XiaoMi-AI文件搜索系统
World File Search SystemClassification
使用EEG Hilbert信封和时间精细结构进行秘密语音分类的转移学习
脑部计算机界面（BCIS）可以从神经活动中解释想象的语音。但是，这些系统通常需要广泛的培训课程，参与者想象地重复单词，从而导致精神疲劳和困难识别单词的发作，尤其是在想象单词序列时。本文通过转移经过公开语音数据培训的分类器来掩盖语音分类，从而解决了这些挑战。我们使用了源自希尔伯特包络和时间精细结构的脑电图（EEG）特征，并将它们用于训练双向长短记忆（BILSTM）模型进行分类。我们的方法减轻了广泛的培训和实现最先进的分类精度的负担：公开语音的86.44％，使用公开的语音分类器的秘密语音为79.82％。
使用 EEG 希尔伯特包络和时间精细结构进行隐性语音分类的迁移学习
脑机接口 (BCI) 可以从神经活动中解码想象中的语音。然而，这些系统通常需要大量的训练，参与者在训练中想象重复单词，这会导致精神疲劳和难以识别单词的开头，尤其是在想象单词序列时。本文通过将在显性语音数据中训练过的分类器转移到隐性语音分类中来解决这些挑战。我们使用了从希尔伯特包络和时间精细结构中得出的脑电图 (EEG) 特征，并使用它们来训练双向长短期记忆 (BiLSTM) 模型进行分类。我们的方法减轻了大量训练的负担，并实现了最先进的分类准确率：使用显性语音分类器，显性语音的准确率为 86.44%，隐性语音的准确率为 79.82%。
在黎曼框架内通过 CNN 特征的协方差池对 GPR 信号进行分类
探地雷达 (GPR) 是一种成像系统，可用于观察现场地下情况，以研究土壤的层组成或埋藏物体的存在。由于地面的电磁特性，此类图像通常具有非常低的信噪比 (SNR)。此外，根据设计，埋藏物体被观察为双曲线，其形状可能与物体类型（例如空腔或管道）相关联。在这种情况下，埋藏物体的分类在民用应用中非常重要，例如恢复埋藏天然气管道的位置 [1] 或军事应用，例如地雷探测 [2]。为了进行这种识别，一些研究考虑使用信号反演技术 [3] 来提高 SNR，以便地球物理学家进行手动解释。当需要处理大量图像时，这种解决方案可能不切实际，因为它需要专门的人力资源。因此，自动识别方法已成为必需，并受到社区的关注。GPR 信号的自动分类分两步进行。首先，感兴趣区域（ROI）对应于
评估血浆P-TAU217用于检测多样化和异质社区同类群体中淀粉样病理学的评估
保留所有权利。未经许可就不允许重复使用。（未经同行评审证明）是作者/资助者，他已授予Medrxiv的许可证，以永久显示预印本。
探索Brats Dataset上神经胶质瘤等级分类的放射学标准
∗ xlim laboratory, 11 bd Marie and Pierre Curie, 86360 Chasseneuil-du-Poitou, France email address: Paul.dequidt@univ-poitiers.fr (Paul Dequidt) 1 Xlim Laboratory, UMR CNRS 7252, University of Poitiers, Poitiers, France 2 Dactim-Mise, LMA, UMR CNRS 7348法国POITIERS，POITIERS，POITIERS 3西门子医疗保健SAS，圣丹尼斯，法国4公共实验室CNRS-SIEMENS I3M 5M 5 5号5M 5号放射科，圣艾蒂安大学，法国圣维蒂安，法国6号，6 Chru de Tours，Chru De Tours，UMR 1253 Ibrain，Inserm tours，Inserm，Inserm，Inserm torem，inserm tormer，Iserm tormer，Inserm tore omer，inserm tours，inserm torem，inserm torem，con Picardie，Picardie Jules Verne大学（UPJV）
CNN和视觉模型的比较研究图表图像分类
