XiaoMi-AI文件搜索系统
World File Search SystemLDA
人工智能的回归：人工智能法律研究分析...
人工智能研究正处于其历史上的第三次繁荣时期，近年来，与人工智能相关的主题在法律等新学科中获得了相当大的欢迎。本文探讨了人工智能法律研究的构成及其发展方式，同时解决了信息检索和研究重复的问题。使用潜在狄利克雷分配 (LDA) 主题建模对 3931 篇期刊文章的数据集进行研究，我们探讨了三个问题：(a) 人工智能法律研究中的哪些主题可以区分？(b) 这些主题是什么时候讨论的？和 (c) 可以检测到类似的论文吗？主题建模共产生 32 个有意义的主题。此外，研究发现，截至 2016 年，人工智能法律研究急剧增加，主题随着时间的推移变得更加细化和多样化。最后，通过比较算法和人类专家得出的相似性评估，可以发现评估结果往往一致。研究结果有助于了解人工智能法律研究如何随时间演变，并支持开发机器学习和信息检索工具（如 LDA），帮助构建大型文档集并识别相关文章。
提取特征，构建推荐系统......
该项目处理加州大学圣地亚哥分校 Julian McAuley 提供的亚马逊数据集。该项目旨在使用潜在狄利克雷分配 (LDA) 提取亚马逊文本评论中讨论的特征。此外，一旦提取出特征，就会构建一个推荐器。为了实现这一点，该项目提出了各种模型，如主题聚类推荐、无约束矩阵分解和基于内容的过滤。首先，清理数据集并进行数据探索以观察数据中的各种趋势。根据评论的评分，创建词云以确定数据集中每个单词的重要性。在初步数据探索之后，使用潜在狄利克雷分配 (LDA) 提取数据集中讨论的主题。[8,10] 最后，使用这些主题，在主题聚类推荐、无约束矩阵分解和基于内容的过滤等不同模型的帮助下构建推荐器。根据召回率和平均绝对误差等指标，将选择最佳模型。关键词：亚马逊，推荐器，LDA，主题建模，基于内容的过滤，矩阵分解 1.简介 互联网是重要的信息来源。过去几年，电子商务领域取得了长足的发展。几乎所有我们需要的东西都可以在网上轻松获得。亚马逊、eBay 和 Flipkart 等网站在电子商务中发挥着至关重要的作用。亚洲、非洲/中东和拉丁美洲地区超过 60% 的人口愿意在线购物 [7]。据观察，2017 年第一季度，电子商务销售额达到 1057 亿美元 [10]。如果大多数人依赖电子商务网站购物，那么概述网站上发布的有关产品的评论就很重要。其他各种客户都会阅读有关在线发布的任何产品的评论。根据现有的评论和可用的评论数量，客户往往会决定是否购买该产品。网站上任何产品的评论对于决定网站或产品的成功都起着非常重要的作用。
引用：Mwata-Velu T、Ruiz-Pinales J、Avina-Cervantes JG、Gonzalez-Barbosa JJ、Contreras-Hernandez JL。经验模态分解和双向
运动想象 (MI) 脑电信号广泛应用于脑机接口 (BCI) 应用中，因为它们通过想象肢体运动让用户完全控制 [9]。想象和物理肢体运动会引起微节律同步和去同步，这可以通过使用脑电图技术在感觉运动皮层上进行探索 [10]。许多研究已经实现了特征选择和降维的具体技术，其中包括遗传算法 (GA) [11]、顺序前向特征选择 (SFFS) [12]、线性判别分析 (LDA) [13]、经验模态分解 (EMD) [14] 和 Fisher 判别分析 (FDA) [15]。因此，高效的线性分类器如支持向量机 (SVM) [16] 和 LDA [17] 被广泛用于特征分类。此外，贝叶斯分类器 [18]、隐马尔可夫模型分类器 (HMM) [19] 和 k-最近邻 (k-NN) 分类器 [20] 同样为 EEG 特征分类提供了有竞争力的结果。在这方面，Miao 等人 [21] 将右手食指解码应用于手指康复。Nijisha 等人 [22] 使用基于公共空间模式 (CSP) 的空间滤波器和单个卷积层对左手、右手、双手和脚 MI-EEG 信号进行分类。
自闭症诊断从脑电图信号到机器学习算法
abtract。通过社会沟通和重复行为不足而认识到的一种神经发育障碍，被缩写为自闭症谱系障碍（ASD）。诊断自闭症的最实际设备之一是脑电图（EEG）信号，它准确地代表了大脑的功能。每个个体的记录的脑电图都包含大量数据，这些数据很难在视觉上学习和检查。机器学习算法的主要目标是以最终接近人脑的诊断方式训练机器。在本文中评估了在自闭症诊断的特征提取块中进一步开发深度学习能力的适当策略。为此，卷积神经网络（CNN）结构参与检查可用数据以提取功能。涉及支持向量机（SVM），线性判别分析（LDA），决策树（DT），简单贝叶斯分类（GNB）和随机森林（RF）的五个机器学习分类器（SVM）。通过SVM，LDA，DT，GNB和RF分类器获得的精度百分比分别为100、82、80.5、100和100％。通过应用不同的机器学习方法，这种提出的用于特征提取和分类的卷积神经网络的方法可以产生高临界性，即使不是比其自闭症诊断的同类方法相似。
