XiaoMi-AI文件搜索系统
World File Search SystemDWT
使用 LSTM 对站立、行走和跑步数据集上的 EEG 信号进行分类
伦敦 V.Gandhi@mdx.ac.uk 摘要 - 毫无疑问，脑机接口 (BCI) 方法最重要的分支之一是通过脑信号进行替代通信的方法。BCI 利用软件和硬件将来自大脑活动感知的脑电图 (EEG) 信号转换为用户动作。BCI 引起了广泛学科研究人员的兴趣，例如认知科学、深度学习、模式匹配、药物治疗医学等。患有神经和认知障碍的患者可以通过 BCI 得到帮助，有可能通过手势或仅仅是心理想象实现交流。在本文中，采用了一种新颖的离散小波变换 (DWT) 组合来提取最佳特征，并采用了基于长短期记忆 (LSTM) 的循环神经网络 (RNN) 对站立、行走和在跑步机上跑步时获取的 EEG 信号进行分类。使用的数据集可从开放科学框架存储库免费下载。所提出的 DWT-LSTMRNN 方法在对四种不同信号进行分类时可实现 96.7% 的准确率，因此有可能在 BCI 竞赛数据集上进行进一步研究，为实时应用铺平道路。
通过混合特征提取进行脑肿瘤识别...
脑肿瘤的识别是一个关键步骤，依赖于医生的专业知识和能力。为了让放射科医生能够发现脑肿瘤，自动肿瘤排列非常重要。本文提出了一种 MR 脑图像分割和分类技术，以识别图像的正常和异常。所提出的技术是一种混合特征提取，旨在增强分类结果，基本上包括三个阶段。第一阶段使用 3 级离散小波变换 (DWT) 提取图像特征。在第二阶段，应用主成分分析 (PCA) 来减小特征的大小。最后，使用随机森林分类器 (RF) 和特征选择进行识别。收集了 181 张 MR 脑图像（81 张正常和 100 张异常），在区分正常和异常组织方面，实验结果获得了 98% 的准确率，灵敏度达到 99.2%，特异性达到 97.8%，并与多种文献进行了比较，证明了所提出的技术的有效性。结果表明3L-DWT+PCA+RF仍然取得了最好的分类效果，该模型可以应用于脑MRI球体分类，在一定程度上可以帮助医生判断肿瘤是正常还是异常。
dnv-gl-bulk-carrier-update-1.pdf - 海事塞浦路斯
原则适用于仅用于铁矿石运输且仍使用双燃料的大型船舶。目前，绿色走廊联合项目已进入第 1b 阶段，对在澳大利亚和中国之间运营的 VLOC（260,000 载重吨）使用 LNG 作为燃料进行了可行性研究。概念设计目前正在确认中，等待 DNV GL 的原则批准。联合项目第 2 阶段的重点是实施第 1a 阶段（Newcastlemax）和第 1b 阶段（VLOC）的研究结果。正在解决加油问题，例如船对船加油、岸基加油与船基加油的兼容性和安全性研究，并相应地更新经济计算以证明使用 LNG 作为燃料的商业案例。目标是实现优化的 LNG 加油供应链，以支持西澳大利亚散货船的高效加油，并让业界有信心投资 LNG 燃料散货船。合作伙伴还寻求获得更准确的市场估计，以了解 LNG 燃料散货船的成本以及与传统燃料散货船的差异，从而支持为长期租船合同定义现实且经济可行的费率。
通过分析和分类eeg信号对消费者偏好的认可
神经营销已关注弥合传统营销研究与脑电图（EEG）基于脑部计算机界面（BCI）研究之间的差距。它通过偏好预测确定客户实际想要的东西。基于EEG的偏好检测系统的性能取决于适当的特征提取技术和机器学习算法。在这项研究中，我们使用脑电图指数的不同特征组合和不同算法进行特征提取和分类检查了神经营销数据集的偏好检测。对于EEG特征提取，我们采用了离散小波变换（DWT）和功率谱密度（PSD），这些变换（PSD）用于测量基于EEG的偏好指数，从而提高了偏好检测的准确性。此外，我们将深度学习与其他传统的分类器进行了比较，例如K-Neartime（KNN），支持向量机（SVM）和随机森林（RF）。我们还研究了偏好指标对分类算法性能的影响。通过严格的局部分析，我们研究了偏好检测和分类的计算智能。拟议的深神经网络（DNN）的性能在准确性，精度和召回方面优于KNN和SVM；但是，RF获得的结果与同一数据集类似于DNN的结果。
多对象检测的远程智能感知系统
方法：视觉技术的进步对多个对象检测和场景理解的领域有重大影响。这些任务是各种技术的组成部分，包括将场景集成到增强现实中，促进机器人导航，启用自主驾驶系统以及改善旅游信息中的应用程序。尽管在视觉解释方面取得了长足的进步，但许多挑战仍然存在，包括语义理解，遮挡，定向，标记数据的可用性不足，照明不均匀，包括阴影和照明，方向变化，对象大小以及背景变化。为了克服这些挑战，我们提出了一个创新的场景识别框架，事实证明这是非常有效的，并产生了非凡的结果。首先，我们在场景数据上使用内核卷积执行预处理。第二，我们使用UNET分割执行语义分割。然后，我们使用离散小波变换（DWT），SOBEL和LAPLACIAN以及文本（本地二进制模式分析）从这些分段数据中提取特征。要识别对象，我们使用了深度信念网络，然后找到对象对象关系。最后，Alexnet用于基于图像中识别的对象将相关标签分配给场景。
dnv-gl-bulk-carrier-update-1.pdf - 海事塞浦路斯
原则适用于仅用于铁矿石运输且仍使用双燃料的大型船舶。目前，绿色走廊联合项目已进入第 1b 阶段，对在澳大利亚和中国之间运营的 VLOC（260,000 载重吨）使用 LNG 作为燃料进行了可行性研究。概念设计目前正在确认中，等待 DNV GL 的原则批准。联合项目第 2 阶段的重点是实施第 1a 阶段（Newcastlemax）和第 1b 阶段（VLOC）的研究结果。正在解决加油问题，例如船对船加油、岸基加油与船基加油的兼容性和安全性研究，并相应地更新经济计算以证明使用 LNG 作为燃料的商业案例。目标是实现优化的 LNG 加油供应链，以支持西澳大利亚散货船的高效加油，并让业界有信心投资 LNG 燃料散货船。合作伙伴还寻求获得更准确的市场估计，以了解 LNG 燃料散货船的成本以及与传统燃料散货船的差异，从而支持为长期租船合同定义现实且经济可行的费率。
使用非线性自动表征糖尿病足...
