XiaoMi-AI文件搜索系统
World File Search SystemDWT
所以 ICA 结果是 15985 个数据。...
摘要 — 自闭症谱系障碍 (ASD) 是一种神经发育综合征，患者的社交互动、沟通技巧和情感表达能力下降。自闭症综合征可以通过脑电图 (EEG) 检测出来。本研究利用自闭症患者的脑电图来支持机器学习方案的分类研究，以获得最佳准确度。对脑电信号进行分类的最佳方法之一是线性判别分析 (LDA)，这是一种对自闭症和正常脑电信号进行分类的机器学习技术。之所以选择 LDA，是因为它可以通过利用类间和类内函数来最大化类间距离并最小化散射数量。该方法与其他方法相结合：独立成分分析 (ICA) 和离散小波变换 (DWT)，以提高准确度系统。ICA 可以去除脑信号以外的伪影或信号，这些伪影或信号可能会导致脑电信号中的噪声，因此分析的信号是完整的脑电信号，没有其他因素。DWT 可以帮助增加脑电信号中的噪声抑制，并通过频率和时间表示提供信号信息。脑电图数据集来自 16 名儿童（8 名自闭症儿童和 8 名正常儿童）。数据集中的信号使用 ICA 过滤伪影，通过 DWT 分解成三个级别，并使用线性判别分析 (LDA) 技术进行分类。使用混淆矩阵，结果显示最佳准确率为 99%。
经济效益好？我们是否应该建造更大的船舶？
我们用柯布-道格拉斯函数表示航运生产：Q = A × C α × L b，它涉及：1）资本、劳动力和生产。2）表明：体现的技术进步；3）资本和劳动力在生产中的份额，以及 4）规模经济！我们有意识地偏离“规模报酬不变”的原则，为航运业选择 α + b > 1，而 A = 1.07 仅仅是因为船速更快。我们还处理了马歇尔人为划分的短期和长期经济周期。我们必须这样做，因为规模经济与长期相关，而资本（船舶）是可变的。在航运业，我们错误地认为资本和劳动力的数量是固定的，因此等产量线是直角。然而，我们接受了这个工作假设，并且我们采用了资本和劳动力之间的互补性。我们还表明，航运公司在长期内可以一直存在！航运微观经济学是不完整的。短期和长期内，1）船舶和 2）航运公司的均衡缺失。我们试图提供这些以及行业均衡。此外，我们展示了在航运萧条和繁荣时期，当需求低于或高于最优水平时，均衡之外的均衡。我们强调了船舶在造船阶段的技术效率，然后引入了等成本线。从数学和图表上看，我们确定了海运业的规模经济，其中海运贸易是王道。从 1981 年的平均规模 34,000 吨的典型散货船到 2011 年已达到 81,284 载重吨，这是根据订购的船舶数量（大 2.4 倍）来判断的！然而，本文表明，2008 年底的全球金融危机削弱了规模经济！两个数值例子证明了海运业的规模经济：建造一艘 30,000 吨级船舶的成本从每载重吨 867 美元下降到 347 美元（170,000 载重吨），长期平均总成本从 191 美元下降到 74 美元……此外，对于一艘 75,000 载重吨的油轮来说，长期平均
文章 - 工程、技术和技巧基于深度学习的胶质瘤肿瘤检测使用高效的视觉几何组卷积神经网络
摘要：脑磁共振成像 (MRI) 中肿瘤区域的检测和分割在过去二十年中起着重要作用。本文提出了一种用于脑肿瘤检测的高效视觉几何组卷积神经网络架构，该架构由预处理模块、DWT 模块和分类模块以及分割模块组成。基于缩放的数据增强方法用作预处理技术，并使用 DWT 变换分解数据增强的缩放图像。根据这些分解系数构建小波特征图，并使用 EVGG-CNN 架构对其进行分类。该架构将脑图像识别为胶质瘤或健康脑图像。通过将所提出的方法应用于 BRATS 2021 和 Kaggle 数据集中的脑图像，验证了本文所述这些开发方法的有效性。从灵敏度、特异性和准确性方面分析了所提出的 EVGG-CNN 架构的性能。
廓尔喀退伍军人咨询中心 (GVAC) - 英国陆军
廓尔喀退伍军人咨询中心 (GVAC) 和大吉岭退伍军人咨询中心 (DVAC) 将于 2023 年 1 月 3 日开始运营，并从加德满都、博卡拉和达兰的营地以及大吉岭的大吉岭福利信托 (DWT) 提供退伍军人服务的所有三个要素（记录、养老金支付和结算）。
disgan：信息信息的歧视器将GAN引导到MRI超分辨率，并清洁噪声
