XiaoMi-AI文件搜索系统
World File Search SystemCNN
根据结构 MRI、临床和遗传数据结合双重注意力 CNN 和 MLP 来诊断阿尔茨海默病
阿尔茨海默病 (AD) 是一种不可逆的中枢神经退行性疾病，而轻度认知障碍 (MCI) 是 AD 的前兆。准确的早期诊断 AD 有利于 AD 的预防和早期干预治疗。尽管已经开发了一些用于 AD 诊断的计算方法，但大多数方法仅采用神经影像学，忽略了可能包含潜在疾病信息的其他数据（例如遗传、临床）。此外，一些方法的结果缺乏可解释性。在这项工作中，我们提出了一种新方法（称为 DANMLP），通过整合结构磁共振成像 (sMRI) 的多模态数据、临床数据（即人口统计学、神经心理学）和 APOE 遗传数据，将双注意卷积神经网络 (CNN) 和多层感知器 (MLP) 结合在一起进行计算机辅助 AD 诊断。我们的 DANMLP 由四个主要组件组成：（1）Patch-CNN，用于从每个局部块中提取图像特征，（2）位置自注意块，用于捕获块内特征之间的依赖关系，（3）通道自注意块，用于捕获块间特征的依赖关系，（4）两个 MLP 网络，分别用于提取临床特征和输出 AD 分类结果。与 5CV 测试中的其他最先进方法相比，DANMLP 在 ADNI 数据库上的 AD vs. MCI 和 MCI vs. NC 任务中实现了 93% 和 82.4% 的分类准确率，分别比其他五种方法高 0.2% ∼ 15.2% 和 3.4% ∼ 26.8%。局部区域的个性化可视化还可以帮助临床医生进行 AD 的早期诊断。这些结果表明，DANMLP 可有效用于诊断 AD 和 MCI 患者。
用于运动意象分析的多层 CNN 模型
摘要 明尼苏达大学的研究人员率先提出了脑控无人机的概念，并由此引发了一系列研究。这些早期的努力为更先进的脑控无人机原型奠定了基础。然而，由于 BCI 信号具有非平稳性和高维性，因此本质上非常复杂。因此，仔细考虑特征提取和分类过程至关重要。本研究引入了一种新方法，将预训练的 CNN 与经典神经网络分类器和 STFT 频谱相结合，形成多层 CNN 模型 (MTCNN)。MTCNN 模型用于解码两类运动想象 (MI) 信号，从而实现对无人机上下运动的控制。本研究的实验阶段涉及四个关键实验。第一个实验使用大量数据集评估了 MTCNN 模型的性能，分类准确率高达 99.1%。第二个和第三个实验针对同一受试者在两个不同的数据集上评估了该模型，成功解决了与受试者间和受试者内差异相关的挑战。 MTCNN 模型在两个数据集上都实现了 99.7% 的出色分类准确率。在第四次实验中，该模型在另一个数据集上进行了验证，实现了 100% 和 99.6% 的分类准确率。值得注意的是，MTCNN 模型在两个 BCI 竞赛数据集上的准确率超过了现有文献。总之，MTCNN 模型展示了其解码与左手和右手运动相关的 MI 信号的潜力，为脑控无人机领域提供了有希望的应用，特别是在控制上下运动方面。此外，MTCNN 模型有可能通过促进该模型与基于 MI 的无人机控制系统的集成，为 BCI-MI 社区做出重大贡献。
新型 K 近邻与卷积神经网络 (KNN-CNN) 实现精准脑部识别
摘要 - 脑肿瘤分类在早期诊断和有效治疗计划中起着至关重要的作用。在本文中，我们提出了一种新方法，即基于卷积神经网络的 K 最近邻 (KNN-CNN)，用于精确的脑肿瘤分类。所提出的方法结合了 K 最近邻 (KNN) 和卷积神经网络 (CNN) 的优势，同时利用了传统的基于特征的分类和基于深度学习的特征提取。我们使用 CNN 从脑肿瘤图像中学习高级特征，并使用 KNN 根据提取的特征对肿瘤进行分类。在脑肿瘤数据集上的实验结果证明了 KNN-CNN 方法的有效性和效率，实现了高分类准确率并且优于传统方法。关键词：图像挖掘、脑肿瘤、分类、磁共振成像、最近邻；
基于2D CNN的XR用户EEG认证与BCI文盲自动...
