XiaoMi-AI文件搜索系统
World File Search System特征数
报告编号DODIG-2024-016
根据国防部指令 8521.01E，生物识别是基于可测量的解剖、生理或行为特征识别个人的过程。该指令将生物识别数据定义为在生物识别过程中创建的计算机数据。生物特征数据包括原始传感器观测值、生物特征样本、模型、模板和相似度得分。执行海外行动的军事单位使用生物特征识别在战场上遇到的个人，包括友军和其他协助美国的个人，并与其他单位和其他联邦机构共享此信息。生物特征数据用于描述在注册、验证或识别过程中收集的信息，但该术语不适用于最终用户信息，例如用户名、人口统计信息或授权。
生物特征数据和人工智能：波斯尼亚和黑塞哥维那的欧盟标准和解决方案
由于现代技术的发展，我们可以说个人数据每天都面临风险。个人数据有多种类型，但本文专门讨论属于特别敏感数据类别的生物特征数据。一些生物特征数据是独一无二的，使用它们可以进行识别和验证。但人工智能的使用会对个人数据（包括生物特征数据）产生不同的后果。本文旨在确定有关生物特征数据和人工智能的主要概念，以确定欧洲关于自动处理生物特征数据的标准，特别是欧盟关于个人数据和人工智能的法规中所包含的标准。本文的最后一部分讨论了波斯尼亚和黑塞哥维那关于生物特征数据保护的法规。
从人类脑电图解码个性化运动皮层兴奋状态
图 1. 用于优化每个参与者个性化分类器的分析程序。原始 EEG 数据经过频谱分析。计算 MEP 振幅并通过中值分割分为小 MEP 和大 MEP。之后，通过拟合 100 个不同的 lambda 值和 168 个不同的特征数的 LDA 分类器执行 5 倍交叉验证网格搜索，并按重要性顺序添加特征。然后，选择每个参与者表现最佳的交叉验证分类器，并使用交叉验证期间获得的每个预测类的真实 MEP 振幅计算预测的 MEP 振幅调制。对于每个参与者，在优化和分类循环中训练和测试 16,800 个分类器，这在标准笔记本电脑上需要约 4 分钟。
美国宇航局对远程医疗贡献简史
美国宇航局远程医疗的根源与该机构的早期历史和人类航天的现代历史密不可分。1961 年 4 月尤里·加加林成功完成太空飞行之前，医学界最主要的问题是人体是否能在太空中正常运作。特别是，医生们担心失重会阻碍血液循环、呼吸和消化。1 为了确定这是否真的是一个问题，美国和苏联的航天局都进行了多次试飞，使用连接到医疗监测系统的动物，通过遥测链路将动物的生物特征数据发送给地球上的科学家。即使在确定太空飞行对循环和呼吸健康几乎没有风险之后，美国宇航局仍然试图了解太空飞行是否会对人体产生任何其他生理或心理影响。2 对人体可能存在的局限性的关注迫使该机构采取以技术为中心的远程医疗方法。正如时任太空医学理事会医学研究主任的谢尔曼·维诺格拉德博士所说，“医学科学家的关注点主要集中在确保人类在太空中得到支持并安全返回地球——同时实现预定的工程目标。”维诺格拉德继续说，这意味着监测之外的医学研究“次于任务的工程目标”。3
国防部自动生物识别系统 (ABIS)
• 对于无法通过自动化流程进行匹配的生物特征提交，生物特征检查员（主题专家）使用带有专门软件的 ABIS 工作站尝试手动匹配提交。 • ABIS 与全球生物特征数据收集者和用户以及外部数据库交互。 - 军事部门和作战司令部使用便携式收集设备从现场感兴趣的人员收集生物特征数据（指纹、掌纹、虹膜扫描和面部扫描），并将这些数据提交给 ABIS。 - 情报分析员通过生物特征身份情报资源（ABIS 之外的自动化数据库）分析和融合生物特征信息，并将信息反馈给现场用户。 • ABIS 1.2 使用一组商用现货和定制组件，包括： - 用于管理客户提交工作流的交易管理器 - 允许授权操作员执行用户管理、系统配置、实时系统监控、提交跟踪和报告生成的门户 • 美国陆军 BIMA 目前在国防部非安全互联网协议路由器网络 (NIPRNET) 上运行 ABIS。 • PMO 开发了 ABIS 1.2，作为对之前部署的版本 ABIS 1.0 的增强。新系统旨在解决 ABIS 1.0 中的硬件和软件过时和可扩展性限制，并提高生物特征提交和响应的吞吐量和存储容量。
