XiaoMi-AI文件搜索系统
World File Search SystemBiLSTM
学习分析模型，用于对阿曼的土著MOOC平台（Tadakhul系统）的学习者行为进行预测分析
Tadakhul系统是一个在线学习平台，旨在为阿拉伯语和英语的多个用户提供互动和个性化学习。我们提出的Tadakhul系统是一种电子学习环境，可为不同的学习方式提供学习材料。本研究的重点是在Tadakhul平台上使用学习分析，该平台基于学生以前的学习经验使用数据来预测未来的学习过程。它有助于提供个性化的学习经验。Tadakhul系统提供了一个平台，课堂讨论集中在最重要的概念上，并根据他们在学习期间的表现为每个学生个性化学习资源。将学习分析应用于在线电子学习环境中获得的数据可以帮助学生面临许多问题的课堂管理，并且老师可以通过调整数据或在需要时提供其他支持来提供帮助。在MOOC平台中使用学习分析的优点是预测学生失败，确定高危学生，评估分配，预测成绩并预测结果[4]。在这项研究中，我们探索了不同的人工智能模型，例如Bilstm和CNN，以确定利用Tadakhul平台的学生的学习行为。Bilstm模型非常擅长处理时间序列数据并了解数据之间的关系。这对于随着时间的推移跟踪和解释学生进步和互动模式很重要。检测体育锻炼的能力对于识别长期学习和行为很重要。另一方面，CNN模型可有效提取空间特征，
使用 EEG 希尔伯特包络和时间精细结构进行隐性语音分类的迁移学习
脑机接口 (BCI) 可以从神经活动中解码想象中的语音。然而，这些系统通常需要大量的训练，参与者在训练中想象重复单词，这会导致精神疲劳和难以识别单词的开头，尤其是在想象单词序列时。本文通过将在显性语音数据中训练过的分类器转移到隐性语音分类中来解决这些挑战。我们使用了从希尔伯特包络和时间精细结构中得出的脑电图 (EEG) 特征，并使用它们来训练双向长短期记忆 (BiLSTM) 模型进行分类。我们的方法减轻了大量训练的负担，并实现了最先进的分类准确率：使用显性语音分类器，显性语音的准确率为 86.44%，隐性语音的准确率为 79.82%。
使用EEG Hilbert信封和时间精细结构进行秘密语音分类的转移学习
脑部计算机界面（BCIS）可以从神经活动中解释想象的语音。但是，这些系统通常需要广泛的培训课程，参与者想象地重复单词，从而导致精神疲劳和困难识别单词的发作，尤其是在想象单词序列时。本文通过转移经过公开语音数据培训的分类器来掩盖语音分类，从而解决了这些挑战。我们使用了源自希尔伯特包络和时间精细结构的脑电图（EEG）特征，并将它们用于训练双向长短记忆（BILSTM）模型进行分类。我们的方法减轻了广泛的培训和实现最先进的分类精度的负担：公开语音的86.44％，使用公开的语音分类器的秘密语音为79.82％。
不是可爱的中风：对规则和神经网络的分析 -
我们介绍了三个临床信息提取（IE）系统的深入比较，这些系统在大脑成像报告上进行了实体识别和否定检测：Edie-R，一个基于定制的基于规则的系统，以及两个Neu-Ral网络模型，Edie-Bilstm和Edie-Bert，Edie-Bilstm和Edie-Bert，均与BiLILSTM和BILSSTM的多人兼而有多元表的学习模型。我们将模型在样本外和样本外数据集上进行了比较，其中包含中风发现的情况，并利用我们的错误分析，以提出改进新域的临床NLP模型时有效的nlp。我们的分析发现我们的基于规则的系统在两个数据集上的表现都优于神经模型，并且似乎概括到样本外数据集。另一方面，尽管在样本内数据集中指标建议其他指标，但神经模型并未将否定为样本外数据集。
使用机器学习方法检测阿尔茨海默氏病
摘要。随着世界正在经历人口增长，年龄在65岁及以上的老年人的一部分也以更快的速度增长。结果，预计未来几年患有阿尔茨海默氏病的痴呆症将迅速增加。目前，医疗保健系统需要准确检测该疾病以治疗和预防。因此，开发一个早期发现阿尔茨海默氏病以避免并发症的框架至关重要。为此，提出了基于机器学习（ML）和深度学习方法的新型框架，以检测阿尔茨海默氏病。尤其是，已经针对其定义准确性评估了不同的ML和DL算法的性能。实验结果表明，双向长期记忆（BILSTM）的表现优于91.28％的ML方法。此外，与现状的比较表明，我们的框架优于文献中提出的其他方法。
基于EEG的步态识别分类CNN用于脑机接口...
