XiaoMi-AI文件搜索系统
World File Search SystemDCNN
练习和经验，ISSN 1895-1767，http：//www.scpe ...
摘要。为了提高智能语音互动机器人的准确性，作者提出了一种基于深度学习的研究意图识别方法。通过介绍GloveBibgru自己的注意分类预测模型，构建了意图识别功能模块，并采用ROS分布式体系结构来整合系统功能模块，从而实现了人与机器之间的智能语音交互。模拟结果表明，使用该方法的语音意图识别具有更高的精度。与基于DCNN模型，CNN-LSTM模型和GRU自我注意力模型的意图识别方法相比，识别精度高于8。02％，4。06％和2。分别为13％，并且在特征提取方面具有更好的识别效果，与基于Bilstm模型的传统提取方法相比，BigRU的训练时间缩短了四倍，从而导致了较高的训练能力。根据实验发现，使用建议的意图识别方法开发了语音交互系统，在理解用户英语语音命令方面保持了高度的准确性和效率。平均准确率为89.72％，识别时间始终低于0.35秒，很明显，该方法适用于现实世界中的语音相互作用。基于手套的意图识别方法可以将注意力用于智能语音机器人中的英语语音互动。
新兴的忆阻人工神经元和突触装置......
自从 20 世纪中叶麦卡洛克-皮茨神经元 1 和感知器 2 模型诞生以来，人工智能 (AI) 或人工神经网络 (ANN) 在很大程度上仍然是一个计算机科学术语。由于计算能力不足，本世纪后期的进展受到阻碍。1980-2000 年期间的集成电路制造无法在单个处理器和内存芯片上高密度集成晶体管。因此，在深度神经网络 (DNN) 或深度卷积神经网络 (DCNN) 3 上运行模拟并存储指数级累积的数据在时间和能源成本方面是不切实际的，尽管当时 ANN 模型已经相对完善 4-10 。随着芯片密度的提升以及对摩尔定律的追求带来的图形处理单元 (GPU) 等多核处理器的出现，再加上更高效的 ANN 算法 3,11,12，计算能力瓶颈在本世纪初得到成功解决。2012 年，具有十亿个连接的 DNN 被证明能够识别猫和人体等高度概念化的物体 13。同年，DNN 被证明在图像分类准确率方面与人类不相上下（基于 MNIST 数据库），甚至在交通标志识别方面也超越了人类 14。脉冲神经网络 (SNN) 由 Maass 于 1995 年提出 15,16，它采用脉冲
一种用于 MRI 脑图像肿瘤检测和分类的混合 CNN-SVM 阈值分割方法
目的：本研究论文将通过考虑 CNN 在公共数据集上的优势对脑部 MRI 图像进行分类，以对良性和恶性肿瘤进行分类。材料和方法：深度学习（DL）方法由于在过去几年中的良好表现，在图像分类中变得越来越流行。卷积神经网络（CNN）通过多种方法可以在不使用手工制作的模型的情况下提取特征，并最终显示出更好的分类精度。所提出的混合模型在分类方面结合了 CNN 和支持向量机（SVM），在检测方面结合了基于阈值的分割。结果：先前研究的结果基于不同的模型，其精度为粗糙极限学习机（RELM）-94.233%，深度 CNN（DCNN）-95%，深度神经网络（DNN）和离散小波自动编码器（DWA）-96%，k 最近邻（kNN）-96.6%，CNN-97.5%。混合 CNN-SVM 的总体准确率为 98.4959%。结论：在当今世界，脑癌是最危险的疾病之一，死亡率最高，由于细胞生长异常、形状、方向和位置异常，检测和分类脑肿瘤是医学成像中的一项艰巨任务。磁共振成像 (MRI) 是用于脑肿瘤分析的典型医学成像方法。传统的机器学习 (ML) 技术根据放射科医生专家选择的一些手工特性对脑癌进行分类。这可能导致执行失败并降低算法的有效性。简要介绍
基于脑电信号自动情绪识别的定制二维 CNN 模型
摘要：脑电图 (EEG) 信号中的自动情绪识别可视为脑机接口 (BCI) 系统的主要组成部分。在过去的几年中，许多该方向的研究人员提出了各种从 EEG 信号中自动分类情绪的算法，并取得了令人鼓舞的成果；然而，缺乏稳定性、高误差和低准确度仍然被认为是这项研究的主要差距。为此，获得一个具有稳定性、高精度和低误差前提的模型对于自动分类情绪至关重要。在本研究中，提出了一种基于深度卷积神经网络 (DCNN) 的模型，该模型可以高可靠性地从基于音乐刺激的 EEG 信号中分类出三种积极、消极和中性情绪。为此，在志愿者听积极和消极音乐以刺激情绪状态时，收集了一个全面的 EEG 信号数据库。所提出的模型的架构由六个卷积层和两个完全连接层的组合组成。本研究研究了不同的特征学习和手工特征选择/提取算法，并相互比较了它们对情绪的分类。所提出的两类（正面和负面）和三类（正面、中性和负面）情绪分类模型的准确率分别为 98% 和 96%，与之前的研究结果相比，这一结果非常有希望。为了更全面地评估，所提出的模型还在噪声环境中进行了研究；在各种不同的 SNR 下，分类准确率仍然大于 90%。由于所提出的模型性能高，它可以用于脑机用户环境。