DOD 自动生物识别系统 (ABIS)
• 对于无法使用自动化流程进行匹配的生物特征提交，生物特征检查员（主题专家）使用带有专门软件的 ABIS 工作站尝试手动匹配提交。• ABIS 与全球生物特征数据收集者和用户以及外部数据库交互。- 军事部门和作战司令部使用便携式收集设备从现场感兴趣的人员收集生物特征数据（指纹、掌纹、虹膜扫描和面部扫描），并将这些数据提交给 ABIS。- 情报分析员通过生物特征身份情报资源（ABIS 之外的自动化数据库）分析和融合生物特征信息，并将信息反馈给现场用户。• ABIS 1.2 使用一组商用现货和定制组件，包括： - 用于管理客户提交工作流的交易管理器 - 允许授权操作员执行用户管理、系统配置、实时系统监控、提交跟踪和报告生成的门户 • 美国陆军 BIMA 目前在国防部非安全互联网协议路由器网络 (NIPRNET) 上运行 ABIS。• PMO 开发了 ABIS 1.2，作为对之前部署的版本 ABIS 1.0 的增强。新系统旨在解决 ABIS 1.0 中的硬件和软件过时和可扩展性限制，以及增加生物特征提交和响应的吞吐量和存储容量。
国防部自动生物识别系统 (ABIS)
• 对于无法使用自动化流程进行匹配的生物特征提交，生物特征检查员（主题专家）使用带有专门软件的 ABIS 工作站尝试手动匹配提交。• ABIS 与全球生物特征数据收集者和用户以及外部数据库交互。- 军事部门和作战司令部使用便携式收集设备从现场感兴趣的人员收集生物特征数据（指纹、掌纹、虹膜扫描和面部扫描），并将这些数据提交给 ABIS。- 情报分析员通过生物特征身份情报资源（ABIS 之外的自动化数据库）分析和融合生物特征信息，并将信息反馈给现场用户。• ABIS 1.2 使用一组商用现货和定制组件，包括： - 用于管理客户提交工作流的交易管理器 - 允许授权操作员执行用户管理、系统配置、实时系统监控、提交跟踪和报告生成的门户 • 美国陆军 BIMA 目前在国防部非安全互联网协议路由器网络 (NIPRNET) 上运行 ABIS。• PMO 开发了 ABIS 1.2，作为对之前部署的版本 ABIS 1.0 的增强。新系统旨在解决 ABIS 1.0 中的硬件和软件过时和可扩展性限制，以及增加生物特征提交和响应的吞吐量和存储容量。
MPSM-DTI：基于化学结构和蛋白质序列通过机器学习预测药物-靶标相互作用
卷积神经网络13证明了蛋白质序列可以在DTI预测中提供有用的信息。Mahmud等人开发了iDTi-CSsmoteB网络服务器，使用XGBoost和过采样技术，基于PubChem指纹和各种蛋白质序列特征预测DTI。14然而，上述方法的数据质量并不令人满意，因为阴性数据是任意选择的。其他几项研究也这样做了。15-17其中一些使用随机非阳性DTI作为阴性样本。然而，非阳性DTI并不一定是阴性的，因为它们还没有经过验证。其中一些在验证后可能是阳性的。因此，使用高质量数据构建预测模型具有重要意义。在本研究中，我们开发了一个机器学习模型，使用化学结构和蛋白质序列作为特征来预测DTI。采用流水线技术封装特征数据标准化、SMOTE采样过程和机器学习估计器，以避免过度拟合并提高模型泛化能力。整个工作流程如图1所示。简而言之，从各种来源收集了超过40 000个具有解离常数（kd）值的DTI。用PaDEL-Descriptor和RDKit计算五种分子指纹和描述符。通过PSI-Blast和POSSUM工具包提取蛋白质序列特征。用5种机器学习方法和6种特征表示方法建立了30个DTI预测模型，其中Morgan-PSSM-SVM模型（MPSM-DTI）被验证为最佳模型。在案例研究中，MPSM-DTI模型在DTI预测中表现出了令人满意的能力。
