XiaoMi-AI文件搜索系统
World File Search SystemPreprocessing
BOLD 信号的生理学和 MR 图像采集
图像采集 9:00-9:45 用于 fMRI 分析的 GLM 9:45-10:00 咖啡休息 10:00-11:00 fMRI 实验设计 11:00-12:00 使用 fMRIprep 进行预处理 12:00-13:00 午餐休息 13:00-14:00 第一级模型 14:00-15:00 第二级模型 14:45-15:00 咖啡休息 15:00-16:00 数据可视化
基于深度学习、注意力机制和基于能量的不确定性预测的脑肿瘤分割
脑肿瘤是最致命的癌症之一，死亡率超过 80%。快速准确的诊断对于提高生存机会至关重要。然而，在医学分析中，脑肿瘤的手动注释和分割可能很复杂。通常会分析多种 MRI 模式，因为它们提供有关肿瘤区域的独特信息。虽然这些 MRI 模式有助于分割神经胶质瘤，但它们往往会增加过度拟合和计算。本文提出了一种感兴趣区域检测算法，该算法在数据预处理期间实施，以定位显着特征并删除无关的 MRI 数据。这减少了输入大小，从而允许更积极的数据增强和更深的神经网络。在对 MRI 模态进行预处理之后，完全卷积自动编码器使用通道自注意力和注意力门对不同的脑部 MRI 进行分割。随后，使用测试时间增强和基于能量的模型进行基于体素的不确定性预测。在 BraTS 19、20 和 21 基准上进行了实验，所提出的模型在每个数据集上的平均骰子分数分别为 84.55、88.52 和 90.82，实现了最先进的分割性能。此外，定性结果用于评估分割模型和不确定性预测。这项工作的代码可在线获取：https：//github.com/WeToTheMoon/BrainTumorSegmentation。
机器学习在人类细菌 MALDI-TOF 质谱分析中的应用：系统评价
摘要 — 细菌鉴定、抗生素耐药性预测和菌株分型是临床微生物学中的关键任务，对于指导患者治疗和控制传染病的传播至关重要。虽然机器学习 (ML) 和深度学习 (DL) 在增强 MALDI-TOF 质谱应用方面显示出巨大的前景，但仍然缺乏从技术角度进行的全面审查。为了弥补这一差距，我们系统地回顾了 2004 年至 2024 年期间发表的 93 项研究，重点关注关键的 ML/DL 方面，例如数据大小和平衡、预处理流程、峰值选择方法、算法、评估技术以及开源数据和代码的可用性。我们的分析强调了随机森林和支持向量机等经典 ML 模型的主要用途，以及人们对使用 DL 方法处理复杂高维数据的兴趣。尽管取得了重大进展，但预处理工作流程不一致、依赖黑盒模型、外部验证有限以及开源资源不足等挑战仍然存在，阻碍了透明度、可重复性和更广泛的采用。通过解决这些关键差距，本综述提供了可行的见解，以弥合微生物学和技术视角之间的鸿沟，为诊断微生物学中更强大、可扩展和可解释的解决方案铺平了道路。
基于数据的自动飞机预计到达时间预测
具有高复杂度、多维度和高非线性的特点。一个性能良好的预测框架应该能够处理异常值、缺失值或噪声数据 [13]。此外，一些研究需要复杂的预处理步骤，这是预测性能和计算效率之间的权衡，需要仔细权衡。此外，大多数当前模型缺乏通用性和自动化。它们仅适用于一架或几架航班、飞机类型或出发/到达程序。如果问题是 30
使用计算机视觉技术在照片中的面部检测
摘要。本研究讨论了使用两个示例图像在照明和面部姿势方面的示例图像中实施用于面部检测的计算机视觉技术。开发的系统结合了Viola-Jones算法和卷积神经网络（CNN），以增强针对照明和面部取向变化的弹性。实验结果即使只有两个样本图像也显示出很高的精度。这项研究还开发了处理极端照明条件的预处理技术，并使用Python和OpenCV证明了有效的实施。关键字：面部检测，Viola-Jones，CNN，OpenCV摘要。本研究讨论了使用两个示例图像在照片中进行面部检测的计算机视觉技术的实施，这些示例图像具有不同的照明和面部姿势。系统开发的系统结合了中提琴和卷积神经网络（CNN）算法，以增加对照明和面部取向变化的抗性。实验结果表明，即使仅使用两个示例图像，它也显示出高度的准确性。这项研究还开发了预处理技术，以使用Python和OpenCV来克服极端的照明条件和实施效率。关键字：面部检测，Viola-Jones，CNN，OpenCV 1。简介
使用...增强冥想技巧和洞察力
