XiaoMi-AI文件搜索系统
World File Search SystemCNN
基于 CNN 的提高脑肿瘤图像分类准确率的方法 A. Muis a、S. Sunardi *b、A. Yudhana b
脑瘤是世界上最致命的疾病之一。这种疾病可以攻击任何人，无论性别或特定年龄段。脑瘤的诊断是通过手动识别计算机断层扫描或磁共振成像的图像进行的，因此可能会发生诊断错误。此外，可以使用活检技术进行诊断。这种技术非常准确，但需要很长时间，大约 10 到 15 天，并且需要大量设备和医务人员。基于此，需要能够根据 MRI 生成的图像进行分类的机器学习技术。这项研究旨在提高以前研究对脑瘤分类的准确性，从而避免在脑瘤诊断中出现错误。本研究使用的方法是使用 AlexNet 和 Google Net 架构的卷积神经网络。这项研究的结果显示，AlexNet 架构的准确率为 98%，GoogleNet 的准确率为 96%。与以前的研究相比，这个结果更高。这一发现可以减少模型训练期间的计算负担。该研究成果可以帮助医生快速准确地诊断脑肿瘤。
基于CNN-LSTM的新型糖尿病分类方法：
摘要本文介绍了糖尿病分类方法的开发，利用卷积神经网络（CNN）和长期记忆（LSTM）模型。所提出的方法利用LSTM和CNN体系结构的优势有效地捕获顺序模式并从输入数据中提取有意义的特征。全面包含糖尿病患者相关特征的数据集用于训练和评估分类器。评估指标，例如KAPPA评分，F1得分，准确性，精度和召回率，以评估每个模型的性能。结果表明，CNN-LSTM模型的表现优于其他模型，包括逻辑回归，随机森林，SVM和KNN，其令人印象深刻的精度为97％。这些发现阐明了拟议方法在准确分类糖尿病中的有效性，从而导致糖尿病诊断和治疗的显着进步，并为个性化医疗保健打开了令人兴奋的可能性。
基于CNN-LSTM的新型糖尿病分类方法：
摘要本文介绍了糖尿病分类方法的开发，利用卷积神经网络（CNN）和长期记忆（LSTM）模型。所提出的方法利用LSTM和CNN体系结构的优势有效地捕获顺序模式并从输入数据中提取有意义的特征。全面包含糖尿病患者相关特征的数据集用于训练和评估分类器。评估指标，例如KAPPA评分，F1得分，准确性，精度和召回率，以评估每个模型的性能。结果表明，CNN-LSTM模型的表现优于其他模型，包括逻辑回归，随机森林，SVM和KNN，其令人印象深刻的精度为97％。这些发现阐明了拟议方法在准确分类糖尿病中的有效性，从而导致糖尿病诊断和治疗的显着进步，并为个性化医疗保健打开了令人兴奋的可能性。
利用预先训练的3D-CNN进行视频字幕
视频字幕是一项视觉理解任务，旨在以语法和语义准确的描述生成。视频字幕中的主要挑战之一是捕获视频中存在的复杂动态。这项研究通过利用预先训练的3D卷积神经网络（3D-CNN）来解决这一挑战。这些网络在建模此类动态，增强视频上下文理解方面特别有效。我们评估了Microsoft研究视频描述（MSVD）数据集的方法，并在视频字幕中通常使用性能指标，包括苹果酒，BLEU-1至BLEU-4，Rouge-L，Rouge-L，Meteor和Spice。结果显示了所有这些指标的显着改善，证明了预训练的3D-CNN在增强视频字幕准确性方面的优势。关键字：视频字幕，视频语言多模式学习，运动功能。
一种 3D-CNNs 方法对用户表情进行分类
最近的研究表明，社交辅助机器人 (SAR) 可用于各种操作环境，在这些环境中，促进人机交互和建立融洽关系取决于引发积极感觉。不同的人以不同的方式表达和感受情绪，这一事实造成了巨大的偏见，即使借助人工智能技术，也很难识别和区分情绪。这是最大的挑战之一。使用客观指标而非主观指标（如生物信号）作为情绪特征鉴别器可以缩小这一差距。先前的研究调查了使用 EEG 测量对 HRI 中的情绪进行分类，方法是查看一系列分类方法，例如使用 MLP 模型和全局优化算法应用于支持向量机、随机森林、决策树、K 最近邻和深度神经网络等方法，应用于原始和派生信号特征（例如，效价、唤醒、PSD 等）。本文介绍了一种新方法，该方法采用 3D 卷积神经网络 (3D-CNN) 来处理从 EEG 获得的地形图。据我们所知，该方法尚未在该领域进行研究。所提出的模型实现了令人印象深刻的 99.2% 的分类准确率，成功区分了积极和消极情绪，并表明将 EEG 数据转换为图像可能是一种可行的解决方案，因为它允许使用更准确的分类模型。所提出的模型的结果与最佳的最先进的模型一致。
转移学习的潜力和DIACNN模型
