XiaoMi-AI文件搜索系统
World File Search SystemFeature
fMRI -NSF -PAR
多元神经影像学分析构成了识别心理表征的强大技术。但是，并非所有的心理过程在整个大脑中都以相同的空间尺度表示。将感知过程的层次结构化的局部表示与更抽象的认知过程（例如社会和情感操作）的灵活跨模式表示，这种异质性是显而易见的。一个开放的问题是分析方法的空间尺度如何与所研究表示的空间量表相互作用。在本文中，我们描述了如何将多元分析视为存在于空间频谱上的多变量分析，该分析是由用于识别一端的局部分布式信息模式的探照灯锚定的，用于识别另一种和基于区域的方法的整个大脑方法。我们描述了这些区别是一个重要且经常被忽略的分析考虑，并提供了启发式方法，以根据分析师的推论目标比较这些不同的技术。
基于特征的自动化脑肿瘤检测...
伊拉克技术大学电气工程系 *禁止穆罕默德·阿卜杜勒·阿尔雷达电气工程系，伊拉克大学，伊拉克电子邮件：31630@student.uotechnology.edu.iq摘要脑肿瘤是一种常见的致命疾病，需要早期的，可靠的检测技术，并可能使当前的识别方法和图像依赖于范围，并依赖于当前的识别方法，并依赖于范人为错误。这需要时间手动识别脑肿瘤。这项工作旨在设计一个能够诊断和预测磁共振成像（MRI）脑肿瘤的严重程度以做出准确决定的智能模型。主要贡献是通过基于收集的真实数据库采用新的多类分类器方法来实现的，该数据库具有反映疾病精确情况的新提议的特征。在这项工作中，两个人工神经网络（ANN）方法，即，向后馈回传播神经网络（FFBPNN）和支持向量机（SVM），用于期望脑肿瘤的水平。结果表明，（FFBPN）网络的预测将比其他时间记录的其他方法更好，以实现具有分类精度的自动分类，而3级被认为是出色的精度。软件仿真和这项工作的结果已通过MATLAB（R2012B）实现。关键字：向前向后传播神经网络，支持向量机，离散小波变换，灰色级别共发生矩阵（GLCM）的纹理特征。
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。
用于生物特征机器学习的眼动追踪特征提取
在学习机器方面，Nilsson (1965) 的研究更多地关注模式分类的机器学习。近年来，对眼动追踪的研究也有所增加。许多研究人员在实验中研究如何利用眼动追踪数据进行研究。因此，在分类研究中使用眼动追踪技术时，会引发一个疑问：从眼动追踪数据中可以获得哪些眼部特征用于分类。眼动追踪技术是指跟踪和测量用户的眼球运动和眼睛焦点的过程。眼动追踪广泛应用于心理学、市场营销、医学、电脑游戏和认知科学等许多领域。因此，眼动追踪越来越多地应用于计算机科学领域，并利用眼部特征来研究信息处理任务（Rayner，2009）。眼动追踪数据可以通过使用眼动追踪传感器或摄像头来测量和获取。这些数据提供了多种特征，可用于多种分类任务。眼动追踪技术非常有用，它可以在未来被广泛采用和实施，因为它只需要一个简单的摄像头就可以收集所需的数据。在本文中，我们进行了系统的文献综述，并收集了5年内（即从2016年到现在）所有与使用眼动追踪数据中的特征进行分类相关的研究和文章。第一部分介绍本文。在背景部分，我们提供了眼动追踪技术和眼动追踪器类型的背景，包括桌面眼动追踪、移动眼动追踪和虚拟现实（VR）中的眼动追踪，以及机器学习的简要介绍。方法论部分描述了研究方法，包括研究问题、选择标准、搜索过程和选择过程。结果部分展示了结果，相关研究如表1所示。最后一部分总结了本文。
EMD 和特征提取对脑电图分析的影响
摘要 — 脑机接口已被研究了 20 多年，并且具有巨大的开发应用潜力，可供医生诊断疾病或帮助患有严重神经系统疾病的患者恢复与社会互动。要达到这些目的，需要分析脑电图数据的技术以及训练模型以识别模式或控制设备的算法。TensorFlow 是 Google 团队为内部使用而开发的机器学习，于 2015 年向公众发布。由于它可以在深度学习神经网络上进行训练和测试，因此可以用于脑电图数据。该项目使用 TF-Keras 和 TensorFlow-DNN 来训练使用脑电图数据对大脑状态进行分类的模型。Neurosky Mindwave Mobile 耳机和由 Micro:bit 开发的新设备是该项目的脑电图信号记录器。采用了最小-最大归一化、集合经验模态分解 (EEMD)、提取等多种技术来分析记录的脑电图数据。结果表明，在对来自 Micro:bit 设备的 EEG 数据进行分类时，TensorFlow-Keras 和 TensorFlow - DNN 模型的准确率为 97%，而 XGBoost 的结果为 98%。结果证实了 TensorFlow 在识别 EEG 数据方面的应用能力。对上述结果有贡献的数据处理技术是最小最大规范化和数据提取。此外，我们还验证了记录数据中的低频漂移对于使用 EEG 数据识别大脑状态至关重要。结果还显示了使用 EEMD 技术生成的 IMF 作为特征来构建使用 EEG 数据对大脑状态进行分类的模型。索引词 —TensorFlow、EEG、XGBoost、TensorFlow-Keras (TF-Keras)、TensorFlow-DNN (TF-DNN)、集合经验模态分解 (EEMD)、Neurosky、Micro:bit、脑机接口 (BC I)
