XiaoMi-AI文件搜索系统
World File Search SystemDetection
ICS中的攻击和检测-STUXNET
○攻击者知道目标是一个控制系统，因此量身定制攻击策略，目的是损害控制下的身体系统○尽管物理攻击已经闻名，但现在的网络攻击已经越来越多地被剥削，因为它们便宜，因为它们的范围很长，它们的范围很长，并且很容易复制和协调，但实际上没有攻击，
使用TF-IDF技术在阿拉伯社交媒体中进行进攻性语言检测
摘要。我们的生活现在围绕社会交流，并且由于阿拉伯文本非常复杂并且包含了许多方言，因此在阿拉伯社交媒体上很难识别出令人反感的语言。本文研究了机器学习模型的实施。使用了选择的分类器，包括决策树，支持向量机，随机森林和逻辑回归。在实验中使用了包含4505个推文的“ ARCYBC”数据集，以评估机器学习模型的性能。根据实验的结果，使用更多运行可以增强机器学习模型的性能，尤其是在精度和召回率方面。随着更多的运行，决策树（DT）和随机森林（RF）分类器显示出更好的回忆和精度，但是DT分类器显示出更好的精度。
实时多污染物检测系统 (RMDS)
将进行测试以确定哪些传感器可以快速、准确且一致地检测高浓度的目标成分。现场和实验室测试将包括使用不同类型的预处理工艺批量测试多个废水样品，以及使用第三方实验室测试验证结果等元素。除了传感技术外，该团队还将寻求将该技术与当前基础设施相结合。为实现这一目标，该团队将与 NESDI 传感器接口和仪器监控 (SIIM) 图形用户界面 (GUI) 项目团队合作。SIIM GUI 技术提供了与常见工业控制系统 (ICS) 接口的框架，并将为该项目将开发的传感系统提供遥测、GUI 和数据网络。
在挑战性的天气条件下可靠的对象检测
对象检测在各种自主系统中至关重要，例如监视，自动驾驶和驾驶员的稳定性，通过识别行人，车辆，交通信号灯和标志来确保安全。然而，诸如雪，雾和雨等不利天气条件构成了挑战，具有检测准确性，冒险发生事故和大坝。这清楚地表明了在所有天气条件下都起作用的强大观察检测解决方案的必要性。我们采用了三种策略来增强不利天气中的基于深度学习的对象检测：对全球全天候图像进行培训，对图像进行培训，并具有合成的增强天气噪声，并将对象的变形与不利天气图像denosistighting进行整合。使用分析方法，GAN网络和样式转移网络产生合成天气噪声。我们使用BDD100K数据集中的真实世界全天候图像和用于评估未见现实世界的不利天气图像的评估，通过训练对象进行分割模型比较了这些策略的性能。通过降级现实世界的不利天气图像以及对物体检测的结果和原始嘈杂图像的结果进行了评估，从而评估了不利天气。我们发现，使用全天候现实世界图像训练的模型表现最佳，而对对象检测进行对象检测的策略则表现最差。
机器人上肢矫形器的意图检测策略：考虑可用性、日常生活应用和用户评价的范围审查
可穿戴机器人上肢矫形器 (ULO) 是辅助或增强用户上肢功能的有前途的工具。虽然这些设备的功能不断增加，但对用户控制可用自由度的意图的稳健和可靠检测仍然是一项重大挑战，也是接受的障碍。作为设备和用户之间的信息接口，意图检测策略 (IDS) 对整个设备的可用性具有至关重要的影响。然而，这方面及其对设备可用性的影响很少根据 ULO 的使用环境进行评估。进行了范围界定文献综述，以确定已通过人类参与者评估的应用于 ULO 的非侵入式 IDS，特别关注与功能和可用性相关的评估方法和发现及其在日常生活中特定使用环境的适用性。