糖尿病性视网膜病（DR）是视力障碍的重要原因，表明对早期检测的关键需求和及时干预以避免视觉恶化。诊断DR本质上是复杂的，因为它需要通过经验丰富的特殊IST对复杂的视网膜图像进行细致的检查。这使得对DR的早期诊断对于有效治疗和预防最终失明必不可少。传统的诊断方法，依靠人类对这些医学图像的解释，就准确性和效率而言面临挑战。在本研究中，我们引入了一种新颖的方法，与这些传统方法相比，通过采用先进的深度学习技术，该方法在DR诊断方面具有优异的精度。这种方法的核心是转移学习的概念。这需要我们先前存在的，完善的模型，特别是InceptionResnetV2和InceptionV3，以提取功能和微调选择层，以满足此特定诊断任务的独特要求。同时，我们还提出了一个新设计的模型Diacnn，该模型是针对眼部疾病的分类而定制的。验证提出方法的功效，我们
使用 SE 进行 3D-CNN 的阿尔茨海默病检测
摘要——阿尔茨海默病是一种致命的进行性神经系统脑部疾病。及早发现阿尔茨海默病有助于正确治疗并防止脑组织损伤。在这项工作中，我们提出了两种方法。首先，提出使用 PSO 从 MRI 图像中提取特征的连接中值滤波器，并使用基于 3D-CNN 的 SE-Net 分析阿尔茨海默病状态。在第一阶段，该算法首先对 MRI 图像进行规范化并去除头骨。使用粒子群优化算法的连接中值滤波器将图像划分为白质 (WM)、灰质 (GM) 和黑洞 (BH)。从分割的图像成分中提取相关的诊断特征。分类器由训练数据训练以预测测试数据。定义特征以使用带有挤压激励块的支持向量机构建分类模型。在这里，数据库总共包含 1000 张图像，这些图像被调整为 350 × 350 而不会丢失信息。深度学习需要大量的图像，并且其强度根据增强技术的要求得到了提高。在该方法的第一阶段，选取 1000 张具有不同特征的图像来训练 SVM 分类器，获得的准确率为 98.37%，这项工作的贡献是将图像分类为阿尔茨海默病 (AD) 和正常等类别。第一阶段的工作强调使用特定程序来提取特征。在第二阶段，CNN 有多个层，从较低级别到较高级别研究图像特征。关键词 - 3D-CNN、压缩和激励网络、优化
通过 CNN U 优化脑肿瘤分割
摘要。准确分割医学图像中的脑肿瘤对于精确诊断和治疗计划至关重要。在本研究中，我们介绍了一种稳健的脑肿瘤分割方法，该方法采用卷积神经网络 (CNN) 和对比度限制自适应直方图均衡 (CLAHE) 和直方图均衡 (HE) 预处理技术。我们利用 CNN U-Net 架构，并通过 CLAHE-HE 预处理增强，以实现脑肿瘤分割的高精度。我们的评估证明了这种方法的有效性，表明在训练、验证和测试阶段，准确度（达到 0.9982）、损失（降低到 0.0054）、均方误差 (MSE，降低到 0.0015）、交并比 (IoU，增加到 0.9953）和 Dice 分数（增加到 0.9977）均有显着改善。值得注意的是，我们的模型具有有效的泛化能力，这一点可以通过验证性能与训练结果的紧密结合看出。这些发现强调了预处理技术在增强医学图像分析方面的潜力，所提出的方法展示了彻底改变脑肿瘤分割的前景，从而有助于在临床环境中做出更准确、更可靠的诊断。未来的研究可能会探索创新的预处理方法以及所提出的方法在其他医学图像分割任务中的应用，这将进一步提高其能力和可能的应用领域。
3D-STCNN：基于 EEG 3D 特征的时空卷积神经网络，用于检测驾驶疲劳
摘要：疲劳驾驶已成为引发交通事故的主要原因之一，基于脑电信号进行驾驶疲劳检测可以有效评估驾驶员的心理状态，避免交通事故的发生。本文评估了一种提取脑电信号多种特征的特征提取方法，建立了一种时空卷积神经网络（STCNN）用于驾驶员疲劳检测。首先，构建脑电信号的三维特征，包括脑电信号的频域、时域和空间特征；然后，利用STCNN进行疲劳状态分类。STCNN由基于注意力机制的注意时间网络和基于注意力机制的注意卷积神经网络组成。此外，进行了疲劳驾驶实验，采集了14名受试者在清醒和疲劳状态下的脑电信号，最终收集了三种不同驾驶任务负荷下的脑电数据。在此基础上进行了大量实验，并比较了STCNN与六种竞争方法的有效性。结果表明，STCNN的分类准确率为87.55%，可以有效检测驾驶员疲劳状态。
确实“外部集中”视觉生物反馈促进...
摘要：糖尿病的激增构成了一个重要的全球健康挑战，尤其是在阿曼和中东。早期检测糖尿病对于主动干预和改善患者预后至关重要。这项研究利用机器学习的力量，特定的卷积神经网络（CNN），开发了一种创新的4D CNN模型，该模型用于早期糖尿病预测。来自阿曼的区域特定数据集可用于增强患有糖尿病风险的人的健康结果。所提出的模型展示了出色的准确性，在各个时期的平均准确度达到98.49％至99.17％。此外，它表现出出色的F1分数，回忆和灵敏度，突出了其识别真正阳性病例的能力。这些发现有助于与糖尿病打击并为未来的研究铺平道路，以使用深度学习进行早期疾病检测和积极的医疗保健。