脑机接口（BCI）是一种通过分析脑电信号识别个体意图或状态，进而控制计算机或机器的技术，广泛应用于各个领域。然而，脑机接口的研究多集中在运动想象方面，而对主动运动的研究多集中在上肢运动方面，而对下肢运动的研究多集中在静态或单一动作方面。因此，本研究基于动态环境下的脑电信号开发了对步行行为（1：步行，2：上楼，3：下楼）进行分类的深度学习模型，以验证对动态状态下的脑电信号进行分类的可能性。我们开发了一种结合卷积神经网络（CNN）和双向长短期记忆（BiLSTM）的模型。该模型获得了82.01%的平均识别性能，其中步行的平均准确率为93.77%，上楼的平均准确率为76.52%，下楼的平均准确率为75.75%。预计未来可以设计出各种旨在帮助残疾人和老年人的机器人设备，它们具有多种功能，例如人机交互、物体操纵和利用 BCI 进行控制的路径规划。
基于几何模型的手势方法...
摘要 — 通过技术手段进行手臂和手部跟踪可以收集可用于确定手势含义的数据。为此，机器学习算法主要被研究以寻求最高识别率和最短识别时间之间的平衡。然而，这种平衡主要来自统计模型，而统计模型很难解释。相反，我们提出了 µC 1 和 µC 2 ，这两种基于几何模型的手势识别方法支持识别过程的可视化和几何解释。我们将 µC 1 和 µC 2 与两种经典机器学习算法 k-NN 和 SVM 以及两种最先进的深度学习模型 BiLSTM 和 GRU 进行比较，实验数据集包含意大利手语 (LIS) 中的十个手势类别，每个手势类别由五名缺乏经验的非母语手语者重复 100 次，并使用可穿戴技术（传感手套和惯性测量单元）收集。结果，我们在高识别率（> 90%）和低识别时间（< 0 .1 秒）之间取得了折衷，这足以实现人机交互。此外，我们基于几何代数详细阐述了算法的几何解释，这有助于理解识别过程。
基于几何模型的手势识别方法
摘要 — 通过技术手段进行手臂和手部跟踪可以收集可用于确定手势含义的数据。为此，机器学习算法主要被研究以寻找最高识别率和最短识别时间之间的平衡。然而，这种平衡主要来自于统计模型，而统计模型很难解释。与此相反，我们提出了 µC 1 和 µC 2，两种基于几何模型的手势识别方法，支持识别过程的可视化和几何解释。我们将 µC 1 和 µC 2 与两种经典机器学习算法 k-NN 和 SVM 以及两种最先进的深度学习模型 BiLSTM 和 GRU 进行比较，实验数据集包含意大利手语 (LIS) 的十个手势类别，每个类别由五名没有经验的非母语手语者重复 100 次，并通过可穿戴技术（传感手套和惯性测量单元）收集。最终，我们在高识别率（> 90%）和低识别时间（< 0.1 秒）之间实现了折衷，这足以满足人机交互的需要。此外，我们基于几何代数详细阐述了算法的几何解释，这有助于对识别过程有所理解。
一款用户友好的耳机，用于基于雷达的静默语音识别
静默语音接口允许在没有声学语音信号的情况下进行语音通信。在这种应用中，使用在说话者脸上安装无线电天线的雷达感应可用作测量语音清晰度的非侵入式方式。这种方法的主要挑战之一是不同会话之间的差异性，主要是由于天线在说话者脸上的位置不同。为了减少这个影响因素的影响，我们开发了一种可穿戴耳机，它可以用柔性材料 3D 打印而成，重量仅为 69 克左右。为了进行评估，进行了一项基于雷达的单词识别实验，其中五位说话者在多个会话中录制了语音语料库，交替使用耳机和双面胶带将天线贴在脸上。通过使用双向长短期记忆网络进行分类，使用耳机和胶带分别获得了 76.50% 和 68.18% 的平均会话间单词准确率。这表明，使用耳机的天线（重新）定位精度并不比使用双面胶带的差，同时还具有其他优势。索引词：静音语音接口、可穿戴耳机、BiLSTM、雷达成像、语音相关生物信号
将Smote-tomek和Fusion Learning与XGBoost Meta-Gearner融合，以识别可靠的糖尿病
摘要：这项研究旨在通过整合综合少数群体过度采样技术（SMOTE）-TOMEK技术来开发一种健壮的糖尿病分类方法，用于数据平衡并使我们以极端梯度增强（XGB）为导致的机器学习合奏作为元学习者。我们提出了一个集成模型，该模型将深度学习技术（例如双向长期记忆（Bilstm）和双向门控复发单元（BIGRU）与XGB分类器作为基础学习者。使用的数据包括PIMA印第安人糖尿病和伊拉克社会糖尿病数据集，这些数据集是通过缺少价值处理，重复，归一化以及Smote-Tomek在解决数据失衡方面处理的。XGB作为元学习者，通过降低偏差和方差成功地提高了模型的预测能力，从而导致了更准确，更健壮的分类。所提出的合奏模型可在所有测试的数据集上达到完美的精度，精度，召回，特异性和F1分数为100％。此方法表明，将集成学习技术与严格的预处理方法结合在一起可以显着改善糖尿病分类性能。