XiaoMi-AI文件搜索系统
World File Search SystemClassifier
使用 KNN 和 MLP 进行基于 MI 的脑信号识别...
摘要：脑电图 (EEG) 信号分类在开发残疾人辅助康复设备中起着重要作用。在此背景下，从 20 名健康人身上获取脑电图数据，然后进行预处理和特征提取过程。提取 12 个时间域特征后，采用两个著名的分类器，即 K 最近邻 (KNN) 和多层感知器 (MLP)。采用五重交叉验证方法将数据分为训练和测试目的。结果表明，MLP 分类器的性能优于 KNN 分类器。MLP 分类器实现了 95% 的分类器准确率，这是最好的。本研究的结果对于在线开发脑电图分类模型以及设计基于脑电图的轮椅非常有用。关键词：运动想象，脑电图信号，KNN，MLP，ICA。介绍
从文献计量模式检测技术成熟度
摘要 对于行业和政府的决策者来说，根据易于获取的开源指标（例如出版物）识别新兴技术的能力非常重要。这项工作的科学贡献是提出了一种基于出版物数量来检测新兴技术成熟度的机器学习方法。出版物数量的时间序列具有区分新兴技术和成长技术的普遍特征。我们根据这些特征训练了一个人工神经网络分类器（一种监督式机器学习算法），以预测任意技术的成熟度（新兴技术与成长技术）。通过由 22 种技术组成的训练集，我们对 6 种测试技术获得了 58.3% 到 100% 的分类准确率，平均准确率为 84.6%。为了提高分类器性能，我们用合成的时间序列技术生命周期曲线扩充了训练语料库，这些曲线是通过计算原始训练集中曲线的加权平均值形成的。在合成数据集上训练分类器可提高准确率，范围从 83.3% 到 100%，测试技术的平均准确率为 90.4%。我们的分类器的性能超过了文献中竞争的机器学习方法，后者报告的平均分类准确率最高仅为 85.7%。此外，与当前方法相比，我们的方法不需要专业知识来生成训练标签，并且可以自动化和扩展。
从文献计量模式检测技术成熟度
摘要 对于行业和政府的决策者来说，根据易于获取的开源指标（例如出版物）识别新兴技术的能力非常重要。这项工作的科学贡献是提出了一种基于出版物数量检测新兴技术成熟度的机器学习方法。出版物数量的时间序列具有区分新兴技术和成长技术的普遍特征。我们根据这些特征训练了一个人工神经网络分类器（一种监督式机器学习算法），以预测任意技术的成熟度（新兴技术与成长技术）。通过由 22 种技术组成的训练集，我们对 6 种测试技术获得了 58.3% 到 100% 的分类准确率，平均准确率为 84.6%。为了提高分类器性能，我们用合成的时间序列技术生命周期曲线扩充了训练语料库，这些曲线是通过计算原始训练集中曲线的加权平均值形成的。在合成数据集上训练分类器可提高准确率，范围从 83.3% 到 100%，测试技术的平均准确率为 90.4%。我们的分类器的性能超过了文献中竞争的机器学习方法，后者报告的平均分类准确率最高仅为 85.7%。此外，与当前方法相比，我们的方法不需要专业知识来生成训练标签，并且可以自动化和扩展。
一种深度学习策略，可以从高密度的细胞外记录中识别跨物种的细胞类型
图1：来自神经回路中细胞外记录的细胞类型识别策略。该策略包括三个步骤：数据采集和策展，以构建地面真相类型库，从地面真相库中选择以训练基于机器学习的分类器的特征，以及使用其他数据集对分类器进行测试，包括其他物种。第一步是基于在清醒小鼠的电生理记录期间基于遗传学定义的神经元的光遗传学激活来创建一个基础真相库。通过突触阻滞剂药理学和电生理标准的结合，必须直接激活地面真相文库中的神经元，然后进行仔细的数据策划。第二步是识别数据集中的功能，这些功能可用于训练半监督的深度学习分类器。第三步是通过要求将其预测小鼠和猴子专家分类记录的独立数据集中的单元格类型来测试分类器的一般性。117
基于集合学习的基于磁共振图像的本地斑块分类，以检测大脑中的铁沉积
摘要：已经观察到正常衰老的大脑中的铁沉积，并且与神经退行性疾病有关。据我们所知，尚未进行基于大脑基底神经节区域的铁沉积的大脑磁共振图像（MRI）的自动分类。使用简单的MRI技术来分析大脑中的铁区域非常困难。MRI序列（SWI）（SWI）有助于区分脑铁区域。我们工作的目的是研究大脑基底神经节区域的某些区域的铁地区并对MR图像进行分类。该研究包括60个MRI图像，由40名具有铁区域的受试者和20名健康对照受试者组成。我们进行了高斯平滑，然后根据铁和正常区域构建了每个MR图像的40个局部贴片。灰度合作矩阵（GLCM）特征是从斑块中提取的，并喂入随机森林（RF）分类器，用于基于贴片的铁区域。数据补丁特征的培训是由随机森林分类器进行的，并测量了分类器的性能。实验结果表明，使用随机森林分类器对脑铁图像进行分类的拟议局部贴片方法实现了96.25％的分类精度，可从脑MR序列中识别正常和铁区域。
使用 EfficientNet 模型进行脑肿瘤分类
[2] 中，SVM 分类器和模糊 C 均值的组合已被用于检测脑肿瘤。为了获得大脑属性，该方法采用了灰度运行长度矩阵 (GLRLM)。SVM 分类器用于确定脑部扫描是否包含肿瘤。SVM 分类器利用 120 次脑部 MRI 扫描中的 96 次进行训练，然后使用剩余的 24 张图像进行测试。该方法在分类任务中获得了最高 91.66% 的准确率。[3] 中利用朴素贝叶斯分类器识别了脑肿瘤。对 50 次脑部扫描的评估发现总体准确率为 94%，肿瘤识别率为 81.25%，非肿瘤检测率为 100%。在这里，从分割的灰度脑部图片中得出了八个形态特征和三个强度特征来对肿瘤进行分类。朴素分类器是一种基于贝叶斯概率理论的监督机器学习算法。
![arxiv：2501.10089v1 [cs.cv] 2025年1月17日](/simg/g:\will\search\icon\source\7\741beda39614c3a573d37b99ccd8947f62d2e5fa.webp)
arxiv：2501.10089v1 [cs.cv] 2025年1月17日
摘要：本文研究了新颖的分类器集合技术，用于应用于图像分类的各种深层神经网络的不确定性校准。我们评估了准确性和校准指标，重点介绍了校准误差（ECE）和最大校准误差（MCE）。我们的工作比较了构建简单而高效的分类器合奏的不同方法，包括多数投票和几种基于元模型的方法。我们的评估表明，尽管用于图像分类的最新深层神经网络在标准数据集上具有很高的精度，但它们经常遭受重大校准误差。基本的合奏技术（例如多数投票）提供了适度的改进，而基于元模型的电源始终降低所有体系结构中的ECE和MCE。值得注意的是，我们比较的元模型表现出最大的校准改进，对准确性的影响最小。此外，具有元模型的分类器合奏在校准的情况下优于传统模型集合，同时需要较少的参数。与传统的事后校准方法相比，我们的方法消除了对单独的校准数据集的需求。这些发现强调了我们提出的基于元模型的分类器集合的潜力，作为一种有效的有效方法来证明模型校准，从而有助于更可靠的深度学习系统。