XiaoMi-AI文件搜索系统
World File Search System精确率
基于功能近红外光谱的抑郁症分析与识别
摘要：抑郁症是社会、心理和生理等多种因素复杂相互作用的结果，研究抑郁症患者的脑部病变有助于医生了解抑郁症的发病机制，促进其诊断和治疗。功能性近红外光谱（fNIRS）是一种非侵入性检测大脑功能和活动的方法。本文首先建立了一种基于fNIRS的抑郁症处理综合架构，包括源层、特征层和模型层，以指导fNIRS的深度建模。鉴于抑郁症的复杂性，结合当前研究，我们提出了一种时频域的特征提取方法和抑郁症识别的深度神经网络。研究发现，与非抑郁症患者相比，抑郁症患者在大脑活动过程中脑区连接较弱，前额叶的激活程度较低。最后，基于原始数据、人工特征和通道相关性，AlexNet 模型表现出最佳性能，尤其是在相关性特征方面，准确率为 0.90，精确率为 0.91，高于 ResNet18 和其他数据上的机器学习算法。因此，脑区相关性可以有效识别抑郁症（与非抑郁症病例），对于抑郁症临床诊断和治疗中脑功能识别具有重要意义。
通过学习与车辆相关的测量数据来推断个性化驾驶员工作量
摘要 — 使车载系统（例如高级驾驶辅助系统和车载信息系统）适应个体驾驶员的工作量可以提高安全性和便利性。要实现这一点，必须推断驾驶员的工作量，以便适时以适当的方式为驾驶员提供自适应辅助。我们不是为所有驾驶员开发一个平均模型，而是通过易于获取的车辆相关测量数据（VRM），使用机器学习技术，开发一个考虑到个体驾驶员驾驶特征的个性化驾驶员工作量推断（PDWI）系统。所提出的 PDWI 系统包括两个阶段。在离线训练中，首先使用模糊 C 均值 (FCM) 聚类根据个体驾驶员的固有数据特征自动将其工作量分成不同的类别。然后，通过分类算法构建 VRM 和不同级别工作量之间的隐式映射。在线实施中，VRM 样本被分类到不同的簇中，从而可以成功推断驾驶员的工作负荷类型。最近从现实世界的自然驾驶实验中收集的数据集被用来验证所提出的 PDWI 系统。比较实验结果表明，所提出的集成 FCM 聚类和支持向量机分类器的框架在准确率、精确率、召回率、F 1 -sco 方面提供了良好的工作负荷识别性能
基于深度学习的糖尿病视网膜病变分析...
摘要 — 糖尿病视网膜病变 (DR) 是一种眼部疾病，其特征是视网膜血管受损。如果不及时发现，可能会导致失明。及早发现和治疗 DR 可以大大降低视力丧失的风险。经过大量训练的专家通常使用彩色眼底照片来诊断这种可怕的疾病。与计算机辅助方法相比，由于全球糖尿病患者数量不断增加，眼科医生对 DR 视网膜眼底图像的手动诊断时间更长。因此，自动 DR 检测变得至关重要。随着对医学研究的重视，深度神经网络在医疗保健领域的应用取得了显着进步。这项工作的目标是确定 DR 的五个阶段：正常、轻度、中度、重度和增生性 DR。深度学习是提高性能的最流行方法之一，尤其是在医学图像的分类和解释方面。我们使用从 Kaggle 获得的大量眼底图像数据集对用于加速糖尿病视网膜病变 (DR) 检测的六种深度学习模型（Custom CNN、Resnet50、Densenet121、EfficientNetB0、EfficientNetB2 和 ViT）进行了评估。在五阶段 DR 分类中，准确率提高到 89%，精确率提高到 89%，召回率提高到 89%，F1 得分提高到 89%，结果表明 DenseNet121 模型的性能非常出色。
整合 FNIRS 与机器学习
本研究的目的是介绍一种辅助诊断帕金森病 (PD) 的方法，即将功能性近红外光谱 (fNIRS) 研究分类为 PD 阳性或阴性。fNIRS 是一种非侵入性光信号模式，可传达大脑的血液动力学反应，特别是大脑皮层血氧变化；与其他神经成像模式相比，它是一种非侵入性且具有成本效益的方法，因此值得探索其作为辅助 PD 检测工具的潜力。除了将 fNIRS 与机器学习相结合之外，这项工作的贡献还在于实施和测试了各种方法，以找到实现最高性能的实现。所有实现都使用逻辑回归模型进行分类。从每个参与者的 fNIRS 研究中提取了一组 792 个时间和光谱特征。在两个表现最佳的实现中，使用了一组特征排序技术来选择精简的特征子集，然后使用遗传算法对其进行精简。为了实现最佳检测性能，我们的方法达到了 100% 的准确率、精确率和召回率，F1 得分和曲线下面积 (AUC) 为 1，使用了 14 个特征。这大大推进了 PD 诊断，凸显了将 fNIRS 和机器学习相结合用于非侵入性 PD 检测的潜力。关键词：帕金森病、功能性近红外光谱、机器学习、特征子集选择、遗传算法