本研究提出了一种在扩展现实 (XR) 环境中同时进行用户身份验证和脑机接口 (BCI) 文盲检测的协议。通过使用包含目标刺激图像的周期性视觉刺激来诱导选择性参与者注意力。事件相关电位 (ERP) 用于用户身份验证，而稳态诱发电位 (SSVEP) 用于识别 BCI 文盲。实验结果表明，10 Hz 增大/缩小字母图像刺激最有效，在用户分类中达到 99% 的准确率。因此，所提出的协议可用于在 XR 环境中建立用户身份验证和 BCI 文盲检测系统。这些发现有望成为 XR 环境中通用神经接口开发的重要基础。
使用修改的浮雕和简化基于CNN的深度学习的跨主题渠道选择基于EEG的情绪识别
基于脑电图的抽象情绪识别已在许多研究中实施。在其中大多数中，都有两种观察结果：首先，广泛的实现与执行的验证负相关。跨主体验证比受试者依赖性验证更加困难，因为域移位引起的脑电图记录之间的差异很高。第二，大量通道需要广泛的计算。减少通道的努力会因频道数量减少而阻碍。因此，需要一种有效的减少渠道的方法来维持性能。在本文中，我们提出了基于功率频谱密度比与浮雕方法结合的功率频谱密度比，以尺度图，CNN和通道选择的形式进行对2D EEG输入的合作。功率比来自功率频段的功率谱密度。基于各种条件的试验选择，提出的比例图和PR浮雕（功率比率）的协作产生了稳定的分类率。进行分析，已经采用了生理信号情绪分析的数据库（DEAP）。实验结果表明，该提出的方法使用10个通道的价为2.71％和唤醒的1.96％提高了跨受试者情绪识别的准确性。使用10个通道来依赖受试者验证，价和唤醒类别的功效分别增加了2.41％和1.2％。因此，通过在输入解释和稳定的渠道选择方法之间进行协作，提出的协作方法取得了更好的结果。
使用Multi-Branch CNN
摘要：脑–计算机接口（BCI）是一个基于计算机的系统，允许大脑与外部世界之间进行通信，从而使用户能够使用神经活动与计算机进行交互。该大脑信号是从脑电图（EEG）信号获得的。基于脑电图发展BCI的显着障碍是主题无关的运动图像数据的分类，因为脑电图数据非常个性化。深度学习技术（例如卷积神经网络（CNN））已经说明了它们对特征提取的影响，以提高分类精度。在本文中，我们提出了一个多分支（五个分支）的2D卷积神经网络，该网络为每个分支使用多个超参数。所提出的模型在三个公共数据集上实现了跨主题分类和优于EEGNET，ShandowConvnet，DeepConvnet，MMCNN和EEGNET_FUSION的有希望的结果。我们提出的模型EEGNET融合V2分别为EEGMMIDB数据集的实际和想象的运动活动达到89.6％和87.8％的精度，而BCI IV-2A和IV-2B数据集的实际运动活动分别为74.3％和84.1％。但是，该模型的计算成本更高，即，每个样本的计算时间比EEGNET_Fusion所需的计算时间大约高3.5倍。
基于CNN和阈值分割的脑肿瘤检测模型
这项研究提出了针对大脑图像的基于全球阈值的机器学习算法。对于每个段，该网络使用各种补丁大小和决策树收集多尺度数据，从而确保该方法捕获了准确的分割信息。对于该方法，只需要一个解剖学MR图像。此方法获得了De-Noise图片和清洁图像数据。脑功能障碍的主要原因包括脑部疾病或恶性肿瘤。肿瘤是一块很小的脑组织，无法控制地生长。世界上大多数人口都患有脑部疾病，近100亿人从脑肿瘤中丧生（Cha，2006）。这是大脑的MRI。找到肿瘤，使用MRI扫描。由于分段和