共确定了 93 项研究，描述了 29 种不同的 IDS，并根据四级分类方案进行了总结和分类。与所述 IDS 相关的主要用户输入信号是肌电图 (35.6%)，其次是手动触发器，例如按钮、触摸屏或操纵杆 (16.7%)，以及上肢节段的残余运动产生的等长力 (15.1%)。我们确定并讨论了 IDS 在特定使用环境中的优缺点，并强调了在选择最佳 IDS 时性能和复杂性之间的权衡。通过调查评估实践来研究 IDS 的可用性，纳入的研究表明，主要评估了与有效性或效率相关的客观和定量的可用性属性。此外，它强调了缺乏系统的方法来确定 IDS 的可用性是否足够高以适合用于日常生活应用。这项工作强调了针对用户和应用程序选择和评估用于 ULO 的非侵入式 IDS 的重要性。对于该领域的技术开发人员，它进一步提供了有关IDS的选择过程以及相应评估协议的设计的建议。
表演者：一种新型的PPG至ECG重建变压器，用于心血管疾病检测的数字生物标志物
心电图（ECG）是一种捕获心脏活动的电测量，是诊断心血管疾病（CVD）的金标准。但是，由于ECG需要使用用户参与，因此不可避免地进行心脏监测。相比之下，光电学（PPG）提供了易于收集的数据，但其精度有限限制了其临床用法。为了确定这两个信号的优势，最近的研究不适合将PPG信号重新构成到ECG的各种深度学习技术；但是，缺乏文本信息以及降低噪声生物医学信号的能力最终会限制模型的影响。在这项研究中，我们提出了一种基于变压器的新型体系结构，可从PPG重建ECG，并将PPG和重建的ECG与CVD检测的多种方式相结合。此方法是第一次在生物医学波形重构上进行了变压器序列到序列转换，并结合了PPG和ECG的优势。我们还创建了基于斑块的注意（SPA），这是一种效率方法，用于编码/解码生物医学波形。通过获取各种序列长度并捕获交叉点连接，SPA最大程度地提高了本地特征和全局上下文反复的信号操作。所提出的体系结构在BIDMC数据库上生成了0.29 RMSE的状态性能，以重新构建PPG到ECG，超过了先前的研究。我们还在模拟III数据集上评估了该模型，在CVD检测中达到了95.9％的精度，并在PPG-BP数据集中评估了该模型，在相关的CVD糖尿病检测中达到了75.9％的精度，表明其一般能力。作为一种概念证明，一种名为Pearl（原型）的耳环可穿戴式可穿戴，旨在扩大护理点（POC）医疗保健系统。
用于拓扑的自监督边缘检测重建...
许多基于机器学习的轴突追踪方法依赖于带有分割标签的图像数据集。这需要领域专家的手动注释，这需要大量劳动力，并且不适用于以细胞或亚细胞分辨率对半球或整个脑组织进行大规模脑映射。此外，保留轴突结构拓扑对于理解神经连接和大脑功能至关重要。自监督学习 (SSL) 是一种机器学习框架，允许模型在未注释的数据上学习辅助任务，以帮助完成监督目标任务。在这项工作中，我们提出了一种新颖的 SSL 辅助任务，即为面向拓扑的轴突分割和中心线检测的目标任务重建边缘检测器。我们使用小鼠大脑数据集对三个不同的 SSL 任务进行了 3D U-Nets 预训练：我们提出的任务、预测排列切片的顺序和玩魔方。然后，我们在不同的小鼠大脑数据集上评估了这些 U-Nets 和基线模型。在所有实验中，针对我们提出的任务进行预训练的 U-Net 分别将基线的分割、拓扑保留和中心线检测提高了 5.03%、4.65% 和 5.41%。相比之下，切片排列和魔方预训练的 U-Net 并没有比基线有持续的改进。
在计算中检测编程窃的检测...