MRI超级分辨率（SR）和Denoising任务是深度学习领域的挑战，传统上被视为具有分隔的配对培训数据的不同任务。在本文中，我们提出了一种创新的方法，该方法使用单个深度学习模型同时解决这两个任务，从而消除了在培训期间对明确配对嘈杂和干净的图像的需求。我们提出的模型主要是针对SR训练的，但在超级分辨图像中也表现出显着的噪声清洁功能。而不是将与频率相关操作引入常规过程的常规方法，我们的新方法涉及使用以频率信息歧视器为指导的GAN模型。为了实现这一目标，我们利用3D离散小波变换（DWT）操作的功率作为GAN框架内的频率结合，用于磁共振成像（MRI）数据的SR任务。特别是我们的分配包括：1）基于残差 - 残基连接块的3D发电机； 2）将3D DWT与1×1卷积的3D DWT集成到3D UNET内的DWT+CORV单元中； 3）训练有素的模型用于高质量的图像SR，并伴随着Intrinsic denoising过程。我们将模型“ deno诱导的超分辨率gan（disgan）”配音，原因是其对SR图像产生和同时降解的双重影响。与传统的培训SR和Deno Task作为单独模型的传统方法背道而驰，我们提出的disgan仅受到SR任务的培训，但在DeNoising方面也取得了出色的表现。我们的代码可用 -该模型经过了来自人类连接组项目（HCP）的数十个受试者的3D MRI数据的培训，并对先前看不见的MRI数据进行了进一步评估，这些MRI数据来自患有脑肿瘤和癫痫的受试者，以评估其denosis和SR性能。
中性运输
海事部门面临多种技术经济，环境和发展挑战，需要仔细的投资决策。对可以同时解决这些考虑因素的整体解决方案的需求越来越紧迫。在本文中，我们介绍了一种免费的开源投资决策支持工具的应用，称为MaritimeGch：最低成本的线性优化模型，反映了运营行业内的运营和投资变量以及约束。该模型旨在根据技术，环境，运营因素和欧洲环境法规优化车队组成。通过此，我们能够测试不同技术的效果，它们各自的成本和希腊航运舰队中的碳浮动潜力。中国是全球最大的海上车队，拥有2.492亿吨的商人舰队，超过了希腊，而希腊则紧随其后的是约2.49亿GT。希腊在死权吨位（DWT）中排名第一，占全球产能的17.77％，占3.64亿DWT的车队。这种重要性源于海上专业知识的深厚传统和对全球航运市场的战略关注，将其定位为国际贸易和经济稳定的关键组成部分（Alexandropoulou等，2021； Papandreou等，2021））
自闭症谱系障碍研究
自闭症谱系障碍 (ASD) 等神经发育疾病的早期诊断仍是一个尚未得到满足的需求。其中一个困难是识别与 ASD 表型相关的生物信号。视网膜电图 (ERG) 波形已被确定为可能对 ASD 等神经系统疾病进行分类的信号。ERG 波形源自光感受器和视网膜神经元对短暂闪光的响应而产生的电活动，为中枢神经系统提供了一个间接的“窗口”。传统上，波形是在时域中进行分析的，但最近，人们已成功地使用离散小波变换 (DWT) 对 ERG 进行了时频频谱 (TFS) 分析，以表征信号的形态特征。在本研究中，我们建议使用高分辨率 TFS 技术，即变频复合解调 (VFCDM)，根据两个信号闪光强度分解 ERG 波形，以建立机器学习 (ML) 模型来对 ASD 进行分类。其中包括 N = 217 名受试者（71 名 ASD 患者，146 名对照患者）在两种不同闪光强度，446 和 113 Troland 秒 (Td.s) 下的右眼和左眼的 ERG 波形。我们使用 DWT 和 VFCDM 分析了原始 ERG 波形。我们从 TFS 中计算特征并训练 ML 模型（例如随机森林、梯度提升、支持向量机）以将 ASD 与对照患者进行分类。使用独立于受试者的验证策略对 ML 模型进行了验证，我们发现具有 VFCDM 特征的 ML 模型优于使用 DWT 的模型，实现了 0.90 的受试者操作特性曲线下面积（准确度 = 0.81、灵敏度 = 0.85、特异性 = 0.78）。我们发现与较低频率相比，较高频率范围（80 – 300 Hz）包含更多与 ASD 分类相关的信息。我们还发现，右眼中更强的 446 Td.s 闪光强度提供了最佳分类结果，这支持对 ERG 波形进行 VFCDM 分析，作为辅助识别 ASD 表型的潜在工具。