使用基于堆栈的CNN-LSTM模型的先天性心脏病检测深度学习技术：一项试验研究
产前干预可以降低产后认真的冠心病患者的风险，但目前的诊断是基于定性标准，这可能导致临床医生之间的诊断差异。目的：使用深度学习模型检测患有低塑性左心脏综合征（HLHS）胎儿的心脏超声（US）视频的形态和时间变化。招募了一小部分健康和13名HLHS患者，并收集了三个妊娠时间点的超声视频。对视频进行了预处理并分段到心脏周期视频，并培训了五个不同的深度学习CNN-LSTM模型（Mobilenetv2，Resnet18，Resnet15，Resnet50，Densenet121和Googlelenet）。最佳表现的三个模型用于开发一种新型的堆叠CNN-LSTM模型，该模型是使用五倍的交叉验证对HLHS和健康患者进行分类的训练。堆叠CNN-LSTM模型的准确性，精度，敏感性，F1得分和90.5％，92.5％，92.5％，92.5％，92.5％和85％的精度，精度，敏感性，F1得分和特异性的准确性，精度，敏感性，F1得分和特异性分别优于其他预先训练的CNN-LSTM模型，分别是视频范围的分类以及90级分类和92。使用超声视频的主题分类分别为92.5％，92.5％和85％。这项研究表明，使用深度学习模型使用超声视频对CHD产前患者进行分类的潜力，该视频可以在临床环境中对疾病的客观评估进行分类。
CNN加速器的硬件有效卷积算法：简短的评论
摘要。卷积神经网络（CNN）是一项在图像处理和计算机视觉应用方面非常重要的技术。CNN的瓶颈是多维卷积，通常需要加速器硬件。这些加速器使用的卷积算法直接影响缩放期间速度增加与硬件资源消耗之间的比率，这是一种称为硬件效率的度量。该指标越低，在较小的性能改进上花费的功率和区域越多。在这篇综述中，我们分析了卷积层中使用的当前验证算法的硬件效率的潜力：大多数现代应用，Toom-Cook卷积和FFT卷积使用的IM2COL卷积。我们的分析揭示了有关硬件缩放的IM2COL卷积的效率低下，并确认了使用Toom-Cook和FFT卷积的硬件有效应用的潜力，每个应用程序都带有警告。此外，我们确定了这些算法的可能硬件应用程序，这些应用程序可以在未来的工作中扩展。
基于EEG的情感识别的模型：CNN-BI- ...
摘要：情感分析是人类计算机情感互动的关键技术，并逐渐成为人工智能领域的研究热点。基于脑电图的情绪分析的关键问题是特征提取和分类设计。现有的情绪分析方法主要使用机器学习，并依靠手动提取的功能。作为端到端方法，深度学习可以自动提取脑电图并对其进行分类。但是，基于脑电图的大多数深度学习模型仍然需要手动筛选和数据预处理，准确性和便利性不够高。因此，本文提出了一个CNN-BI-LSTM注意模型，以自动提取特征并根据EEG信号对情绪进行分类。原始的脑电图数据用作输入，CNN和BI-LSTM网络用于特征提取和融合，然后通过注意机构层平衡了电极通道的重量。最后，EEG信号分类为各种情绪。在种子数据集上进行了基于脑电图的情绪分类实验，以评估所提出模型的性能。实验结果表明，本文提出的方法可以有效地对脑电图进行分类。该方法在两个独特的分类任务上进行了评估，其中一项具有三个和四个目标类别。该方法的平均十倍交叉验证分类精度分别为99.55％和99.79％，对应于三个和四个分类任务，这比其他方法要好得多。可以得出结论，我们的方法优于情感识别中现有的方法，这些方法可以广泛用于许多领域，包括现代神经科学，心理学，神经工程和计算机科学。