糖尿病足是糖尿病 (DM) 的主要并发症。糖尿病导致足部血液循环减少，因此足底温度降低。热成像是一种非侵入性成像方法，使用红外 (IR) 摄像机查看热模式。它可以定性和视觉记录血管组织的温度波动。但手动诊断这些温度变化很困难。因此，计算机辅助诊断 (CAD) 系统可能有助于准确检测糖尿病足，以防止溃疡和下肢截肢等创伤性后果。在本研究中，拍摄了 33 名健康人和 33 名 2 型糖尿病患者的足底热图。使用离散小波变换 (DWT) 和高阶谱 (HOS) 技术分解这些足部图像。从分解图像中提取各种纹理和熵特征。这些组合 (DWT+HOS) 特征使用 t 值进行排序，并使用支持向量机 (SVM) 分类器进行分类。我们提出的方法仅使用五个特征就实现了 89.39% 的最大准确度、81.81% 的灵敏度和 96.97% 的特异性。所提出的基于热成像的 CAD 系统的性能可以帮助临床医生对糖尿病足的诊断提出第二意见。
WP2-替代船用燃料的推进技术选择
BOL 开始使用（参考燃料电池） CAPEX 资本支出 CH3OH 甲醇 CBG 压缩沼气 CNG 压缩天然气 CO 一氧化碳 CO2 二氧化碳 CO2-eq 二氧化碳当量 DF 双燃料 DWT 载重量吨位 ECA 排放控制区 e-fuel 电燃料 EU 欧盟 EV 电动汽车 FAME 脂肪酸甲酯（=生物柴油） FC 燃料电池 FCV 燃料电池汽车 FEED 前端工程设计 FT 燃料 费托燃料 GHG 温室气体 H2 氢气 HCl 氯化氢 HF 氟化氢 HHV 高热值 HVO 氢化植物油（=可再生柴油） ICE 内燃机 IMO 国际海事组织 IRR 内部收益率 LBG 液化生物甲烷 LBSI 稀薄燃烧火花点火（发动机） ICE 内燃机 LH2 液化氢 LCA 生命周期分析 LHV 低热值 LNG 液化天然气天然气 LPG 液化石油气 NOx 氮氧化物 OPEX 运营支出 PEM 聚合物电解质膜 PM 颗粒物 PV 光伏 RED 可再生能源指令 RORO 滚装船 ROPAX 滚装船和客船 SNG 合成天然气
使用离散小波对面部皮肤类型进行分类...
使用离散小波变换、对比度、局部二值模式和支持向量机对面部皮肤类型进行分类 INDRIYANI 1、I MADE SUDARMA 2 1 巴厘岛计算机信息和技术管理中学 (STMIK STIKOM Bali) 电子邮件：indry.joice@gmail.com 2 乌达亚纳大学 电子邮件：imasudarma@gmail.com 摘要 化妆品对皮肤有两种影响，即积极影响和消极影响。根据皮肤类型使用化妆品会对皮肤产生积极影响，而使用不适合皮肤类型的化妆品会对皮肤产生负面影响。每个人的皮肤类型都不一样，因此在决定购买合适的化妆品之前了解皮肤类型非常重要。本研究将利用数据挖掘的概念构建一个可以对面部皮肤类型进行分类的智能系统。本研究使用离散小波变换 (DWT)、对比度和局部二值模式 (LBP) 来提取面部图像中包含的特征，并使用支持向量机 (SVM) 作为分类器来确定面部皮肤类型。根据实验结果，证明了所提出的方法能够正确对面部皮肤类型进行分类。所提出的方法的平均分类准确率为 91.66%，平均运行时间为 31.571 秒。
基于脑信号分析的深度学习方法
1 简介 脑信号测量来自人脑的本能生物特征信息，反映了用户的被动或主动心理状态。脑信号模拟由大脑中数百万个神经元以信号形式处理的信息。这些脑信号类似于人的神经活动（包括感觉和运动活动）。通过处理脑信号可以了解人（或用户）的感觉和运动活动。随着新兴技术的发展，可以使用不同的传统（EEG、MEG、MRI、fMRI）和非传统信号处理技术（深度学习算法、决策树等）来分析和处理脑信号。所有传统版本的脑信号分析都包括特征提取步骤，然后在某个时间点进行分类过程。Jahankhani 等人。进行了实验，并使用离散小波变换（DWT）作为特征提取技术，从EEG脑信号中提取特征，多层感知器是分类技术，与径向基函数网络（RBF）一起使用[1]，在训练性能方面，已经实现了准确的EEG信号分类。而Acharya等人已经使用EEG信号以及小波包变换（WPT）作为特征提取方法和支持向量机（SVM）作为分类方法[2]进行了实验。这些方法结合起来可以准确检测出癫痫（一种神经系统疾病）。同样，更多的其他特征