http://dx.doi.org/10.1037/0021-843X.111.1.13 Usama, N.、Leerskov, K.、Niazi, IK、Dremstrup, K. 和 Jochumsen, M. (2020 年)。错误相关概率分类
误差相关电位 (ErrPs) 已被提议用于设计自适应脑机接口 (BCIs)。因此，必须解码 ErrPs。本研究的目的是评估在涉及运动执行 (ME) 和想象 (MI) 的 BCI 范式中使用不同特征类型和分类器组合对 ErrP 进行解码。15 名健康受试者进行了 510 次 (ME) 和 390 次 (MI) 右/左腕伸展和足背屈试验。假 BCI 反馈的准确率为 80% (ME) 和 70% (MI)。记录连续 EEG 并分为 ErrP 和非 ErrP 时期。提取时间、频谱、离散小波变换 (DWT) 边缘和模板匹配特征，并使用线性判别分析、支持向量机和随机森林分类器对所有特征类型组合进行分类。在 ME 和 MI 范式中都引出了 ErrPs，平均分类准确率明显高于偶然水平。使用时间特征和随机森林分类的时间+DWT特征组合获得了最高平均分类准确率；ME和MI分别为89±9%和83±9%。这些结果通常表明，在检测ErrP时应使用时间特征，但受试者之间存在很大的差异，这意味着应得出用户特定的特征以最大限度地提高性能。
脑电图信号评估和分类的混合技术是神经和脑部疾病诊断的一步
脑电图 (EEG) 信号通常用于识别和诊断脑部疾病。每个 EEG 正常波形由以下波形组成：伽马 (γ) 波、贝塔 (β) 波、阿尔法 (α)、西塔 (θ) 和德尔塔 (δ)。神经系统疾病一词“NurDis”用于描述影响神经的各种疾病，癫痫、神经感染（细菌和病毒）、脑肿瘤、脑血管疾病、阿尔茨海默病和各种痴呆症都是神经系统疾病的例子。脑炎是影响大脑的疾病之一。本文使用的 EEG 信号来自 CHB-MIT 头皮 EEG 数据库。离散小波变换 (DWT) 用于从滤波后的 EEG 数据中提取特征。最后，使用 K 近邻 (KNN) 和支持向量机 (SVM) 等分类器根据所有计算出的特征将 EEG 信号分为正常和病理信号类。为了将信号归类为正常和异常组，使用了 KNN 和 SVM 分类器。对于这两个分类器，都确定了性能评估（准确度、灵敏度和特异性）。KNN 分类器准确率为 71.88%，而 SVM 分类器准确率为 81.23%。KNN 和 SVM 的灵敏度分别为 80.14% 和 77.31%。KNN 分类特异性为 69.62%，SVM 分类特异性为 98%。使用混淆矩阵评估两个分类器的性能。关键词：离散小波变换（DWT）、支持向量机（SVM）、脑电图（EEG）信号、K-最近邻（KNN）
使用离散小波变换和智能技术进行脑电信号分析以诊断神经系统疾病“2279
摘要：脑电图 (EEG) 信号分析至关重要，因为它是诊断神经系统脑部疾病的有效方法。在这项工作中，我们开发了一个系统来同时诊断一到两种神经系统疾病（二类模式和三类模式）。为此，我们研究了不同的 EEG 特征提取和分类技术，以帮助准确诊断神经系统脑部疾病：癫痫和自闭症谱系障碍 (ASD)。我们针对癫痫和 ASD 分析了两种不同的 EEG 信号模式，即单通道和多通道。独立成分分析 (ICA) 技术用于从 EEG 数据集中去除伪影。然后，使用椭圆带通滤波器对 EEG 数据集进行分割和滤波，以消除噪声和干扰。接下来，使用离散小波变换 (DWT) 从滤波信号中提取脑电信号特征，将滤波信号分解为子带 delta、theta、alpha、beta 和 gamma。随后，使用五种统计方法从脑电图子带中提取特征：对数带功率 (LBP)、标准差、方差、峰度和香农熵 (SE)。此外，将这些特征输入到四个不同的分类器中，即线性判别分析 (LDA)、支持向量机 (SVM)、k 最近邻 (KNN) 和人工神经网络 (ANN)，以对对应于其类别的特征进行分类。DWT 与 SE 和 LBP 的组合在所有分类器中产生最高的准确率。对于三类单通道和多通道模式，使用 SVM 的整体分类准确率分别接近 99.9% 和 ANN 的 97%。