XiaoMi-AI文件搜索系统
World File Search SystemAutomatic
基于多...
1993; Usui等，2007）。 劳动期间的FHR监测是检测胎儿心率模式改变的有价值工具，表明胎儿氧合不足，使产科医生及时干预能够减轻低氧或死亡率的风险。 电子胎儿监测（EFM）目前被认为是评估宫内胎儿胎儿健康和氧合水平的关键方式（Sweha等，1999），由于其易用性和非侵入性。 因此，EFM已成为产科中必不可少的辅助筛查方法，其利用率在产前和产前设置中都在扩展。 记录胎儿心率的动态变化可以作为子宫内胎儿供应的间接指标，从而促进急性和慢性宫内宫内低氧或窒息的早期检测，从而提高临床效率。 EFM生成的心脏图（CTG）同时显示FHR和子宫收缩，从而提供了对其相互作用的见解（Alfic等，2017）。 目前，存在三个广泛使用的临床标准用于评估FHR监测。 在学术文献中讨论的FHR解释的第一种方法是加拿大产科医生和妇科学家学会（SOGC）指南中概述的非施用测试（NST）分类，该指南将FHR分类为正常，非典型，典型和abnormal（Liston等人（Liston等）。 每种分类的CTG基本特征的评估侧重于基线，基线变异性，加速度和减速。 Georgoulas等。 Spilka等。1993; Usui等，2007）。劳动期间的FHR监测是检测胎儿心率模式改变的有价值工具，表明胎儿氧合不足，使产科医生及时干预能够减轻低氧或死亡率的风险。电子胎儿监测（EFM）目前被认为是评估宫内胎儿胎儿健康和氧合水平的关键方式（Sweha等，1999），由于其易用性和非侵入性。因此，EFM已成为产科中必不可少的辅助筛查方法，其利用率在产前和产前设置中都在扩展。记录胎儿心率的动态变化可以作为子宫内胎儿供应的间接指标，从而促进急性和慢性宫内宫内低氧或窒息的早期检测，从而提高临床效率。EFM生成的心脏图（CTG）同时显示FHR和子宫收缩，从而提供了对其相互作用的见解（Alfic等，2017）。目前，存在三个广泛使用的临床标准用于评估FHR监测。在学术文献中讨论的FHR解释的第一种方法是加拿大产科医生和妇科学家学会（SOGC）指南中概述的非施用测试（NST）分类，该指南将FHR分类为正常，非典型，典型和abnormal（Liston等人（Liston等）。每种分类的CTG基本特征的评估侧重于基线，基线变异性，加速度和减速。Georgoulas等。Spilka等。第二种方法是由美国产科医生和妇科学院（ACOG）共同开发的三层FHR系统（ACOG），母体 - 竞争医学学会（SMFM）以及国家儿童健康与人类发展研究所（NICHD），将FHR分为I，II，II，III和III II III和III criteria（MacOnes等）。指导的第三个来源是国际妇科和妇产科联合会（FIGO）和美国国家健康与临床卓越研究所（NICE）的共识指南（FIGO），将胎儿监测分为三个类别：正常，可疑和病理学（Ayres-De Campos Campos Et。，2015年）。尽管有标准化的指南，但产科专业知识的建议和变化的差异有助于观察者解释FHR的显着多样性。近年来，在医疗保健领域，人工智能（AI）技术的整合越来越多，尤其是在需要进行多方面输入以进行评估和迅速决策的领域中。一个值得注意的应用是在人工和分娩过程中电子胎儿心脏监测的领域中。使用AI可以最大程度地减少观察者之间的可变性，从而实现FHR数据的实时解释，以防止忽略必要的干预措施并增强新生儿结果。此外，AI还提供了对FHR监测发现分析的更标准化的解释。许多研究人员努力利用特征提取和机器学习技术的融合来对FHR进行分类。（2006）在时间和频域中进行了特征提取，并结合形态特征，并应用了支持向量机（SVM）来对特征进行分类。（2012）使用三种类型的特征进行分类，包括11个类似FIGO的功能，14个基于心率的基于心率的特征和8个非线性特征。降低维度后，使用天真的贝叶斯，SVM和C4.5决策树
