XiaoMi-AI文件搜索系统
World File Search System特征提取
脑肿瘤检测和特征提取和
人体的中央控制单位是大脑。肿瘤未在早期诊断出来，然后会影响大脑意味着它会导致患者的死亡。磁共振图像（MRI）不会产生任何有害的辐射，并且是基于肿瘤等级的区域计算和分类的更好方法。如今，没有自动系统来检测和识别肿瘤的等级。 本文提出了脑肿瘤分类，该分类分为四个阶段，作为预处理，分割，降低和提取，分类。 分割脑肿瘤是肿瘤检测和分类的基本步骤之一。 中位过滤器用于消除k含量簇的噪声和组合，而大小的二进化用于分割脑肿瘤。 dwt（离散小波变换）和GLCM（灰度级别共发生矩阵）用于变换和空间特征提取和PCA（主要成分分析）可降低特征向量以维持脑MRI图像的分类准确性。 为了进行MRIS分类的性能，重要的功能已提交给KSVM（内核支持向量机）。拟议的系统将减少处理时间并可以实现更好的准确性。 所提出的方法已在Brats 2015数据集上进行了验证。如今，没有自动系统来检测和识别肿瘤的等级。本文提出了脑肿瘤分类，该分类分为四个阶段，作为预处理，分割，降低和提取，分类。分割脑肿瘤是肿瘤检测和分类的基本步骤之一。 中位过滤器用于消除k含量簇的噪声和组合，而大小的二进化用于分割脑肿瘤。 dwt（离散小波变换）和GLCM（灰度级别共发生矩阵）用于变换和空间特征提取和PCA（主要成分分析）可降低特征向量以维持脑MRI图像的分类准确性。 为了进行MRIS分类的性能，重要的功能已提交给KSVM（内核支持向量机）。拟议的系统将减少处理时间并可以实现更好的准确性。 所提出的方法已在Brats 2015数据集上进行了验证。分割脑肿瘤是肿瘤检测和分类的基本步骤之一。中位过滤器用于消除k含量簇的噪声和组合，而大小的二进化用于分割脑肿瘤。dwt（离散小波变换）和GLCM（灰度级别共发生矩阵）用于变换和空间特征提取和PCA（主要成分分析）可降低特征向量以维持脑MRI图像的分类准确性。为了进行MRIS分类的性能，重要的功能已提交给KSVM（内核支持向量机）。拟议的系统将减少处理时间并可以实现更好的准确性。所提出的方法已在Brats 2015数据集上进行了验证。
脑电信号特征提取应用趋势
本文将重点介绍脑电图 (EEG) 信号分析，重点介绍研究文献中提到的常见特征提取技术，以及可应用于各种应用。在这篇综述中，我们涵盖了时间域、频域、分解域、时频域和空间域中的单维和多维 EEG 信号处理和特征提取技术。我们还为讨论的方法提供了伪代码，以便从业者和研究人员可以在他们特定的生物医学工作领域中复制它们。此外，我们还讨论了人工智能应用，例如辅助技术、神经疾病分类、脑机接口系统以及它们的机器学习集成对应物，以完成 EEG 信号分析的整体流程设计。最后，我们讨论了可以在 EEG 信号分析的特征提取领域进行创新的未来工作。
使用机器学习技术进行图像分析和检测的特征提取
iii.i f Eature e xtraction存在许多特征提取的方法，本文将重点介绍三种方法：HOG，DCT和CNN。将选择这些方法的最佳结果以前进到下一阶段。HOG主要使用梯度提供有关图像内容的信息，尤其是对于边缘和角落，这些信息更适合对象检测。DCT主要用于将空间信息转换为频率信息，这些信息提供了有关图像质量的更多信息，并根据图像的频率参数对图像进行了分配。CNN主要用于图像分类。它适用于特征图像提取，因为它可以减少所需的参数数量，而不会以高精度影响图像质量。网络层是针对适合其他任务的大量图像的培训，尤其是对象识别。
基于分层脉冲的模型，通过增强特征提取和编码实现高效图像分类
