XiaoMi-AI文件搜索系统
World File Search SystemCNNS
量子驱动的深度学习可增强糖尿病视网膜病变检测
传统卷积神经网络 (CNN) 已显示出识别糖尿病 (DR) 引起的视网膜病变的潜力。然而，发展量子计算有可能改善特征表示。我们提出了一种混合方法，将经典 CNN 与量子电路相结合，利用经典和量子信息进行 DR 分类。使用 Keras 和 Qiskit 框架，我们的模型将图片特征编码为量子态，从而实现更丰富的表示。通过对一系列视网膜图片的实验，我们的模型表现出了竞争力，在对 DR 严重程度进行分类方面具有出色的可靠性和准确性。这种经典和量子范式的结合为增强 DR 诊断和治疗提供了一种新方法。
机器和深度学习方法中解码想象语音脑电图的超参数优化评估
摘要：对与想象语音产生相对应的脑电图 (EEG) 信号进行分类对于直接语音脑机接口 (DS-BCI) 的开发非常重要。深度学习 (DL) 已在多个领域取得了巨大成功。然而，DL 方法是否比传统的机器学习 (ML) 方法在想象语音分类方面取得了重大进展仍是一个悬而未决的问题。此外，超参数 (HP) 优化在 DL-EEG 研究中被忽视，导致其影响的重要性仍然不确定。在本研究中，我们旨在通过使用 DL 方法来改进想象语音 EEG 的分类，同时还统计评估 HP 优化对分类器性能的影响。我们使用嵌套交叉验证方法对 HP 优化，在想象语音 EEG 上训练了三个不同的卷积神经网络 (CNN)。评估的每个 CNN 都是专门为 EEG 解码而设计的。由单词和元音组成的想象语音 EEG 数据集可独立地在两个集合上进行训练。将 CNN 结果与三种基准 ML 方法进行了比较：支持向量机、随机森林和正则化线性判别分析。测试了受试者内和受试者间的 HP 优化方法，并统计分析了 HP 的影响。在两个数据集上进行训练时，CNN 获得的准确率明显高于基准方法（单词：24.97%，p < 1 × 10 –7，机会：16.67%；元音：30.00%，p < 1 × 10 –7，机会：20%）。不同 HP 值的影响以及 HP 与 CNN 之间的相互作用均具有统计学意义。HP 优化的结果证明了训练 CNN 对解码想象语音的重要性。
二维和三维脑电信号的 CNN 图像分类研究
摘要。目的：本研究的创新之处在于探索了多种脑电波信号数据预处理的新方法，其中提取统计特征，然后根据降维算法选择它们的顺序将其格式化为视觉图像。然后，这些数据被处理为 2D 和 3D CNN 的视觉输入，然后进一步提取“特征的特征”。方法：从三个脑电图数据集得出的统计特征在视觉空间中呈现，并分别在 2D 和 3D 空间中处理为像素和体素。对三个数据集进行了基准测试，即来自四个 TP9、AF7、AF8 和 TP10 10-20 电极的心理注意力状态和情绪价以及来自 64 个电极的眼睛状态数据。通过三种选择方法选择了 729 个特征，以便从相同的数据集中形成 27x27 图像和 9x9x9 立方体。为 2D 和 3D 预处理表示而设计的 CNN 学习从数据中卷积有用的图形特征。主要结果：70/30 分割方法表明，在 2D 中，特征选择分类准确度最高的方法是注意力状态的单一规则和情绪状态的相对熵。在眼部状态数据集中，3D 空间最佳，由对称不确定性选择。最后，使用 10 倍交叉验证来训练最佳拓扑。最终最佳 10 倍结果是注意力状态（2D CNN）97.03%，情绪状态（3D CNN）98.4%，眼部状态（3D CNN）97.96%。意义：本研究提出的框架的结果表明，CNN 可以成功地从一组预先计算的原始 EEG 波的统计时间特征中卷积出有用的特征。 K 折验证算法的高性能表明，除了预先计算的特征之外，CNN 学习到的特征还包含对分类有用的知识。
研究文章 新西兰国家糖尿病筛查计划中人工智能的实施：基于云、强大且定制化
卷积神经网络 (CNN) 已成为医疗分类任务中 AI 实现的一种重要方法。糖尿病视网膜病变 (DR) 分级一直是眼科 AI 发展的最前沿。然而，将这些 CNN 推广到现实世界的 DR 筛查程序中仍然存在重大障碍。我们认为这些困难是由于使用了 1) 小型训练数据集（<5,000 张图像）、2) 私有和“精选”存储库、3) 本地实施的 CNN 实现方法，而 4) 依赖测量的曲线下面积 (AUC) 作为衡量 CNN 性能的唯一标准。为了解决这些问题，公共 EyePACS Kaggle 糖尿病视网膜病变数据集被上传到 Microsoft Azure™ 云平台。训练了两个 CNN；1 个“质量保证”，2. 一个“分类器”。随后，在“质量评估”CNN 模型创建的“非精选”和“精选”测试集上测试糖尿病视网膜病变分类器 CNN (DRCNN) 的性能。最后，使用两种后训练技术提高了 DRCNN 的灵敏度。我们的 DRCNN 被证明是稳健的，因为它在“精选”和“非精选”测试集上的表现相似。实施“级联阈值”和“最大边际”技术显著提高了 DRCNN 的灵敏度，同时也提高了其他等级的特异性。