332013，Choi和Al。 2013，Kim和Al。 2013，Tian和Al。 2013，2013，Ajmal and Al。 2014，宝贝和al。 2014年，Cycuss和Al。 2014年，Lazarus和Banias 2014，Liu and Al。 2014，Pohuba和Al。 2014年，张和Al。 2014，2015，2015，JHI和AL。 2015，2015，Sharma和Al。 2015，SOH和AL。 2015，Tian和Al。 2015，Wang和Al。 2015，明和AL。 2016，Strilețchi和其他。 2016，Agrawal和Sharma 2017，Jain and Al。 2017，2017，Carnalim 2017，Luo和Al。 2017，Mirza和Al。 2017，Mišić和Al。 2017，Schneider和Al。 2017 2017，2017，Carnalim 2018，Roopam and Singh 2018]。2013，Choi和Al。2013，Kim和Al。 2013，Tian和Al。 2013，2013，Ajmal and Al。 2014，宝贝和al。 2014年，Cycuss和Al。 2014年，Lazarus和Banias 2014，Liu and Al。 2014，Pohuba和Al。 2014年，张和Al。 2014，2015，2015，JHI和AL。 2015，2015，Sharma和Al。 2015，SOH和AL。 2015，Tian和Al。 2015，Wang和Al。 2015，明和AL。 2016，Strilețchi和其他。 2016，Agrawal和Sharma 2017，Jain and Al。 2017，2017，Carnalim 2017，Luo和Al。 2017，Mirza和Al。 2017，Mišić和Al。 2017，Schneider和Al。 2017 2017，2017，Carnalim 2018，Roopam and Singh 2018]。2013，Kim和Al。2013，Tian和Al。 2013，2013，Ajmal and Al。 2014，宝贝和al。 2014年，Cycuss和Al。 2014年，Lazarus和Banias 2014，Liu and Al。 2014，Pohuba和Al。 2014年，张和Al。 2014，2015，2015，JHI和AL。 2015，2015，Sharma和Al。 2015，SOH和AL。 2015，Tian和Al。 2015，Wang和Al。 2015，明和AL。 2016，Strilețchi和其他。 2016，Agrawal和Sharma 2017，Jain and Al。 2017，2017，Carnalim 2017，Luo和Al。 2017，Mirza和Al。 2017，Mišić和Al。 2017，Schneider和Al。 2017 2017，2017，Carnalim 2018，Roopam and Singh 2018]。2013，Tian和Al。2013，2013，Ajmal and Al。2014，宝贝和al。2014年，Cycuss和Al。 2014年，Lazarus和Banias 2014，Liu and Al。 2014，Pohuba和Al。 2014年，张和Al。 2014，2015，2015，JHI和AL。 2015，2015，Sharma和Al。 2015，SOH和AL。 2015，Tian和Al。 2015，Wang和Al。 2015，明和AL。 2016，Strilețchi和其他。 2016，Agrawal和Sharma 2017，Jain and Al。 2017，2017，Carnalim 2017，Luo和Al。 2017，Mirza和Al。 2017，Mišić和Al。 2017，Schneider和Al。 2017 2017，2017，Carnalim 2018，Roopam and Singh 2018]。2014年，Cycuss和Al。2014年，Lazarus和Banias 2014，Liu and Al。 2014，Pohuba和Al。 2014年，张和Al。 2014，2015，2015，JHI和AL。 2015，2015，Sharma和Al。 2015，SOH和AL。 2015，Tian和Al。 2015，Wang和Al。 2015，明和AL。 2016，Strilețchi和其他。 2016，Agrawal和Sharma 2017，Jain and Al。 2017，2017，Carnalim 2017，Luo和Al。 2017，Mirza和Al。 2017，Mišić和Al。 2017，Schneider和Al。 2017 2017，2017，Carnalim 2018，Roopam and Singh 2018]。2014年，Lazarus和Banias 2014，Liu and Al。2014，Pohuba和Al。 2014年，张和Al。 2014，2015，2015，JHI和AL。 2015，2015，Sharma和Al。 2015，SOH和AL。 2015，Tian和Al。 2015，Wang和Al。 2015，明和AL。 2016，Strilețchi和其他。 2016，Agrawal和Sharma 2017，Jain and Al。 2017，2017，Carnalim 2017，Luo和Al。 2017，Mirza和Al。 2017，Mišić和Al。 2017，Schneider和Al。 2017 2017，2017，Carnalim 2018，Roopam and Singh 2018]。2014，Pohuba和Al。2014年，张和Al。 2014，2015，2015，JHI和AL。 2015，2015，Sharma和Al。 2015，SOH和AL。 2015，Tian和Al。 2015，Wang和Al。 2015，明和AL。 