摘要 — 由于其事件驱动的特性，脉冲神经网络 (SNN) 被认为是计算效率高的模型。脉冲神经元编码有用的时间事实并具有高抗噪性。然而，时空复杂性的高质量编码及其对 SNN 的训练优化受到当前问题的限制，本文提出了一种新颖的分层事件驱动视觉设备，以探索信息如何通过生物可控机制在视网膜中传输和表示。该认知模型是一个增强脉冲的框架，包括 CNN 的功能学习能力和 SNN 的认知能力。此外，该视觉设备以生物现实主义的方式建模，具有无监督学习规则和高级脉冲发放率编码方法。我们在一些图像数据集（MNIST、CIFAR10 及其嘈杂版本）上对它们进行训练和测试，以表明我们的模型可以处理比现有认知模型更有价值的数据。本文还提出了一种新颖的量化方法，使所提出的基于脉冲的模型更适合神经形态硬件实现。结果表明，这种联合 CNN-SNN 模型可以获得更高的聚焦精度并获得更有效的泛化能力。
使用...进行 3D 脑切片分类和特征提取
脑肿瘤是最常见的、最严重的癌症类型，大多数晚期患者的预期寿命只有几个月。因此，制定最佳治疗方案对于提高患者的抗癌能力和生活质量至关重要。各种成像方式，如计算机断层扫描 (CT)、磁共振成像 (MRI) 和超声成像，通常用于评估脑肿瘤。这项研究提出了一种提取和分类 3D 脑切片图像中肿瘤特征的新技术。对输入图像进行去噪、调整大小和平滑处理后，使用感兴趣体积 (VOI) 提取脑肿瘤的特征。然后使用基于表面、曲线和几何图案的可变形分层启发式模型-深度反卷积残差网络 (DHHM-DDRN) 对提取的特征进行分类。实验结果表明，所提出的方法对脑癌特征的分类准确率为 95%，DSC 为 83%，精确率为 80%，召回率为 85%，F1 得分为 55%。
使用局部二值模式 (LBP) 特征提取进行玉米叶病分类
摘要 玉米是一种在印度尼西亚等发展中国家广泛种植的植物。为了提高玉米产量，研究人员一直在对玉米植物疾病分类的当前技术进行创新。三种疾病侵袭玉米叶片，即灰斑病、枯萎病和灯心草病。我们使用的数据量为 3500 个数据，其中包括 500 个灰斑病、1000 个枯萎病、1000 个灯心草病和 1000 片健康叶片。本研究旨在开发一种人工智能模型。我们开发的人工智能模型使用 LBP 特征提取结合 k-NN 作为分类器。除了使用 k-NN 方法外，我们还使用了几种分类方法（如朴素贝叶斯和 Adaboost）进行测试。我们的测试结果是，与朴素贝叶斯和 Adaboost 方法相比，k-NN 方法具有最高值。使用 k=5 的 k-NN 的性能结果为 81.1%、AUC 值为 94.1%、F1-Score 为 80.9%、准确率为 81.8%、召回率为 81.1%。
使用基于递归图的特征提取和迁移学习自动检测癫痫脑电信号
* 通讯作者：sachin.viet@gmail.com，电话：+91-9268793832 摘要 - “癫痫”是一种常见的神经系统大脑疾病，会影响人类生命的任何阶段。全世界约有 1-2% 的人口受到这种主要慢性疾病的影响。在癫痫诊断的几种应用中，脑电图 (EEG) 信号是早期发现癫痫发作的最重要工具。根据癫痫发作，脑电图 (EEG) 信号可分为癫痫性和非癫痫性。最近的研究主要通过两种方法进行了预测和分析癫痫发作的各种可能性：使用信号处理的传统方法和基于深度学习的方法。因此，需要找到一种合适且可靠的方法来检测和分类 EEG 信号中的癫痫发作。由于 EEG 信号本质上非常随机且非线性，因此我们需要一种非线性技术来检查 EEG 信号，从而能够对不同的 EEG 信号（即癫痫信号和非癫痫信号）进行分类。在我们的论文中，我们提出了一种非线性技术，使用递归量化分析方法（缩写为 RQA）来提取 EEG 信号的特征，其参数来自递归图 (RP)。在分析和分类时间序列时，大多数时候会从 EEG 时间序列中提取一些已识别的统计特征集，并将其作为机器学习分类器的输入。