利用算法预测糖尿病病情
糖尿病是一种全球患病率迅速上升的慢性疾病，影响着约4.22亿人，主要集中在中低收入国家。有效的糖尿病管理需要早期发现和及时干预。本研究旨在使用三种机器学习算法（随机森林、逻辑回归和决策树）开发糖尿病的精准预测模型。皮马印第安人糖尿病数据集包含 768 份包含各种健康指标的患者记录，用于模型训练和评估。探索性数据分析显示血糖水平、BMI、年龄和糖尿病风险之间存在显著相关性。数据集分为80％的训练数据（614个数据）和20％的测试数据（154个数据）。使用最小-最大缩放器方法对数据进行标准化，以确保所有特征都在同一尺度上。该模型使用交叉验证方法进行验证，并根据准确率、精确率、召回率和 F1 分数进行评估。结果显示，Logistic回归的准确率最高（75%），在识别正面和负面情况方面表现均衡。决策树在召回率方面表现出色，而随机森林在精确度和召回率之间的平衡略低。 ROC曲线分析显示，随机森林的AUC最高（0.82），其次是逻辑回归（0.81），决策树（0.73）。该研究证实，机器学习算法可以有效预测糖尿病，为早期发现和干预提供宝贵的工具，最终可能减轻全球糖尿病负担。
BrainGAN：使用 GAN 架构和 CNN 模型的脑 MRI 图像生成和分类框架
摘要：深度学习模型已在多个领域得到应用，但在医学成像等敏感领域仍需要进行调整。由于时间限制，医学领域需要使用该技术，因此准确度水平可确保可信度。出于隐私方面的考虑，医学领域的机器学习应用无法使用医疗数据。例如，由于缺乏脑部 MRI 图像，使用基于图像的分类很难对脑肿瘤进行分类。通过应用基于生成对抗网络 (GAN) 的增强技术，解决了这一挑战。深度卷积 GAN (DCGAN) 和 Vanilla GAN 是用于图像生成的 GAN 架构的两个示例。本文提出了一个使用 GAN 架构和深度学习模型生成和分类脑部 MRI 图像的框架，称为 BrainGAN。因此，本研究提出了一种自动检查生成的图像是否令人满意的方法。它使用三个模型：CNN、MobileNetV2 和 ResNet152V2。使用 Vanilla GAN 和 DCGAN 生成的图像训练深度迁移模型，然后在由真实脑部 MRI 图像组成的测试集上评估其性能。从实验结果来看，ResNet152V2 模型的表现优于其他两个模型。ResNet152V2 基于 DCGAN 架构生成的脑部 MRI 图像实现了 99.09% 的准确率、99.12% 的精确率、99.08% 的召回率、99.51% 的曲线下面积 (AUC) 和 0.196 的损失。
利用机器学习实现医疗设备的网络安全
摘要 - 本研究旨在通过识别漏洞和推荐有效策略来增强起搏器设备的网络安全框架。目标是查明网络安全弱点，利用机器学习预测安全漏洞，并根据分析趋势提出对策。文献综述强调了起搏器技术从基本的固定速率设备向具有无线功能的复杂系统的转变，这在改善患者护理的同时，也带来了重大的网络安全风险。这些风险包括未经授权的进入、数据泄露和危及生命的设备故障。本研究的方法采用定量研究方法，使用 WUSTL-EHMS-2020 数据集，其中包括网络流量特征、患者的生物特征和攻击标签。机器学习预测的分步方法包括数据收集、数据预处理、特征工程和使用支持向量机 (SVM) 和梯度提升机 (GBM) 进行模型训练。实施结果使用准确度、精确度、召回率和 F1 分数等评估指标来表明 GBM 模型优于 SVM 模型。 GBM 模型的准确率高达 95.1%，而 SVM 的准确率仅为 92.5%，精确率高达 99.6%，而 SVM 的准确率仅为 96.7%，召回率高达 94.9%，而 SVM 的召回率仅为 42.7%，F1 得分高达 76.3%，而 SVM 的 F1 得分仅为 59.0%，这使得 GBM 模型在预测网络安全威胁方面更为有效。这项研究的结论是，GBM 是一种有效的机器学习模型，可通过分析网络流量和生物特征数据模式来增强起搏器网络安全。未来改善起搏器网络安全的建议包括实施 GBM 模型进行威胁预测、与现有安全措施集成以及定期更新和再训练模型。
使用 2D CNN 检测早期阿尔茨海默病