2016，Strilețchi和其他。 2016，Agrawal和Sharma 2017，Jain and Al。 2017，2017，Carnalim 2017，Luo和Al。 2017，Mirza和Al。 2017，Mišić和Al。 2017，Schneider和Al。 2017 2017，2017，Carnalim 2018，Roopam and Singh 2018]。2014年，张和Al。2014，2015，2015，JHI和AL。2015，2015，Sharma和Al。 2015，SOH和AL。 2015，Tian和Al。 2015，Wang和Al。 2015，明和AL。 2016，Strilețchi和其他。 2016，Agrawal和Sharma 2017，Jain and Al。 2017，2017，Carnalim 2017，Luo和Al。 2017，Mirza和Al。 2017，Mišić和Al。 2017，Schneider和Al。 2017 2017，2017，Carnalim 2018，Roopam and Singh 2018]。2015，2015，Sharma和Al。2015，SOH和AL。 2015，Tian和Al。 2015，Wang和Al。 2015，明和AL。 2016，Strilețchi和其他。 2016，Agrawal和Sharma 2017，Jain and Al。 2017，2017，Carnalim 2017，Luo和Al。 2017，Mirza和Al。 2017，Mišić和Al。 2017，Schneider和Al。 2017 2017，2017，Carnalim 2018，Roopam and Singh 2018]。2015，SOH和AL。2015，Tian和Al。 2015，Wang和Al。 2015，明和AL。 2016，Strilețchi和其他。 2016，Agrawal和Sharma 2017，Jain and Al。 2017，2017，Carnalim 2017，Luo和Al。 2017，Mirza和Al。 2017，Mišić和Al。 2017，Schneider和Al。 2017 2017，2017，Carnalim 2018，Roopam and Singh 2018]。2015，Tian和Al。2015，Wang和Al。 2015，明和AL。 2016，Strilețchi和其他。 2016，Agrawal和Sharma 2017，Jain and Al。 2017，2017，Carnalim 2017，Luo和Al。 2017，Mirza和Al。 2017，Mišić和Al。 2017，Schneider和Al。 2017 2017，2017，Carnalim 2018，Roopam and Singh 2018]。2015，Wang和Al。2015，明和AL。 2016，Strilețchi和其他。 2016，Agrawal和Sharma 2017，Jain and Al。 2017，2017，Carnalim 2017，Luo和Al。 2017，Mirza和Al。 2017，Mišić和Al。 2017，Schneider和Al。 2017 2017，2017，Carnalim 2018，Roopam and Singh 2018]。2015，明和AL。2016，Strilețchi和其他。2016，Agrawal和Sharma 2017，Jain and Al。2017，2017，Carnalim 2017，Luo和Al。 2017，Mirza和Al。 2017，Mišić和Al。 2017，Schneider和Al。 2017 2017，2017，Carnalim 2018，Roopam and Singh 2018]。2017，2017，Carnalim 2017，Luo和Al。2017，Mirza和Al。 2017，Mišić和Al。 2017，Schneider和Al。 2017 2017，2017，Carnalim 2018，Roopam and Singh 2018]。2017，Mirza和Al。2017，Mišić和Al。 2017，Schneider和Al。 2017 2017，2017，Carnalim 2018，Roopam and Singh 2018]。2017，Mišić和Al。2017，Schneider和Al。 2017 2017，2017，Carnalim 2018，Roopam and Singh 2018]。2017，Schneider和Al。2017，2017，Carnalim 2018，Roopam and Singh 2018]。
基于节能树的脑电图伪影检测
摘要 — 在癫痫监测中，由于脑电图伪影在幅度和频率上具有形态相似性，因此经常被误认为是癫痫发作，这使得癫痫发作检测系统容易受到更高的误报率的影响。在这项工作中，我们介绍了一种基于并行超低功耗 (PULP) 嵌入式平台上最少数量的脑电图通道的伪影检测算法的实现。分析基于 TUH 脑电图伪影语料库数据集，并重点关注颞电极。首先，我们使用自动机器学习框架在频域中提取最佳特征模型，在 4 个颞脑电图通道设置下实现了 93.95% 的准确率和 0.838 F1 得分。所实现的准确率水平比最先进的水平高出近 20%。然后，这些算法针对 PULP 平台进行并行化和优化，与最先进的低功耗伪影检测框架实现相比，能效提高了 5.21 倍。将此模型与低功耗癫痫发作检测算法相结合，可以在可穿戴外形尺寸和功率预算下使用 300 mAh 电池进行 300 小时的连续监测。这些结果为实现经济实惠、可穿戴、长期癫痫监测解决方案铺平了道路，该解决方案具有低假阳性率和高灵敏度，可满足患者和护理人员的要求。临床意义——所提出的 EEG 伪影检测框架可用于可穿戴 EEG 记录设备，结合基于 EEG 的癫痫发作检测算法，以提高癫痫发作检测场景的稳健性。索引词——医疗保健、时间序列分类、智能边缘计算、机器学习、深度学习
