XiaoMi-AI文件搜索系统
World File Search SystemRESNET
CSPNet：可增强 CNN 学习能力的新骨干
神经网络使最先进的方法能够在目标检测等计算机视觉任务上取得令人难以置信的效果。然而，这种成功很大程度上依赖于昂贵的计算资源，这阻碍了拥有廉价设备的人们欣赏先进的技术。在本文中，我们提出了跨阶段部分网络（CSPNet）来从网络架构的角度缓解以前的工作需要大量推理计算的问题。我们将问题归因于网络优化中的重复梯度信息。所提出的网络通过整合网络阶段开始和结束的特征图来尊重梯度的变化，在我们的实验中，在 ImageNet 数据集上以相同甚至更高的精度将计算量减少了 20％，并且在 MS COCO 目标检测数据集上的 AP 50 方面明显优于最先进的方法。 CSP-Net 易于实现且足够通用，可以应对基于 ResNet、ResNeXt 和 DenseNet 的架构。
外伤性脑损伤颅内压脉动波形分析...
缩写 AIS = 简明损伤量表；AMP = ICP 脉冲幅度；AU = 任意单位；AUC = 曲线下面积；CENTER-TBI = 欧洲创伤性脑损伤神经创伤效果合作研究；CT = 计算机断层扫描；FFT = 快速傅里叶变换；GCS = 格拉斯哥昏迷量表；GOSE = 格拉斯哥扩展预后量表；HFC = 高频质心；HHC = 高次谐波质心；ICP = 颅内压；ICU = 重症监护病房；IQR = 四分位距；ISS = 损伤严重程度评分；MANOVA = 多元方差分析；MLS = 中线移位；PRx = 压力反应指数；PSI = 脉搏形状指数；ResNet = 残差神经网络；ROC = 受试者工作特征；TBI = 创伤性脑损伤。提交于 2022 年 6 月 27 日。接受于 2022 年 10 月 28 日。引用时请注明 2022 年 12 月 23 日在线发布；DOI：10.3171/2022.10.JNS221523。
使用深度学习对 I 导联心电图数据进行急性心肌梗死检测
摘要 — 心肌梗塞 (MI) 因其高死亡率和发病率而成为全球主要的健康问题。及早发现 MI 对于及时进行医疗干预和改善患者预后至关重要。在本研究中，我们研究了使用心电图 (ECG) 数据的导联 I 预测 MI 的可行性，重点关注可穿戴监测系统的实际应用。利用 PTB-XL 数据集（其中包括包含正常和各种 MI 样本的 12 导联 ECG 记录的全面集合），我们采用深度学习技术开发二元分类模型。对于使用导联 I 进行 MI 检测，我们在测试集上实现了 0.92 的 AUC 和 0.82 的 AUPR。相比之下，使用 6 导联和 12 导联配置均导致 AUC 为 0.99。这些发现证明了仅使用导联 I 检测 MI 的潜力，这是通过可穿戴设备测量的。这一进步可以通过及时检测和干预显着改善 MI 患者的临床结果。索引术语 — ECG、心肌梗死、Lead-I、ResNet、Transformer、深度学习
基于深度学习的糖尿病预测的新建议：将临床数据转换为图像数据
摘要：糖尿病是全球最常见的疾病之一，近年来已成为对人类日益全球化的威胁。但是，糖尿病的早期检测极大地抑制了疾病的进展。这项研究提出了一种基于深度学习的新方法，用于早期检测糖尿病。与许多其他医学数据一样，研究中使用的PIMA数据集仅包含数值值。从这个意义上讲，流行的卷积神经网络（CNN）模型在此类数据中的应用是有限的。这项研究将数值数据转换为图像，基于特征的重要性，用于在早期糖尿病诊断中使用CNN模型的强大表示。然后将三种不同的分类策略应用于所得的糖尿病图像数据。在第一个中，糖尿病图像被送入RESNET18和RESNET50 CNN模型中。在第二个重新网络模型的深度特征中被融合并与支持向量机（SVM）进行分类。在最后的方法中，选定的融合特征由SVM分类。结果证明了糖尿病早期诊断中糖尿病图像的鲁棒性。
人工智能在运动医学应用的探索性研究
人工智能（AI）是利用大数据、深度学习算法、云计算等技术研究类脑智能的学科[1]，即利用机器解决人类大脑能够解决的问题。人工智能的发展经历了诞生、停滞和复苏的阶段。数据、算法和计算能力是人工智能应用发展的三大关键驱动力，推动了人工智能的快速发展。物联网、社交媒体和移动设备的快速扩张和广泛使用，导致全球生成和存储的数据量急剧增加，为深度学习训练和计算机视觉算法模型提供了源源不断的素材。LeNet 等神经网络模型和优化算法，以及随后的 AlexNet、ResNet、GAN 等改进，不断突破算法精度的界限[2,3]。数据处理速度不再是人工智能发展的瓶颈，而是进一步发展的强大驱动力。随着神经网络的逐步进化，人工智能的计算能力和计算能力正在不断提高，人工智能的发展也因此而蓬勃发展。
医疗 VR 训练模拟器中的评分和评估...
