XiaoMi-AI文件搜索系统
World File Search SystemClassification
Alwasiti , HHA 和 Yusoff , MZ 2022, '使用深度卷积神经网络和 Mixup 进行脑机接口的运动意象分类
摘要 — 目标：构建一个可以在单个受试者的小型 EEG 训练集上进行训练的 DL 模型提出了一个有趣的挑战，这项工作正试图解决这一挑战。具体来说，本研究试图避免长时间的 EEG 数据收集过程，并且不组合多个受试者的训练数据集，因为这会对分类性能产生不利影响，因为受试者之间的个体间差异很大。方法：使用大约 120 次 EEG 试验对定制的具有混合增强功能的卷积神经网络进行训练，每个模型仅针对一个受试者。结果：经过修改的具有混合增强功能的 ResNet18 和 DenseNet121 模型分别实现了 0.920（95% 置信区间：0.908,0.933）和 0.933（95% 置信区间：0.922,0.945）的分类准确率。结论：我们表明，尽管本研究使用的训练数据集有限，但与同一数据集上先前研究中的其他 DL 分类器相比，设计的分类器具有更高的分类性能。
计算机历史、分类和基础解剖学
(4) 超级计算机是速度最快、价格最昂贵的机器。与其他计算机相比，它们的处理速度更快。超级计算机的速度通常以 FLOPS（每秒浮点运算次数）来衡量。一些速度更快的超级计算机每秒可以执行数万亿次计算。超级计算机由数千个可以并行工作的处理器互连而成。超级计算机用于高度计算密集型任务，例如天气预报、气候研究、分子研究、生物研究、核研究和飞机设计。超级计算机的一些例子是 IBM Roadrunner、IBM Blue gene。由 C-DAC（先进计算发展中心）在印度组装的超级计算机是 PARAM。PARAM Padma 是该系列中的最新机器。PARAM Padma 的峰值计算能力为 One Tera FLOP。
MP-SeizNet：一种使用 EEG 进行癫痫类型分类的多路径 CNN Bi-LSTM 网络。
癫痫发作类型识别对于癫痫患者的治疗和管理至关重要。然而，这是一个耗时耗力的困难过程。随着机器学习算法的进步，自动诊断系统有可能加速分类过程、提醒患者并支持医生做出快速准确的决策。在本文中，我们提出了一种新型多路径癫痫发作类型分类深度学习网络 (MP-SeizNet)，它由卷积神经网络 (CNN) 和具有注意机制的双向长短期记忆神经网络 (Bi-LSTM) 组成。本研究的目的是仅使用脑电图 (EEG) 数据对特定类型的癫痫发作进行分类，包括复杂部分性、简单部分性、失神性、强直性和强直阵挛性癫痫发作。EEG 数据以两种不同的表示形式输入到我们提出的模型中。 CNN 接收从 EEG 信号中提取的小波特征，而 Bi-LSTM 接收原始 EEG 信号，以便我们的 MP-SeizNet 能够从癫痫发作数据的不同表示中进行联合学习，从而获得更准确的信息学习。我们利用最大的 EEG 癫痫数据库——天普大学医院 EEG 癫痫发作语料库 TUSZ v1.5.2 评估了所提出的 MP-SeizNet。我们使用三重交叉验证对不同患者数据评估了我们提出的模型，并使用五重交叉验证对癫痫发作数据评估了模型，结果分别获得了 87.6% 和 98.1% 的 F1 分数。
由于全球气候变化而导致Bursa气候分类中可能出现的转变
全球气候变化（GCC）被定义为被认为是当前世纪最关键问题的过程，将影响世界上所有生物和生态系统。为了指定这种现象的潜在影响（似乎无法停止），首先有必要预测气候类型的变化。因此，目前的研究旨在定义2040年，2060年，2080年和2100的气候分类的转移（根据De Martonne，Erinç和Emberger气候类别），而Bursa是Türkiye的最大城市之一，根据SSPS 245和SSPSPSPSPSPSPSPSPSPSPSPSPSPSPSPSPSPRESIOS的情况。因此，确定Bursa省的气候类型将发生重大变化，主要表现为转向干旱气候类型。建议在部门采取预防措施，以避免GCC的毁灭性影响。
一种有效的心理情绪分类方法......
摘要：本研究探索了EEG信号中突出的信号，并提出了一种基于EEG信号识别情绪体验和心理状态的有效方法。首先，使用PCA将数据的维度从2K和1K降低到10和15，同时提高了性能。然后，针对构建基于EEG的识别方法的高质量训练数据不足的问题，提出了一种多生成器条件GAN，通过使用不同的生成器来生成覆盖实际数据更完整分布的高质量人工数据。最后，为了进行分类，引入了一种新的混合LSTM-SVM模型。所提出的混合网络在EEG情绪状态分类中获得了99.43%的整体准确率，在识别心理状态方面表现出色，准确率达到99.27%。所介绍的方法成功地结合了机器学习的两个突出目标：高精度和小特征尺寸，并展示了在未来分类任务中利用的巨大潜力。
HAEM：获得更高质量的分类任务...
在有限的预算下，获得固定的分类任务集的高质量结果是众包中的一个关键问题。应探索引入人工智能模型来补充该过程。然而，现有的方法很少直接解决这个问题；现有的方法是在如何使用嘈杂的众包数据训练人工智能模型的背景下提出的。本文提出了一种更直接的方法来解决在有限的预算下引入人工智能来提高人类工作者在固定数量任务中的结果的问题；我们将人工智能模型视为同事，并汇总人类和人工智能工作者的结果。提出的“人机协同 EM”（HAEM）算法扩展了 Dawid-Skene 模型，将 AI 模型视为同事，并明确计算它们的混淆矩阵以得出更高质量的聚合结果。我们进行了大量的实验，并将 HAEM 与两种方法（MBEM 和 Dawid-Skene 模型）进行了比较。我们发现，在大多数情况下，基于 AI 的 HAEM 比 Dawid-Skene 模型表现出更好的性能，并且当 AI 模型性能不佳时，它表现出比 MBEM 更好的性能。
