XiaoMi-AI文件搜索系统
World File Search SystemClassification
如何引用本文：Vasudeva A、Sheikh NA、Sahu S。通过远程医疗和人工智能增强的国际功能、残疾和健康分类用于评估功能性残疾。J Family Med Prim Care 2021；10：3535-9。
建议的工作流程 建议的工作流程是，该人应该在网站上申请证书，该网站将首先确定是否存在基准残疾。智能助手和视频分析将有助于做出这一决定。将设置一个网络摄像头，其中包含预先指定的问题和预先指定的带有说明的协议。提供用于评估残疾的视频指南和说明手册将有助于以足够的信心得出结论，即患者是否有基准残疾。上诉机构将处理任何上诉。如果它确实符合基准残疾的条件，AI 将填写 WHO 的 ICF 核心集以创建功能档案；使用远程医疗来衡量能力和绩效，这可能取决于环境和社会规范
政府安全分类政策
BPSS - 基本人员安全标准 CIK - 加密点火钥匙 CNI - 关键国家基础设施 CSE - 安全设备目录 DPA - 2018 年数据保护法 DV - 开发审查 FOI - 信息自由 FOIA - 2000 年信息自由法 GCSO - 政府首席安全官 GDPR - 英国通用数据保护条例 GSB - 政府安全委员会 GSCP - 政府安全分类政策 GSG - 政府安全组 HMG - 国王陛下政府 HR - 人力资源 IAO - 信息资产所有者 IT - 信息技术 LPP - 法律专业特权 NATO - 北大西洋公约组织 NCSC - 国家网络安全中心 NPSA - 国家保护安全局 OSA - 1989 年官方保密法 PDF - 便携式文档格式 PDR - 受保护文件登记簿 PRA - 公共记录法 SA - 安全顾问 SC - 安全检查 SCS - 高级公务员 SSA - 英国高级安全顾问 NSA - 英国国家安全局
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。
2015 菲律宾标准商品分类
IX 木材及木制品；木炭；软木及软木制品；稻草、西班牙茅草或其他编织材料制品；篮筐及柳条制品 X 木浆或其他纤维状纤维素材料浆；回收（废料及碎片）纸或纸板；纸和纸板及其制品 Xl 纺织品及纺织品 Xll 鞋类、头饰、雨伞、太阳伞、手杖、马杖、鞭子、马鞭及其零件；加工好的羽毛及其制品；人造花、人发制品 Xlll 石料、石膏、水泥、石棉、云母或类似材料制品；陶瓷制品、玻璃和玻璃器皿 XIV 天然或养殖珍珠、宝石或半宝石、贵金属、包贵金属及其制品；照明珠宝；硬币 fi, f,::?, r"T xx'fxl",];: giffi,[::*, 电气设备及其零件；录音机和重放机，以及此类物品的零件和附件 XVll 车辆、航空器、船舶及相关运输设备 Xvllll 光学摄影、电影摄影、测量、检查、精密、医疗或外科仪器和设备、钟表；乐器；其零件和附件 ' XIX 武器和弹药；其零件和附件 XX 杂项制成品 XXI 艺术品、收藏品和古董 3.20If pscc 下商品分类使用的标准
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。
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。