黑盒特征选择的多项式量子加速
特征选择需要从给定数据集中创建特征子集，以在原始数据集和选定特征集之间建立高度互信息 (MI) 共享 [ 1 , 2 ]。形式上，给定一组特征 F = { f 1 , f 2 , · · · , fm }，其中 fi ∈ R d ，设 fi K 为 fi 在 K 中的维度所跨越的子空间上的投影，设 FK = { fi K } 为一组独立的 fi 。特征选择问题定义为从 F 中选择 K ⊂{ 1 , · · · , p }，使得 K 保留最多信息。虽然特征选择是经典计算中一个研究得很深入的课题 [ 3 – 6 ]，但在量子算法开发的背景下，特征选择仍然是一个相对较新的领域。这项任务被认为是 NP 难题 [ 7 ]，在没有关于数据集结构的先验信息的情况下，量子算法的加速上限是二次的。此前，针对特征选择问题，人们提出了容错和效用规模量子算法 [8]，但成功率参差不齐 [9-15]。其中，容错量子特征选择算法分别表现出多对数时间复杂度和二次加速比。多对数时间复杂度是由于问题中隐藏着某种代数结构，而二次加速比是当手头的 NP 完全问题的结构未知时量子算法的一般 Grover 加速比 [16]。其他量子方法是实现变分方法的效用规模量子算法。尽管分析此类算法很困难，但可以合理地假设，除非进一步利用问题结构，否则此类算法的量子加速比的上限就是 Grover 加速比。表示特征选择问题的一种常用方法是二次无约束优化问题 (QUBO)，可以使用经典和量子计算框架进行处理。在量子计算机上，我们既可以使用 Grover 型容错算法，也可以使用 VQE [ 17 ] 或 QAOA 型 [ 18 ] 效用规模算法来求解该问题。另一方面，当量子算法能够利用已知结构时，加速比可以更显著，比如当简化为尖峰张量分解时，加速比可以达到四次方 [ 19 ]，而当与计算 Betti 数相关时，加速比甚至可以达到指数级 [ 20 , 21 ]。这促使人们探究是否存在一类具有最小结构的问题，即用户对特征拥有稍多的信息，而量子算法可能会带来一些加速。这项工作旨在解决黑盒特征选择问题 (B2FS) 的这个问题，在某些假设下，将其表述为碰撞问题 [ 22 ]。利用 Brassard-Høyer-Tapp 算法（BHT 算法）[ 23 ]，一种已知的碰撞问题解决方案，我们提供了对已经高效的经典概率算法进行多项式加速的证明。据我们所知，这是已知的第一个针对最小结构化特征选择问题的量子加速。
信用卡相关的功能子集
互联网在过去十年中经历了指数级的增长。随后，电子商务，滑动和薪水等服务的流行和突出率以及在线账单支付增加了。随后，犯罪分子加强了妥协妥协信用卡交易的努力。如果消费者被收取他们未购买的商品的费用，信用卡公司必须具备确定欺诈性交易的能力。数据科学和机器学习对于解决这种性质的问题是必不可少的；它们的意义不能被夸大。越来越多的客户要求企业提供更多便利设施。这种便利的实例是进行在线产品购买的能力。这项研究的目的是说明机器学习在构建信用卡欺诈检测数据集中的应用。信用卡欺诈检测问题涉及将成功的信用卡交易中的数据合并到先前交易的模型中。可以通过采用这些方法来确定新交易的合法性。信用卡欺诈的流行率随着电子支付系统和电子商务的进步而增加。必须实施检测信用卡欺诈的程序。在使用机器学习技术进行信用卡欺诈检测时，在选择欺诈交易的特征时要谨慎行事至关重要。结果表明所提出的模型的表现优于常规模型。本研究提出了一个相关的信用卡欺诈检测功能子集模型（RFSM-CFD），以准确检测信用卡欺诈。在本研究中提出了基于机器学习的信用卡欺诈检测系统的功能选择。这项研究在功能子集生成中的精度为98.8％，信用卡欺诈检测的准确性为98.5％。与最新模型相比，提出的欺诈检测模型表明了较高的准确性。关键字：信用卡，欺诈检测，机器学习，功能集，子集模型，交易
酶底物从三维特征进行预测...
D＃<＆＃％/。）G！ （*（＃）'！*+！。）＃＆'。％a！是的！ ＆＃/：4'。）g！％44％ ）％'＃/！ x; ＆ - 。 1！ <＆ - 。 1！ =＆ - 。 y1！ 。 ！ k！ 61！ p1！ > 1！ P-＃＆＃！ >！ ./！D＃<＆＃％/。）G！ （*（＃）'！*+！。）＃＆'。％a！是的！ ＆＃/：4'。）g！％44％）％'＃/！ x; ＆ - 。1！<＆ - 。1！=＆ - 。y1！。！ k！ 61！ p1！> 1！ P-＃＆＃！ >！ ./！> 1！ P-＃＆＃！>！ ./！>！ ./！