然而，预处理方法和特征提取的选择在确定结果方面起着至关重要的作用。这项研究强调了进一步研究的必要性，重点是算法优化和与其他数据集或特征提取方法的比较，以提高医学成像的诊断精度。
302049：人工智能与机器学习
单元1 AI和ML 06小时的简介。AI的历史，AI与数据科学的比较，机械工程中的AI需要，机器学习简介。 基础：推理，解决问题，知识表示，计划，学习，感知，运动和操纵。 AI的方法：控制论和脑模拟，符号，亚符号，统计。 ML的方法：监督学习，无监督的学习，强化学习。 单元2特征提取和选择08小时。 特征提取：统计特征，主成分分析。 功能选择：排名，决策树 - 熵减少和信息增益，详尽，最佳，贪婪的前向和向后，功能提取的应用和选择算法在机械工程中。 单元3分类和回归08小时。 分类：决策树，随机森林，天真的贝叶斯，支撑向量机。 回归：逻辑回归，支持向量回归。 回归树：决策树，随机森林，K-均值，K-Nearest邻居（KNN）。 机械工程中分类和回归算法的应用。AI的历史，AI与数据科学的比较，机械工程中的AI需要，机器学习简介。基础：推理，解决问题，知识表示，计划，学习，感知，运动和操纵。AI的方法：控制论和脑模拟，符号，亚符号，统计。ML的方法：监督学习，无监督的学习，强化学习。单元2特征提取和选择08小时。特征提取：统计特征，主成分分析。功能选择：排名，决策树 - 熵减少和信息增益，详尽，最佳，贪婪的前向和向后，功能提取的应用和选择算法在机械工程中。单元3分类和回归08小时。分类：决策树，随机森林，天真的贝叶斯，支撑向量机。回归：逻辑回归，支持向量回归。回归树：决策树，随机森林，K-均值，K-Nearest邻居（KNN）。机械工程中分类和回归算法的应用。
使用机器学习模型分析地中海贫血数据
背景：全球约 7% 的人口患有先天性血红蛋白疾病，每年有超过 300,000 例 β-地中海贫血新病例。在低收入地区，诊断成本高昂且不准确，通常依赖于全血细胞计数 (CBC) 测试。本研究采用机器学习 (ML) 根据性别和 CBC 对 β-地中海贫血特征进行分类，探索对无症状携带者和非携带者进行分组的影响。方法：数据集包括来自斯里兰卡的 288 名疑似 β-地中海贫血患者。使用 11 个判别公式和 9 个 ML 模型对其进行分类。使用马哈拉诺比斯距离去除异常值，并使用合成少数过采样技术 (SMOTE) 和 SMOTE- 名义连续 (NC) 进行重采样。Mann-Whitney U 检验处理特征提取和类别分组。使用八个标准评估 ML 性能。结果：Ehsani 公式通过将沉默携带者和非携带者分组，实现了 0.66 的受试者工作特征曲线下面积 (ROC-AUC)。未进行特征提取的卷积神经网络 (CNN) 表现出更好的性能，准确率为 0.85、灵敏度为 0.8、特异性为 0.86，ROC-AUC 为 0.95/0.93（微观/宏观）。即使没有预处理，性能也能保持。结论：在使用性别和 CBC 特征对 β - 地中海贫血进行分类时，ML 模型优于经典判别公式。更大的数据集可以增强 ML 模型的泛化能力和特征提取的影响。将沉默携带者和非携带者分组可改善 ML 结果，尤其是在重新采样的情况下。就可用特征而言，沉默携带者与非携带者无法区分。
使用卷积神经网络提高四类自愿想象 fNIRS 信号的分类准确率
多类功能性近红外光谱 (fNIRS) 信号分类已成为光学脑机接口的一种便捷方式。当信号由同一肢体的自愿和想象运动产生时，高精度的 fNIRS 信号分类是一项具有挑战性的任务。由于自愿和想象运动在时间和空间上的激活表现出相似的模式，传统浅层分类器的分类精度无法达到可接受的范围。本文提出了一种利用卷积神经网络 (CNN) 提高精度的方法。在这项工作中，几位参与者进行了自愿和想象手部运动（左手和右手）。这些四类信号是利用 fNIRS 设备获取的。根据任务分离信号并进行过滤。通过手动特征提取，使用支持向量机和线性判别分析对信号进行分类。CNN 的自动特征提取和分类机制被应用于 fNIRS 信号。从结果来看，CNN 将分类精度提高到了可接受的范围，这是任何卷积网络都无法实现的。