我们提出的方法找到了一种使用深度神经网络 (DNN) 对 EEG 信号时间序列进行分类的新颖且合适的方法。因此，使用递归图将 EEG 信号转换为 RGB 图像。我们使用预训练的 DNN 作为 ResNet-50，这是一个深度为 50 层的卷积神经网络，用于从递归图中提取特征。然后我们使用多个机器学习分类器将信号分类为癫痫和非癫痫，并指出 SVM 的准确率最高。本研究论文表明，可以使用深度学习算法通过脑电图信号利用复发图诊断癫痫，这种算法通常用于图像分类挑战。关键词-癫痫；脑电图信号；复发图；深度神经网络；成像时间序列数据 1. 简介大脑是人体的重要器官，负责监测和控制代谢过程。癫痫、缺血性中风和脑肿瘤等脑部疾病可能会损害正常的生物功能 [1]。神经系统疾病影响从婴儿到老年人的所有年龄段的人。这些疾病有几种形式，癫痫在受其影响的人数最多方面位居第四
基于语法进化的偏瘫类型检测的特征提取
摘要：偏瘫是由脑损伤引起的疾病，并影响了人口的显着百分比。患有这种疾病的患者的影响是体内的左侧或右侧的无力，痉挛和运动障碍。本文提出了一种基于径向基础功能（RBF）网络的语法演化（GE）的自动特征选择和构造方法，该网络可以对患者和健康个体之间的偏瘫类型进行分类。所提出的算法在包含Rehagait移动步态分析系统加速度计传感器的数据集中进行了测试，这些算法放置在各种患者身体部位。收集的数据分为2秒的窗口，并进行了手动预处理和功能提取阶段。然后，将提取的数据作为对基于GE的方法的输入表示，以创建新的，更有效的特征，然后将其作为RBF网络的输入引入。本文的实验部分涉及通过四种分类方法测试所提出的方法：RBF网络，多层感知器（MLP）接受了Broyden-Fletcher – Fletcher – Goldfarb – Shanno（BFGS）培训算法，支持Vector Machine（SVM）和GE基于GE的Parellitiation（GEL）工具（GICIFIT）工具（GICIFIT）工具。测试结果表明，与其他四种方法相比，所提出的解决方案具有最高的分类精度（90.07％）。
持续学习：特征提取形式化，有效的算法和障碍
持续学习是机器学习中的新兴范式，其中模型以在线方式暴露于来自多个不同分布的数据（即环境），并有望适应分布变化。确切地说，目标是在新环境中表现良好，同时保留了先前环境的性能（即避免“灾难性遗忘”）。虽然这种设置在应用社区中引起了很多关注，但没有理论上的工作甚至正式化了所需的保证。在本文中，我们提出了一个通过特征提取的框架进行持续学习的框架，即在每个环境中都对特征和分类器进行了培训。当功能是线性的时，我们会设计一种有效的基于梯度的算法DPGrad，可以保证在当前环境上表现良好，并避免灾难性的遗忘。在一般情况下，当特征是非线性的时，我们表明这种算法不存在，无论是否有效。
HDnn-PIM：具有特征提取的超维计算高效内存设计
摘要 受大脑启发的超维 (HD) 计算是一种新的机器学习方法，它利用简单且高度可并行化的操作。不幸的是，迄今为止已发布的 HD 计算算法都无法准确地对更复杂的图像数据集（例如 CIFAR100）进行分类。在这项工作中，我们提出了 HDnn-PIM，它通过使用内存处理实现复杂图像的特征提取和基于 HD 的分类。我们将 HDnn-PIM 与各种图像数据集的纯 HD 和 CNN 实现进行了比较。与纯 HD 计算相比，HDnn-PIM 的准确率提高了 52.4%。与最先进的 CNN 相比，它的准确率也提高了 1.2%，但内存占用减少了 3.63 倍，MAC 操作减少了 1.53 倍。此外，HDnn-PIM 比 RTX 3090 GPU 快 3.6 倍 –223 倍，比最先进的 FloatPIM 能效高 3.7 倍 [5]。