观点 “学术界”：高等教育中的人工智能和监控
• Proctorio（自动在线监考软件）使用生物特征数据通过学生的网络摄像头监控面部动作并根据“正常”行为进行分析，从而“检测”考试中的抄袭行为（Proctorio nd），• Turnitin（抄袭检测软件）使用大量互联网、学术和学生论文内容数据库来检查学生作品与其他来源的相似性，识别与学术诚信和抄袭相关的问题（West-Smith 2022），• Perusall（社交阅读工具）使用学生的阅读模式和评论来评估学生的进度，创建“学生困惑”和“学生活动报告”，并自动对学生的理解和进步进行评分（Perusall 2023），• 许多其他工具，如聊天机器人、预测性咨询警报和学习管理软件（Dekker et al. 2020; Bannan 2019; Brightspace Community nd）都依赖于类似的方法。虽然并非所有学习或数据分析软件都包含人工智能，但作为未来的发展，人工智能始终是可能的——任何大量的用户数据对于人工智能技术来说都是有利可图的。这些工具提供了 Zuboff (2020: 9) 所描述的监视资本主义的典型例子，即使用“人类经验作为转化为行为数据的免费原材料”，为机器学习算法提供信息，以创建既能预测又能塑造用户行为的产品。监视资本主义牺牲了自由意志和隐私以牟取利润，同时也加剧了社会不平等和歧视。许多学者已经证明，种族主义、性别歧视和其他偏见是机器学习架构的固有内容，当它们在整个社会中使用和采用时，会对用户造成极大伤害（Andrejevic 2013；Christian 2020；Benjamin 2019；Noble 2018；O'Neil 2017）。这些算法的专有性质加剧了这种情况，这意味着用户通常无法理解用于伤害他们的工具，更不用说有效地反驳分析了。
不同情绪状态下脑电信号的特征提取 1 ASHISH PANAT, 2 ANITA PATIL, 3 GAYATRI DESHMUKH 1 研究指导，Priyadarshini Co
摘要-本文旨在分析受试者在不同情绪状态下的真实生活（脑电图）EEG信号，并阐明情绪的影响如何反映在统计参数中。在适当的环境中捕获真实生活数据并进行处理。使用小波变换计算平均值、方差、标准差（STD）、偏度、功率、熵和均方根（RMS）值等统计特征。关键词-熵；功率；RMS值；小波变换。一、引言如今，由于人类生活方式的改变和忙碌的日程安排，会发生各种各样的后果，影响人类的整体健康以及心理健康和情绪稳定。各种情绪的发生反映在大脑各个点诱发的电位上。有多种技术可以观察大脑状态的变化，例如 CT 扫描 (计算机断层扫描)、脑磁图 (脑磁图)、磁共振成像 (磁共振成像)、功能磁共振成像 (功能磁共振成像) 和脑电图 (EEG)。每种技术都有自己的优点和局限性，因此也有各自的应用领域。脑电图是所有这些技术中最便宜的，但仍然可以提供更好的信息内容。脑电图是头皮上的电活动记录，可测量由大脑神经元内的离子电流流动引起的电压波动 [1]。对脑电图信号进行分类和降低数据维度对于降低时间复杂度和提高系统性能非常重要。有多种方法可以从脑电图信号中提取特征，但有效的特征选择是分析的关键因素。为了捕捉不同受试者的脑电图信号 (脑机接口)，脑机接口使用 3 个电极：双耳各 2 个电极，头皮上的“CZ”位置（即头部正中央）第 3 个电极。受试者处于合适的环境中，引发不同的情绪，如快乐、愤怒和悲伤，并在每种情绪状态下收集数据。这些数据被采样并用于提取各种特征。EEG 信号的分析可以了解各种情绪状态。因此，这种分析可用于分析不同的情绪问题。但是，当从 EEG 信号中提取的特征数量过多时，EEG 信号的分析会变得耗时且复杂。因此需要减少这些特征。