构建利用多脑区 GLCM 特征和机器学习技术的精神分裂症识别方法
摘要：准确诊断精神分裂症是一种复杂的精神疾病，对于有效管理治疗过程和方法至关重要。各种类型的磁共振 (MR) 图像都有可能作为精神分裂症的生物标志物。本研究旨在通过结构 MR 图像对精神分裂症患者和健康对照者大脑双侧杏仁核、尾状核、苍白球、壳核和丘脑区域可能出现的纹理特征差异进行数值分析。为此，使用机器学习方法对从右脑、左脑和双侧大脑的五个区域获得的灰度共生矩阵 (GLCM) 特征进行分类。此外，还分析了这些特征在哪个半球更具特色，以及 Adaboost、Gradient Boost、eXtreme Gradient Boosting、随机森林、k-Nearest Neighbors、线性判别分析 (LDA) 和朴素贝叶斯中的哪种方法具有更高的分类成功率。检查结果显示，左半球这五个区域的 GLCM 特征在精神分裂症患者中的分类性能优于健康人。使用 LDA 算法，在健康和精神分裂症患者中，分类成功率为 100% AUC、94.4% 准确率、92.31% 灵敏度、100% 特异性和 91.9% F1 得分。因此，这表明五个预定区域而不是整个大脑的纹理特征是识别精神分裂症的重要指标。
利用机器学习释放 fNIRS 的潜力
在本研究中，我们探索了使用功能性近红外光谱 (fNIRS) 信号与现代机器学习技术结合对特定解剖运动进行分类的潜力，以增加基于 fNIRS 的脑机接口 (BCI) 应用的控制命令数量。这项研究的重点是新颖的个体手指敲击，这是 fNIRS 和 fMRI 研究中众所周知的任务，但仅限于左/右手指或几根手指。24 名右撇子参与者执行了个体手指敲击任务。根据 10-10 国际系统，使用放置在运动皮层上的 16 个源和探测器记录数据。该事件的平均氧合 1 HbO 和脱氧 1 HbR 血红蛋白数据被用作特征，以评估不同机器学习 (ML) 模型在具有挑战性的多类分类环境中的性能。这些方法包括 LDA、QDA、MNLR、XGBoost 和 RF。一种新的基于 DL 的模型“Hemo-Net”已被提出，它由多个并行卷积层组成，并使用不同的滤波器来提取特征。本文旨在探索在多类分类任务中使用 fNRIS 与 ML/DL 方法的有效性。与 LDA、MNLR 和 QDA 相比，RF、XGBoost 和 Hemo-Net 等复杂模型具有相对更高的测试集准确率。Hemo-Net 表现出色，达到了 76% 的最高测试集准确率，然而，在这项工作中，我们的目标不是提高模型的准确率，而是探索 fNIRS 是否具有神经特征来帮助现代 ML/DL 方法进行多类分类，这可以用于脑机接口等应用。使用 fNIRS 数据很难对精细解剖运动（例如单个手指运动）进行多类分类。与基于集成的 RF 和 XGBoost 方法相比，MNLR 和 LDA 等传统 ML 模型的性能较差。基于 DL 的方法 Hemo-Net 优于本研究中评估的所有方法，并展示了基于 fNIRS 的 BCI 应用的光明前景。
引用：Mwata-Velu T，Ruiz-Pinales J，Avina-Cervantes JG，Gonzalez-Barbosa JJ，Contreras-Hernandez JL。经验模式分解和双向
运动图像（MI）EEG信号在BCI应用中广泛使用，因为它们通过想象身体肢体运动为用户提供了全部控制[9]。想象的和物理的肢体运动引起了MU-RHILTHM同步和去同步，可以使用感觉运动皮层上的EEG技术进行探索[10]。许多作品已经实施了特定技术选择和降低维数的特定技术，其中遗传算法（GA）[11] [11]，顺序的正向特征选择（SFF）[12]，线性判别分析（LDA）[13] [13]，经验模式分解（EMD）[14]和FISHER INCTICNANT INCINICINANT ANARESSICS（FISHER INCTINANT分析）（FDA）[15] [15] [15] [15] [15]。因此，有效的线性分类器（例如支持向量机（SVM）[16]和LDA [17]被广泛用于特征的分类。此外，贝叶斯分类器[18]，隐藏的马尔可夫模型分类器（hmm）[19]和K-Nearest邻居（K-NN）分类器[20]同样为EEG特征分类提供了竞争结果。从这个意义上讲，Miao等。[21]将右手食指解码用于手指康复。在他们的角度，Nijisha等人。[22]使用基于常见空间图案（CSP）和单个卷积层的空间过滤器对左手，右手，双手和脚MI-EEG信号进行分类。
一线肿瘤有效性的性别差异...