摘要 本研究提出并评估了虚拟现实 (VR) 训练模拟器的评分和评估方法。VR 模拟器可捕获详细的 n 维人体运动数据，这些数据可用于性能分析。开发了定制的医疗触觉 VR 训练模拟器，并用于记录来自 271 名具有多种临床经验水平的受训者的数据。提出了 DTW 多元原型 (DTW-MP)。VR 数据被分为新手、中级或专家。用于时间序列分类的算法的准确率为：动态时间规整 1-最近邻 (DTW-1NN) 60%，最近质心 SoftDTW 分类 77.5%，深度学习：ResNet 85%，FCN 75%，CNN 72.5% 和 MCDCNN 28.5%。专家 VR 数据记录可用于指导新手。评估反馈可以帮助受训者提高技能和一致性。动作分析可以识别个人使用的不同技术。可以实时动态检测错误，发出警报以防止受伤。
基于多尺度特征融合目标检测与模型量化的电网覆冰状况边缘智能感知方法
绝缘子是输电线路的重要设备，绝缘子覆冰会严重影响输电线路的稳定运行，因此绝缘子覆冰状态监测对电力系统的安全稳定运行具有重要意义。因此，本文提出了一种面向前端覆冰监测装置的轻量级绝缘子覆冰厚度智能识别方法。该方法融合残差网络（ResNet）与特征金字塔网络（FPN）构建多尺度特征提取网络框架，使浅层特征与深层特征融合，减少信息损失，提高目标检测精度。然后采用全卷积神经网络（FCN）对覆冰绝缘子进行分类与回归，实现覆冰厚度的高精度识别。最后,通过模型量化对所提方法进行压缩,减少模型的大小和参数,以适应计算资源有限的结冰监测终端,并在边缘智能芯片上验证了该方法的性能,并与其他经典方法进行了比较。
用于预测帕金森氏病的混合模型
帕金森氏病是一种影响个人运动的中枢神经系统疾病。已经观察到帕金森氏病的患者患有手写异常，弯腰姿势，语音或语音疾病等。这项工作旨在实施能够从早期症状中预测PD的通用机器学习模型。在这项研究中，对UCI机器学习存储库和螺旋的语音数据集进行了试验，以研究组合模型的准确性。为了提高预测的准确性，从语音数据集中提取的功能是抖动，Shimmer，NHR，DFA和PPE。此外，从手写数据集提取的功能是压力，握把角，时间戳，径向速度，速度等。在上述数据集中对CNN，LSTM，Resnet等不同的机器学习模型进行了实验。从研究中可以看出，与此工作中使用的其他模型相比，具有适当的超级参数调整的CNN/LSTM模型效果很好。语音数据集上CNN/LSTM的准确性为88％，手工编写数据集为92％。。
使用深度神经网络自动检测脑 MRI 图像中的脑肿瘤
快速诊断脑肿瘤对于实施这种疾病的治疗是必要的。在本研究中，使用基于 ResNet 架构的网络对 MRI 图像中的脑肿瘤进行分类。癌症图像档案数据库中可用的 MRI 图像包括 159 名患者。首先，使用两个称为中值滤波器和高斯滤波器来改善图像质量。还使用边缘检测算子来识别图像的边缘。其次，首先使用数据库的原始图像训练所提出的网络，然后用高斯滤波和中值滤波图像训练。最后，使用准确度、特异性和敏感性标准来评估结果。本研究中提出的方法对原始图像、高斯滤波图像和中值滤波图像的准确率分别为 87.21%、90.35% 和 93.86%。此外，计算出的原始图像的灵敏度和特异性分别为 82.3% 和 84.3%。高斯滤波和中值滤波图像的灵敏度分别为 90.8% 和 91.57%，特异性分别为 93.01% 和 93.36%。总之，应研究预处理阶段的图像处理方法，以提高深度学习网络的性能。
AIST4010.PDF -CUHK CSE
课程：AIST4010课程ID：013173 AFF日期：2024-07-01 CRSE状态：主动批准。状态：批准的[课程Rev]应用深度学习的基础应用深度学习基础本课程涵盖了如何使用深度学习技术来解决现实生活中的计算问题，处理各种数据。我们通过深入学习引入解决问题的范式来开始课程：数据准备，建立模型，训练模型，模型评估和超参数搜索。然后，我们填写范式中的详细信息。关于深度学习模型，我们将从最简单的线性回归模型转向相对复杂的模型。要处理各种数据类型，即结构化数据，图像，文本，序列，信号和图形，在我们的日常生活中，我们将介绍CNN/Resnet，RNN/LSTM，注意力和GNN模型。除了上述范式外，我们还将涵盖处理过度拟合的常用技术。在本课程结束时，我们将简要浏览生成模型VAE和GAN。咨询：预计学生将具有有关Python编程的背景知识。