摘要 目标 为了在计算资源的获取方面公平地采用医学人工智能 (AI) 算法，所提出的方法基于二维 (2D) 卷积神经网络 (CNN)，该方法可以更快、更便宜、更准确地检测早期阿尔茨海默病 (AD) 和轻度认知障碍 (MCI)，而无需使用大型训练数据集或昂贵的高性能计算 (HPC) 基础设施。方法 所提出的模型使用标准化的阿尔茨海默病神经影像学计划 (ADNI) 数据集，并使用 Brain Extraction Tool V.2 方法进行额外的头骨剥离。2D CNN 架构基于 LeNet-5，使用了 Leaky Rectified Linear Unit 激活函数和 Sigmoid 函数，并在每个卷积层之后添加了批量归一化以稳定学习过程。通过手动调整所有超参数对模型进行了优化。结果 从准确率、召回率、精确率和 f1 分数方面对模型进行了评估。结果表明，该模型预测 MCI 的准确率为 0.735，通过了 0.521 的随机猜测基线，预测 AD 的准确率为 0.837，通过了 0.536 的随机猜测基线。讨论 所提出的方法可以帮助临床医生在 AD 和 MCI 的早期诊断中具有足够高的准确率，基于相对较小的数据集，并且不需要 HPC 基础设施。这种方法可以减轻差异并实现医疗算法采用的公平性。结论 医疗 AI 算法不应只关注准确性，还应评估它们如何影响差异并在采用过程中实现公平性。
用于检测 MRI 脑肿瘤的集成深度学习技术
MRI（磁共振成像）的分类过程经常用于对垂体、神经胶质瘤、脑膜瘤和非肿瘤等疾病进行医学诊断。因此，确定 MRI 的类型及其数量是揭示大脑健康状况的重要且有价值的测量。为了对大脑分析进行分割和分类，实验室人员通过屏幕进行手动检查；这需要大量的劳动力和时间。另一方面，专家使用的设备对于每个医生或机构来说并不实用或便宜。近年来，已经开发了各种用于分割和分类的计算算法，并改进了结果以解决这个问题。人工神经网络（ANN）在这方面具有分类的能力和前景。本文的目的是创建并实施一个系统，用于对不同类型的脑肿瘤样本 MRI 图像进行分类。因此，本文集中研究了使用各种机器学习算法进行分割、特征提取、分类器构建和分类为四类的任务。作者使用基于三种模型的迁移学习算法的 VGG-16、ResNet-50 和 AlexNet 模型作为集成模型对图像进行分类。因此，MRI 脑肿瘤分割更加精确，因为现在每个空间特征点都可以参考所有其他上下文数据。具体来说，我们的模型在官方深度学习挑战赛中优于所有其他已发布的现代集成模型，无需任何后处理。集成模型的准确率为 99.16%，灵敏度为 98.47%，特异性为 98.57%，精确率为 98.74%，召回率为 98.49%，F 1 分数为 98.18%。这些结果明显超过了朴素贝叶斯、决策树分类器、随机森林和 DNN 模型等其他方法的准确率。
2024年7月12日https://doi.org/10.22214/ ...
Asheesh Pandey 1，Sudeshna Chakraborty 2 1研究学者，Shri Venkateshwara University，Gajraula UP，印度Gajraula UP 2研究主管，Shri Venkateshwara University，Gajraula UP，印度Gajraula UP，印度Gajraula摘要：糖尿病是关键的，并且会变得更为复杂的疾病，如果没有足够的管理，可能会引起严重的健康问题。糖尿病的早期诊断和治疗是该疾病的关键组成部分，可以通过数据分析和预测算法极大地帮助糖尿病。通过使用数据挖掘技术（例如分类和预测模型），可以分析糖尿病数据的各种元素，并提取可用于早期检测和预测病情的有用信息。一种可以有效且高度准确预测糖尿病的机器学习技术是XGBoost分类器。此方法利用梯度增强体系结构，可以处理具有独立高维特征集的大型且复杂的数据集。相反，至关重要的是要记住，最佳糖尿病预测算法的选择可能取决于数据的细节以及正在研究的研究领域。数据分析和预测方法不仅可以预测糖尿病，还可以监测疾病的进展，发现糖尿病及其并发症的危险因素，并评估治疗的有效性。通过使用这些技术，医疗专业人员可以对疾病的根本原因获得重要的见解，这有助于他们就患者管理做出明智的决定。关键字：糖尿病，SVM，决策树，AI，ML糖尿病的早期检测和管理是一种正在迅速扩大并带来重大健康风险的慢性疾病，有可能通过应用数据分析和预测算法来显着改善。XGBOOST分类器实现了89％的精确率，这表明性能水平最高。