目标。与男性相比，银屑病关节炎（PSA）的女性可能降低了肿瘤坏死因子抑制剂（TNFI）的有效性。我们检查了PSA患者的24个月随访期间的治疗反应和保留率的性别差异。方法。从13名欧洲脊椎关节炎研究合作网络统计中的PSA患者的数据汇总了他们的第一个TNFI。logistic回归用于根据六个月在六个月的主要结果，使用C反应蛋白水平（DAS28-CRP）（DAS28-CRP）（DAS28-CRP）（DAS28-CRP）（<3.2）根据疾病活性评分分析性别和治疗反应之间的关联。分析对年龄，国家，常规合成疾病改良的抗疾病药物治疗和TNFI开始年进行了调整。使用Kaplan - Meier估计器探索了保留率。结果。我们分析了7,679例PSA（50％女性）患者的治疗反应，并在六个月时在LDA上进行了可用数据。在基线时，男女具有相似的特征，包括平均DAS28-CRP（女性与男性，4.4 [SD 1.2] vs 4.2 [SD 1.2]），尽管女性报告的结果指标较差。在六个月时，有64％的女性和78％的男性患有LDA（相对风险[RR] 0.82; 95％的置信间隔[CI] 0.80 - 0.84）。调整后这种差异相似（RR 0.83； 95％CI 0.81 - 0.85）。TNFI保留率。结论。女性的保留率明显低于任何时间点的男性（女性为79％，64％和50％对男性在6、12和24个月分别为88％，77％和64％）。尽管在基线时具有可比的疾病特征，但PSA的女性对第一个TNFI的治疗反应和保留率降低了，强调了考虑PSA研究和管理中的性别差异的必要性。
使用基于两个SEMG电极信号的机器学习评估手动分类性能
摘要：近年来，基于分类的肌电控制引起了极大的兴趣，导致具有先进功能的假肢手，例如多围手。到目前为止，通过增加表面肌电图（SEMG）电极的数量或添加其他感应机制来实现高分类精度。尽管许多规定的肌电手仍然采用两电极SEMG系统，但仍缺乏有关信号处理和分类性能的详细研究。在这项研究中，招募了九名健全的参与者执行六种典型的手动动作，使用Delsys Trigno Research+ Acquisition System从两个电极中获取了来自两个电极的SEMG信号。信号处理和机器学习算法，特别是线性判别分析（LDA），K-Nearest邻居（KNN）和支持向量机（SVM），用于研究分类精度。总体分类精度为93±2％，动作特异性精度为97±2％，F1得分为87±7％，与多电极系统报道的总体精度为87±7％。与LDA和KNN算法相比，使用SVM算法实现了最高精度。揭示了分类精度与特征数量之间的对数关系，这在五个特征上平稳。这些全面的发现可能有可能有助于具有两个SEMG电极的通常开处方的肌电手部系统的信号处理和机器学习策略，以进一步提高功能。
高性能多类运动想象脑电图分类
摘要：在现实生活中的脑机接口应用中，脑电图 (EEG) 中的运动想象 (MI) 的使用需要高性能算法，这些算法既准确又计算量小。基于公共空间模式 (CSP) 和滤波器组公共空间模式 (FBSP) 的特征提取方法已被证明非常有前景。在本文中，我们推进了这一前沿，提出了一种新的有效方法，其变体在准确性（就 kappa 值而言）方面优于具有相同或更小特征集的现有方法。我们已经证明，从准确性和计算复杂度的角度来看，使用一个 mu 波段和三个 beta 子波段都非常理想。我们已经能够使用我们的方法为 BCI 竞赛 IV 的数据集 2a 实现最佳报告 kappa 值 0.67，其中特征向量长度为 64，直接由 FBCSP 变换后的数据样本组成，无需进一步的特征选择。直接由 FBCSP 数据组成的 32 大小的特征向量足以在 kappa 值实现方面胜过现有方法。在本文中，我们还系统地报告了使用不同分类器（包括 kNN、SVM、LDA、Ensemble、ANN 和 ANFIS）和不同长度的特征向量进行的实验。据报道，SVM 是最好的分类器，其次是 LDA。