视力神经科学的卷积神经网络
卷积神经网络（CNN）是一类机器学习模型，主要用于计算机视觉任务，可以通过从经验中学习来实现类似人类的性能。它们与灵长类动物视觉系统的结构和功能原理的惊人相似之处，可以比较这些人工网络及其生物学对应物，从而探索了视觉功能和神经表示如何与有限的计算原理中的真实大脑中出现。在考虑了CNN的基本特征后，我们将讨论认可CNN的机遇和挑战，如灵长类动物视觉系统的硅模型。特别是，我们突出了有关视觉系统的解剖学和生理特性的几个新兴概念，这些概念仍然需要系统地集成到当前的CNN模型中。这些原则包括从视网膜输入的早期阶段实施并行处理途径，以及关于信息流的序列进程的几个假设的重新考虑。我们建议设计选择和建筑约束，可以促进与生物学更紧密保持一致性，这为人工和生物学视觉系统之间的预测联系提供了因果证据。采用这种原则的观点可能会导致CNN的新研究问题和应用，而不是建模对象识别。
用生物学约束深度学习体系结构解释V1属性
卷积神经网络（CNN）最近已成为腹侧视觉流的有前途的模块。虽然主要视觉皮层（V1）的当前最新模型已经从具有对抗性示例的训练中浮出水面并广泛增强了数据，但这些模型仍然无法解释V1中观察到的关键神经特性，这些神经特性是由生物逻辑电路引起的。为了解决这一差距，我们系统地将神经科学衍生的架构组件纳入CNN中，以确定一组更全面地解释V1活动的机制和体系结构。通过使用建筑组件增强任务驱动的CNN，这些组件模拟了中心旋转的拮抗作用，局部接收场，调整归一化和皮质放大倍数，我们以潜在的表示模型来产生V1神经活动和调谐特性的潜在模型。此外，对这些成分的学习参数和最大激活评估网络神经元的刺激的分析为它们在解释V1的神经特性中的作用提供了支持。我们的结果突出了神经ai领域的重要进步，因为我们系统地建立了一组建筑成分，这些组件有助于v1的前所未有的解释。可以从越来越准确的大脑内部模型中收集的神经科学见解有可能大大推进神经科学和人工智能的领域。
研究论文：基于小波卷积神经网络和支持向量机的混合脑电情绪识别方法
方法：本文提出了一种基于从小波 CNN（WCNN）加权层提取的深度特征和多类支持向量机（MSVM）的混合方法来提高从脑电图（EEG）信号中识别情绪状态的能力。首先，使用连续小波变换（CWT）方法对 EEG 信号进行预处理并将其转换为时频（TF）颜色表示或尺度图。然后，将尺度图输入到四个流行的预训练 CNN，AlexNet、ResNet-18、VGG-19 和 Inception-v3 中进行微调。然后，将每个 CNN 中的最佳特征层用作 MSVM 方法的输入，以对效价-唤醒模型的四个季度进行分类。最后，使用与受试者无关的留一受试者排除标准在 DEAP 和 MAHNOB-HCI 数据库上评估所提出的方法。
使用混合深度学习模型预测伪随机和量子随机数序列
随机数生成是许多应用程序的关键组成部分，包括加密，安全通信系统，模拟和概率算法。伪随机数生成器（PRNGS）和量子随机数生成器（QRNG）是两种主要类型的随机数生成器，QRNG由于其固有的不可预测性提供了更好的安全性[1]。但是，预测PRNG和QRNG序列仍然是评估其安全性和可靠性的重要任务。深度学习技术，例如卷积神经网络（CNN），长期记忆（LSTM）网络和RNN，已在各种时间序列预测任务中广泛使用[2]。在本文中提出了一个混合深度学习模型，该模型结合了CNN，LSTMS和RNN来预测PRNG和QRNG序列。该模型在包含PRNG和QRNG序列的数据集上进行了训练和评估。
基于 FPGA 的剪枝神经网络可靠性评估
卷积神经网络（CNN）被广泛用于图像分类。为了使CNN适合在资源有限的系统（如FPGA）上实现，剪枝是一种降低复杂度的流行技术。本文以VGG16为例，评估了剪枝后的CNN对FPGA加速器权重和配置内存错误的鲁棒性，并考虑了两种流行的剪枝方法（基于幅度和过滤器剪枝）。特别地，基于故障注入实验测试了原始VGG16和具有不同剪枝率的VGG16的精度损失，结果表明两种剪枝方法对权重和配置内存的错误影响不同。对于权重错误，使用两种方法剪枝的网络在剪枝率较高的情况下表现出更高的可靠性，但使用过滤器剪枝的网络可靠性相对较低。对于配置内存错误，大约30%的配置位上的错误会影响CNN操作，其中只有14%会导致显着的精度损失。但相同关键比特位对于两种剪枝方法的影响是不同的，采用基于量级方法剪枝后的网络可靠性低于原始VGG16，而采用过滤器剪枝后的网络可靠性高于原始VGG16。从CNN加速器的结构和两种剪枝方法的性质出发，解释了这种不同的影响，并评估了基于量级方法量化对CNN可靠性的影响。