社论：人工智能助力精准医疗 - NSF-PAR
（CBCT），对 40 名术后头颈癌患者进行了训练。开发的 DCNN 在 Hounsfield 单位 (HU) 精度、图像对比度和 OAR 描绘精度方面提高了 CBCT。Jensen 等人使用 100 名前列腺癌患者队列证明，他们的新机器学习模型可用于快速估计癌症放射治疗中可行剂量目标的帕累托集，这可以直接加速治疗计划过程，并通过留出更多时间进行计划细化来间接提高最终计划质量。他们的模型通过利用优化优先级和输出初始化优于现有的机器学习技术。作为首次尝试，Mistro 等人已经证明知识模型可以有效地用作教学辅助工具，使缺乏经验的规划者在不到 2 天的时间内达到接近经验丰富的规划者的水平。拟议的辅导系统可以作为 AI 生态系统的重要组成部分，使临床医生能够有效、自信地使用基于知识的规划进行个性化放射治疗。基于 85 个训练案例和 15 个测试案例，Wang 等人展示了一种用于胰腺立体定向放射治疗 (SBRT) 规划的新型深度学习框架，该框架可以预测每个光束的通量图，从而绕过冗长的逆优化过程。在他们的工作中，Barua 等人证明了多元功能主成分分析 (MFPCA) 方法可用于表征接受辐射的下颌亚体积的时间轨迹。他们的工作表明，从放射治疗前后连续 CT 扫描中获得的放射组学特征的时间轨迹与放射治疗引起的下颌损伤相关，这可用于帮助早期治疗骨放射性坏死，这是口咽癌患者放射治疗的主要副作用。在一篇小型评论中，Luo 总结了目前用于预测宫颈癌结果的三种主要方法：统计模型、医学图像和机器学习，并讨论了使临床结果预测更准确、更可靠和更实用的一些挑战。
增强 MRI 中的脑肿瘤分类
增强 MRI 中的脑肿瘤分类：利用深度卷积神经网络提高准确性 Shourove Sutradhar Dip 毛拉纳巴沙尼科技大学信息和通信技术系，孟加拉国 Tangail-1902 电子邮件：it16008@mbstu.ac.bd Md. Habibur Rahman 毛拉纳巴沙尼科技大学信息和通信技术系，孟加拉国 Tangail-1902 电子邮件：it16051@mbstu.ac.bd Nazrul Islam* 贾汉吉尔纳加尔大学信息技术学院，孟加拉国 Dhaka-1342 Savar 电子邮件：nazrul.mbstu@gmail.com ORCID iD：https://orcid.org/0000-0002-9276-8388 *通讯作者 Md. Easin Arafat 信息技术学院， Jahangirnagar 大学，Savar，Dhaka-1342，孟加拉国 电子邮件：arafatr.research@gmail.com ORCID iD：https://orcid.org/0000−0003−4014−9144 Pulak Kanti Bhowmick Mawlana Bhashani 科技大学信息与通信技术系，Tangail-1902，孟加拉国 电子邮件： pulak.ict.mbstu@gmail.com Mohammad Abu Yousuf 信息技术研究所，Jahangirnagar 大学，Savar, Dhaka-1342, 孟加拉国 电子邮件：yousuf@univ.edu ORCID iD：https://orcid.org/0000-0001-8065-7173 收稿日期：2023 年 10 月 25 日；修订日期：2023 年 12 月 7 日；接受日期：2024 年 1 月 12 日；发布日期：2024 年 6 月 8 日 摘要：脑肿瘤是最致命的癌症之一，患者的死亡率很高。识别和分类脑肿瘤是了解其功能的关键步骤。治疗脑肿瘤的最佳方法取决于其类型、大小和位置。在现代，放射科医生利用可以通过磁共振成像 (MRI) 确定的脑肿瘤位置。然而，手动测试和 MRI 检查既费时又需要技能。此外，肿瘤的误诊可能导致不适当的药物治疗，这可能会降低他们的生存机会。随着深度学习 (DL) 技术的进步，计算机辅助诊断 (CAD) 以及机器学习 (ML) 技术已经发展到帮助检测脑肿瘤的程度，放射科医生现在可以更准确地识别脑肿瘤。本文提出了一种使用 VGG16 模型进行 MRI 图像分类以构建深度卷积神经网络 (DCNN) 架构。使用来自 Kaggle 的两组脑部 MRI 数据对所提出的模型进行了评估。在 Google Colab 训练期间，考虑到这两个数据集，所提出的方法取得了显著的性能，最高总体准确率分别为 96.67% 和 97.67%。据报道，所提出的模型在训练期间运行良好，准确率很高。所提出的模型的性能标准超越了现有技术。索引词：CNN、脑肿瘤、ML、MRI 图像、VGG16。