摘要：图表图像分类是自动化数据提取和从可视化的解释的关键任务，这些任务被广泛用于业务，研究和教育等领域。在本文中，我们评估了卷积神经网络（CNN）和视觉模型（VLM）的性能，鉴于它们在各种图像分类和理解任务中的使用越来越多。，我们构建了25种图表类型的不同数据集，每个数据集包含1,000张图像，并培训了多个CNN体系结构，同时还评估了预训练的VLM的零拍概括能力。我们的结果表明，在经过专门用于图表分类的培训时，CNN胜过VLM，尽管如此，它仍显示出有希望的潜力，而无需特定于任务的培训。这些发现强调了CNN在图表分类中的重要性，同时突出了VLM的进一步微调的未开发潜力，这对于推进自动数据可视化分析至关重要。
使用动态光学造影剂成像（DOCI）的基于机器学习的肿瘤分割和分类
t yler v asse 1，2†，y Azeed a lhiyari Ph.d 1†，l auran k。e Vans M.D.3，4，Ramesh Shori Ph.D 3。 m aie s t。 J OHN MD。 ph.d 1,4,6（*），T uan V o -d inh Ph.d 1，2，5（*）1 Fitzpatrick Photonics，Duke University;美国北卡罗来纳州达勒姆市27708，美国2杜克大学生物医学工程系；美国北卡罗来纳州达勒姆市27708，美国3头颈外科，加利福尼亚大学戴维·格芬医学院；洛杉矶，美国加利福尼亚州90025，美国4头和颈癌计划；洛杉矶大学；洛杉矶，加利福尼亚州90025，美利坚合众国5杜克大学化学系；美国北卡罗来纳州达勒姆市27708，美国6 Jonsson综合癌症中心，洛杉矶大学医学中心；美国美国加利福尼亚州洛杉矶90025†这些作者同样为这项工作做出了同样的贡献。3，4，Ramesh Shori Ph.D 3。m aie s t。J OHN MD。ph.d 1,4,6（*），T uan V o -d inh Ph.d 1，2，5（*）1 Fitzpatrick Photonics，Duke University;美国北卡罗来纳州达勒姆市27708，美国2杜克大学生物医学工程系；美国北卡罗来纳州达勒姆市27708，美国3头颈外科，加利福尼亚大学戴维·格芬医学院；洛杉矶，美国加利福尼亚州90025，美国4头和颈癌计划；洛杉矶大学；洛杉矶，加利福尼亚州90025，美利坚合众国5杜克大学化学系；美国北卡罗来纳州达勒姆市27708，美国6 Jonsson综合癌症中心，洛杉矶大学医学中心；美国美国加利福尼亚州洛杉矶90025†这些作者同样为这项工作做出了同样的贡献。
金属增材制造工艺部分尺寸热建模中常见简化的分类和分析
金属增材制造的计算过程建模在最近引起了广泛的研究关注。许多过程模型的基础是 AM 过程中的瞬态热响应。由于 AM 中热条件的沉积尺度建模计算成本高昂，因此文献中通常采用空间和时间简化，例如模拟整个层或多个层的沉积，以及延长激光曝光时间。虽然这些简化有利于降低计算成本，但本文逐一报告了这些简化对温度历史准确性的影响。在本文中，首先根据空间和时间域中的假设，将现有文献中的简化分类到归一化简化空间中。随后，使用数值示例研究所有类型的简化，并与高保真参考模型进行比较。建立了每个简化所需的数值离散化，从而可以公平地比较计算时间。对不同建模简化方法是否适合捕捉热历史进行了整体分析，为建立热 AM 模型时简化方法的适用性提供了指导。关键词：增材制造、热建模、简化、激光粉末床熔合
使用机器的Skinai Skin疾病检测和分类
人工智能（AI），更具体地说，深度学习，彻底改变了包括医疗保健在内的许多领域。卷积神经网络（CNNS）是一种尤其是熟悉图像识别任务的一种深度学习模型，在医学诊断方面表现出了巨大的希望，尤其是在皮肤病学方面。皮肤疾病诊断在很大程度上取决于视觉评估，使其成为通过AI自动化的理想候选者。通过利用CNN，可以根据图像对皮肤病进行分类，从而更快，更准确地诊断过程。这项研究重点是开发基于Web的皮肤病检测和分类系统，集成了CNN以使诊断过程自动化。用户，包括患者和医疗专业人员，可以上传或捕获皮肤病变的图像，然后通过在皮肤病学数据集中培训的CNN模型对其进行实时分析。该系统不仅可以识别皮肤状况，而且还提出了潜在的治疗方法，提供了可以指导进一步医疗咨询的初步诊断。这项研究的主要目标是创建一个可访问的，用户友好的平台，该平台可以用作诊断工具和教育资源。通过对皮肤疾病的初步评估自动化，该系统旨在弥合患者和皮肤科医生之间的差距，尤其是在稀缺医疗保健服务的地区。本文概述了系统的开发过程，CNN模型架构和所使用的技术框架，同时还与现有的皮肤病检测方法进行了详细的比较。