预处理模块对 ΒCI 系统性能的影响
摘要。脑电图 ( ΕΕ G ) 被认为是脑机接口 ( Β CI ) 中著名且有效的方法之一。这是因为它易于实施、成本低廉且便于携带。 ΕΕ G 是一种使用放置在头皮上的非侵入性电极检查大脑电活动的技术。基于 ΕΕ G 的 BCI 系统由五个模块组成：信号采集、预处理、特征提取、分类和命令模块。在本文中，我们将研究滤波器类型及其顺序对所考虑的 BCI 系统性能的影响。该系统由以下部分组成：用于预处理步骤的带通 ( ΒΡ ) 滤波器、特征提取模块中的公共空间模式 (CSP)，以及对于分类模块，我们使用支持向量机 (SV Μ )。所得结果显示所提出的 BCI 系统得到了很好的改进。事实上，该系统的准确率可以达到 88.17%，kappa 系数几乎为 0.76 。关键词。脑电图（ΕΕ G）、运动想象（Μ I）、脑机接口（ΒCI）、带
使用YOLO V5与
摘要这项研究提出了一种创新的视频监视中人行人检测方法，利用Yolov5的功率（您只看一次版本5）与基于光感知融合的功能提取相结合。所提出的方法旨在在不同的照明条件下提高行人检测系统的准确性和效率。yolov5以其实时对象检测功能而闻名，与一种新型的特征提取技术集成，该技术融合了来自多个光感知传感器的信息。这种融合策略允许模型在不同的照明方案中适应和稳健。实验结果证明了所提出的方法的优越性，实现了出色的性能。Yolov5与基于光感知的特征提取的融合，展示了行人检测中有希望的进步，以解决现实监视环境中动态照明条件带来的挑战。关键字：行人检测，视频监视，Yolov5，光感知融合，特征提取
使用基于注意力机制的双流卷积神经网络解码视觉意象脑电图的三维表征
摘要 —深度神经网络已成功应用于基于脑电图 (EEG) 的脑机接口。然而，在大多数研究中，EEG 通道之间的相关性和区域间关系并未得到很好的利用，导致空间特征提取不够优化。在本研究中，我们提出了一种基于注意机制的双流 3D 卷积神经网络，该网络可以通过强调基于点积的通道注意机制和 3D 卷积之间的关系来增强空间特征提取。与比较模型相比，所提出的方法在 4 类视觉意象 (VI) EEG 分类中实现了 0.58 的准确率，表现出了更好的性能。通过统计和神经生理学分析，视觉运动意象在视觉皮层上显示出比静态 VI 更高的 α -功率谱密度 (PSD)。此外，群体分散的 VI 在前额叶皮质上显示出比群体聚集的 VI 更高的 β -PSD。关键词 —脑机接口、卷积神经网络、脑电图、视觉意象
具有增强现实反馈的闭环大脑计算机界面，用于工业人类机器人协作
子例程1：基于特征提取和群集分析参数的闪光检测subRoutine detect_blink参数：corr_th 1，corr_th 2：第一和第二次通过的阈值。输入：E：EEG数据； t min：所有检测到的局部最小值的时间。输出：t = [t start t end]：所有检测到的眨眼的开始和结束时间。
一种鲁棒的隔离自动语音识别系统...
人类和机器都使用语音识别系统。各种研究人员已经开发了许多语音识别系统。例如语音识别、说话人验证和说话人识别。语音识别系统的基本阶段是预处理、特征提取、特征选择和分类。已经进行了大量工作来改进所有这些阶段以获得准确和更好的结果。本文主要关注在语音识别系统中添加机器学习。本文介绍了 ASR 的架构，有助于了解语音识别系统的基本阶段。然后重点介绍了机器学习在 ASR 中的应用。本文的一部分还介绍了各种研究人员使用支持向量机和人工神经网络所做的工作。除了这篇评论外，还介绍了使用 SVM、ELM、ANN、朴素贝叶斯和 kNN 分类器所做的工作。模拟结果表明，使用 ELM 分类器可实现最佳准确度。本文的最后一部分介绍了使用所提出的方法获得的结果，其中使用了 SVM、带有 Cuckoo 搜索算法的 ANN 和带有反向传播分类器的 ANN。重点还在于改进预处理和特征提取过程。