发现自动漏洞检测机器学习的限制
自动脆弱性检测（ML4VD）机器学习的抽象最新结果非常有前途。仅给出函数F的源代码，ML4VD技术可以决定F是否包含具有高达70％精度的安全漏洞。但是，正如我们自己的实验中明显的那样，相同表现的模型无法区分包含漏洞和漏洞修补的功能的功能。因此，我们如何解释这一矛盾，以及如何改善评估ML4VD技术的方式以更好地了解其实际功能？在本文中，我们确定对无关的特征和分布外概括的过度拟合是两个问题，这不是通过评估ML4VD技术的传统方法来捕获的。作为一种补救措施，我们提出了一种新型的基准标记方法，以帮助研究人员更好地评估ML4VD技术的真正能力和限制。具体说明，我们建议（i）根据我们的交叉验证算法来增强培训和验证数据集，其中在训练集或测试集的增强过程中，应用语义保留转换，以及（ii）用code spippets进行了漏洞的测试集，以增强漏洞的测试集。使用六种ML4VD技术和两个数据集，我们发现（a）最先进的模型非常适合无关的功能，以预测测试数据中的脆弱性，（b）数据增强所获得的性能并不能超出培训期间的特定增强功能，并且（CART）无法将其范围固定在（CART-CART ML4VD TECHENIQUES上）。
基于 2 型模糊集和深度图卷积网络相结合的脑电信号自动测谎模型
摘要：近几十年来，许多不同的政府和非政府组织将测谎用于各种目的，包括确保犯罪供词的真实性。因此，这种诊断是用测谎仪来评估的。然而，测谎仪有局限性，需要更可靠。这项研究介绍了一种使用脑电图 (EEG) 信号检测谎言的新模型。为实现这一目标，我们创建了一个包含 20 名研究参与者的 EEG 数据库。本研究还使用六层图卷积网络和 2 型模糊 (TF-2) 集进行特征选择/提取和自动分类。分类结果表明，所提出的深度模型可以有效区分真话和谎言。因此，即使在嘈杂的环境中 (SNR = 0 dB)，分类准确率仍保持在 90% 以上。所提出的策略优于当前的研究和算法。其卓越的性能使其适用于广泛的实际应用。
使用可穿戴技术进行癫痫的自动响应测试：Artie Watch
视频电脑摄影（VEEG）监测以记录患者的习惯性自发癫痫发作（Devinsky等人2018）。可以在癫痫发作的发作和帖子阶段进行癫痫监测单位（EMU）人员通过癫痫监测单位（EMU）人员进行临床电子生理相关性和交互行为评估。此类评估是互动性的，由用于评估语言，方向，记忆和运动功能的一系列命令组成。这些行为评估有助于基于癫痫发作和局灶性缺陷的癫痫发作类型分类。癫痫发作期间行为测试的结果对于诊断和治疗建议很重要（Beniczky等，2016）。但是，目前行为测试存在实质性差异，目前它在很大程度上仅限于接受EMU评估的住院患者的应用（Hamandi等，2017）。缺乏标准化的行为评估限制了我们利用大量行为数据来揭示不同行为表型的能力（Hanrahan等，2021; Toulomes et al。2016; Kinney，Kovac，Diehl 2019）。此外，临床癫痫学的基本差距是癫痫发作的癫痫发作学的客观表征。
火灾自动目标识别模块开发...