通过 Muse 2 设备和冥想应用程序之间的蓝牙连接，利用物联网功能。该方法包括数据收集、预处理、特征提取和模型训练，同时利用物联网 (IoT) 功能。Muse 2 设备从多个电极记录 EEG 数据，然后在移动冥想平台内进行处理和分析。预处理步骤包括消除冗余列、处理缺失数据、规范化和过滤，利用支持物联网的技术。对 EEG 信号进行特征提取，利用平均值、标准差和熵等统计指标。使用预处理数据训练三种不同的模型，包括支持向量机 (SVM)、随机森林和多层感知器 (MLP)，并结合基于物联网 (IoT) 的方法。使用准确度、精确度、召回率和 F1 分数等指标来评估模型性能，突出了物联网驱动技术的有效性。值得注意的是，MLP 和随机森林模型表现出了卓越的准确度和精确度，凸显了这种物联网集成方法的潜力。具体来说，这三个模型实现了较高的准确度，其中随机森林以 0.999 领先，其次是 SVM 以 0.959 和 MLP 以 0.99 紧随其后。这项研究不仅为脑机接口和辅助技术领域做出了贡献，还展示了一种将 Muse 2 设备无缝集成到冥想练习中的可行方法，通过物联网技术的附加功能促进自我意识和正念。
使用机器学习对脑电图数据进行中风检测
中风是一种毁灭性的常见疾病，四分之一的人一生中都会经历这种疾病。中风通常突然发生，没有任何先兆，而且很难被注意到，因为它们发生在大脑中，看不见；只有外在症状的出现才暴露了正在发生的攻击。再加上中风造成的损害越久不治疗就越严重，因此更实惠、更可靠的中风检测方法非常可取。我们的项目目标是研究仅使用易于使用且成本相对较低的脑电图 (EEG) 机器收集的大脑活动数据来检测患者中风的可行性。为了实现这一目标，我们收集了中风患者和非中风患者的脑电图数据集，并使用不同的方法对其进行了标准化和预处理。然后使用这些数据的不同变体来训练机器学习模型，并测试每个训练模型识别中风患者脑电图记录的能力。我们发现，数据预处理方法对于模型取得良好结果至关重要。使用某些预处理方法，并拥有足够数量的数据，该模型能够以 100% 的准确率正确区分数据集中的中风和非中风脑电图记录。然而，我们发现了一些可能对结果产生影响的问题，包括缺乏相关的公开数据集、使用的数据集规模较小以及标准化过程中的潜在问题。
eeg-tnet：端到端的大脑计算机界面框架估计
不同职业群体工人的心理工作量（MWL）是不安全行为的主要和直接因素，这可能会导致严重的事故。估计MWL的新技术之一是基于脑电图信号的大脑计算机接口（BCI），这被视为认知状态的黄金标准。但是，涉及手工脑电图功能的估计系统是耗时的，不适合实时申请。这项研究的目的是提出一个最终的BCI框架以进行MWL估计。首先，提出了一种新的自动数据预处理方法，以消除无人干扰的人工制品。然后，一种名为EEG-TNET的新神经网络结构旨在从原始EEG中提取时间和频率信息。此外，进行了两种类型的实验和消融研究，以证明该模型的有效性。在主题依赖性实验中，双任务估计的估计准确性（无任务与任务）和三任任务估计（LO vs. MI与HI）分别达到99.82和99.21％。相反，在受试者无关的实验中，不同任务的准确性达到82.78和66.83％。此外，消融研究证明，预处理方法和网络结构对估计MWL具有显着贡献。所提出的方法在没有任何人类干预的情况下很方便，并且胜过其他相关研究，这成为降低人为因素风险的有效方法。
拓扑表面编码的可扩展神经解码器
随着嘈杂的中型量子 (NISQ) 设备的出现，实用的量子计算似乎已经触手可及。然而，要超越原理验证计算，当前的处理架构将需要扩展到更大的量子电路，这将需要快速且可扩展的量子误差校正算法。在这里，我们提出了一种基于神经网络的解码器，对于受去极化噪声和综合征测量误差影响的稳定器代码系列，该解码器可扩展到数万个量子比特（与其他最近的机器学习启发解码器相比），并且在各种错误率（低至 1%）下解码时间比最先进的联合查找解码器更快。关键创新是通过在底层代码上移动预处理窗口来自动解码小规模的错误综合征，类似于模式识别方法中的卷积神经网络。我们表明，这种预处理步骤可以在实际应用中有效地将错误率降低多达 2 个数量级，并且通过检测相关效应，将实际错误阈值提高到比传统纠错算法（例如联合查找或最小权重完美匹配）的阈值高出 15%，即使在存在测量误差的情况下也是如此。这种机器学习辅助量子纠错的现场实施将是将纠缠边界推向 NISQ 视界之外的决定性一步。
胼胝体发育不全胎儿大脑解剖变异性分析
胼胝体发育不全 (CCA) 是最常见的先天性畸形之一，其神经发育结果不确定，尤其是当疾病被孤立时。为了向父母提供明智的咨询，在怀孕早期确定与预测结果相关的解剖标记至关重要。使用 CCA 对胎儿大脑进行定量探索的情况很少见，而且主要限于对特定大脑结构的研究。在这里，我们提出了一种基于微分同胚变换的胎儿大脑磁共振成像 (MRI) 分析流程。它包括两个步骤：半自动胎儿 MRI 预处理程序和量化与正常发育的解剖偏差的流程。MRI 预处理之后，使用配准将每个体积胎儿大脑与年龄匹配的健康模板大脑在全球范围内进行比较。将变形并行传输到同一空间以纠正胎儿之间的年龄差异。使用主成分分析和分类确定了 CCA 特有的变形模式。该流程在回顾性选择的 38 个健康胎儿和 73 个 CCA 胎儿的 MRI 上进行了测试。根据更多局部分析，最相关的 14 分类变形模式将众所周知的大脑改变与 CCA 相结合。15 这项初步工作有望定量探索异常胎儿大脑 16 并将在未来用于识别与不良临床结果相关的解剖特征 17。18