抽象目标识别是军事事务的优先事项。有必要识别移动的对象，不同的地形和景观创造识别障碍，这使此任务变得复杂。作战动作可以在一天中的不同时间进行，因此必须考虑照明角度和一般照明。有必要通过分割视频帧并识别和对其进行分类来检测视频中的对象。在工作中，作者提出了通过人工智能使用在拟议的信息技术框架内开发目标识别模块作为消防系统的组成部分。Yolov8模式识别模型家族用于开发目标识别模块。数据是从开源来源收集的，特别是从YouTube平台上的开源源中发布的视频录像。数据预处理的主要任务是在视频或实时-APC，BMP和TAMP上对三类对象进行分类。数据集是基于标记工具以及随后的增强工具的Roboflow平台形成的。数据集由1193个唯一图像组成 - 每个类别均匀。使用Google Colab资源进行培训。采用100个时代来训练模型。根据MAP50（平均平均精度为0.85），MAP50-95（0.6），精度（0.89）和召回（0.75）指标进行分析。这将是下一步。也有必要扩大军事设备对象的分类。存在巨大的损失，因为在研究中未考虑背景 - 基于未经技术的背景的验证数据（图像）训练模块。
使用IoT -IJRPR
在矫形器件中，机电一货量的整合已扩大了其在神经和肌肉骨骼疾病治疗中的应用。但是，现有devices通常面临大小，成本和体重的问题。为了解决这个问题，一个项目旨在开发一种利用物联网技术的便携式，轻巧且具有成本效益的康复系统。这款可穿戴设备由PIC微控制器提供动力，监视和控制下肢和脚趾运动。ACCELEREMETOR和EMG传感器增强了功能性，从而实现了精确的运动监测和肌肉活动检测。随着物联网集成，用户ConremotelyPerform量身定制的练习，以恢复受损的腿，并用现代技术弥合传统方法。该设备的轻巧，便携性和负担能力旨在扩大可及性，可能改变物理疗法和康复实践。
更安全的驾驶体验的全自动视觉注意估计支持系统
抽象驾驶员的注意是安全驾驶和避免可能发生事故的关键要素。在本文中，我们提出了一种新的方法，可以解决驱动程序中视觉注意力估计的任务。我们引入的模型由两个分支组成，一个分支执行凝视点检测以确定驾驶员的确切焦点，另一个执行对象检测以识别道路上的所有相关元素（例如车辆，行人和交通标志）。两个分支的两个输出的组合使我们能够确定驾驶员是否专注，并最终确定他们集中的道路元素。测试了两个模型的目光检测任务：GAZECNN模型和由CNN+变压器组成的模型。对两种模型的性能进行了评估，并将其与其他最先进的模型进行比较，以选择最佳的任务方法。最后，报告并分析了DGAZE数据集上3761对图像（驱动程序视图和相应的道路视图）进行的视觉注意估计结果。
使用高阶动态模式分解和小型数据集的视觉变压器
基于机器学习的框架，以及深入学习的更具体的框架。这包括第一次使用高阶动态模式分解（HODMD）算法，以便在医学场中的数据增强和特征提取。第二阶段的重点是构建和训练视觉变压器（VIT），在相关文献中几乎没有探索。即使使用小数据集，VIT也适用于从头开始的有效培训。设计的神经网络分析来自超声心动图序列的图像，以预测心脏状态。获得的结果表明了所提出的系统的优越性和HODMD算法的效率，即使表现优于预认证的综合神经网络（CNN），这是迄今为止文献中选择的方法。
使用深度学习的自动图像字幕
摘要：本研究采用复杂的深度学习技术来开发健壮的自动图像字幕模型，整合卷积神经网络（CNN），用于复杂的特征提取和长期短期记忆网络（LSTMS），以生成细微的序列。旨在解决在线视觉内容的激增，该技术促进了有效的图像解释，并通过涵盖可访问性增强的应用程序来提高可访问性，改进的搜索功能的内容索引索引，并通过上下文相关的图像标题来增强社交媒体参与度。该研究为计算机视觉提供了宝贵的见解，应对产生连贯的图像描述的挑战。精心调整的模型同时进行定量和定性评估，展示了在内容检索和人类计算机相互作用中创新应用的有希望的结果。最终，这项研究愿意提高自动图像理解，从而促进对视觉信息的增强性和推动人工智能的进步。