XiaoMi-AI文件搜索系统
World File Search SystemSIFY
通过音频记录检测阅读障碍：一种人工智能方法
摘要：阅读障碍会影响个人的阅读能力、影响学业成绩，还可能在学习期之后产生长期影响。早期发现至关重要。这通常通过一系列冗长的测试来完成：人类专家对这些测试进行评分，以决定孩子是否需要特定的教育策略。这种人工评估也会导致不一致。这就是为什么迫切需要更早、更简单（和更便宜）地筛查阅读障碍的原因。在本文中，我们研究了现代人工智能在自动化筛查方面的潜力。为了实现这一目标，并在先前研究的基础上，我们收集了非阅读障碍儿童和阅读障碍儿童的音频记录数据集。经过适当的预处理后，我们应用了各种机器学习算法来检查是否可以发现一些隐藏的模式，从而区分阅读障碍和非阅读障碍的读者。然后，我们建立了自己的神经网络，其性能优于其他测试方法。我们的结果表明可以将音频记录归类为阅读障碍的特征，从而通过非侵入性方法进行准确且廉价的阅读障碍筛查，并有可能惠及大量人群进行早期干预。
使用脑监测客观评估人机物理协作中的人类工作量
安全和顺从交互的概念不足以确保有效的物理人机合作。为了获得最佳的顺从行为（例如，可变阻抗/导纳控制），需要使用评估技术来衡量用户感知工作量方面的交互有效性。本研究调查了脑电图 (EEG) 监测作为一种客观测量方法，以对具有顺从性的合作操作中的工作量进行分类。进行了一项实验研究，包括两种类型的操作（粗略和精细）和两个导纳水平（低阻尼和高阻尼）。性能和自我报告的测量表明，增强感知工作量的适当导纳水平取决于任务。此信息用于形成二元分类问题（低和高工作量），其中频谱功率密度和相干性是从 EEG 数据中提取的特征。使用与受试者无关的特征选择方法，使用与受试者相关的线性判别分析 (LDA) 进行分类。平均分类率为 81%，表明所提出的方法在评估人类工作量与粗大和精细操作中不同顺从性之间的交互作用时具有可靠性。此外，为了验证我们提出的客观工作量测量方法，我们进行了第二次实验，包括精细和粗大运动任务。与恒定导纳交互相比，使用开环可变导纳控制器可观察到较低的基于 EEG 的工作量。该观察结果与主观工作量评分 (NASA-TLX) 一致。
肿瘤异质性预测的块神经网络
准确的肿瘤分类对于选择有效治疗至关重要，但是当前方法有局限性。标准肿瘤分级基于细胞分化对TUMOR进行分类，不建议将其作为独立手术，因为某些差异良好的肿瘤可能是恶性的。通过单细胞测序评估肿瘤异质性评估提供了深刻的见解，但可能会昂贵，并且仍然需要大量的手动干预。 许多现有的用于肿瘤数据的统计机器学习方法仍然需要对MRI和组织疗法数据进行复杂的预处理。 在本文中，我们建议建立在模拟肿瘤进化的数学模型上（OTAńSKI（2017）），并生成用于肿瘤分类的人工数据集。 使用归一化熵估算肿瘤异质性，其阈值将肿瘤视为具有高或低异质性。 我们的贡献是三重的：（1）从人工数据中的剪切和图生成过程，（2）肿瘤特征的设计，以及（3）构建块图神经网络（BGNN），这是一种基于图神经网络的方法，以预测肿瘤异质性。 表现出的结果表明，所提出的特征和模型的组合在人为生成的数据上产生了出色的结果（89。 测试数据的精度为67％）。 尤其是与AI辅助分级和空间转录组学的新兴趋势保持一致，我们的结果表明，通过出生（例如KI-67增殖指数）丰富传统的分级方法和死亡标记物和死亡标记物可以改善异质性预测和增强肿瘤分类。通过单细胞测序评估肿瘤异质性评估提供了深刻的见解，但可能会昂贵，并且仍然需要大量的手动干预。许多现有的用于肿瘤数据的统计机器学习方法仍然需要对MRI和组织疗法数据进行复杂的预处理。在本文中，我们建议建立在模拟肿瘤进化的数学模型上（OTAńSKI（2017）），并生成用于肿瘤分类的人工数据集。肿瘤异质性，其阈值将肿瘤视为具有高或低异质性。我们的贡献是三重的：（1）从人工数据中的剪切和图生成过程，（2）肿瘤特征的设计，以及（3）构建块图神经网络（BGNN），这是一种基于图神经网络的方法，以预测肿瘤异质性。表现出的结果表明，所提出的特征和模型的组合在人为生成的数据上产生了出色的结果（89。测试数据的精度为67％）。尤其是与AI辅助分级和空间转录组学的新兴趋势保持一致，我们的结果表明，通过出生（例如KI-67增殖指数）丰富传统的分级方法和死亡标记物和死亡标记物可以改善异质性预测和增强肿瘤分类。
Phishgnn：使用图形神经网络的网络钓鱼网站检测框架
在互联网时代，恶意URL是对网络用户的综合威胁。网络钓鱼的目的是通过用fal的界面欺骗受害者来窃取敏感信息。在网站网站的情况下，攻击者通常试图模仿社交媒体，银行和电子商务网站等知名且广泛使用的服务。这种欺骗的网站通常是用与原始站点相同的代码库构建的，这可能会使它们很难瞥见。值得庆幸的是，可以使用许多其他指标来区分良性和网络钓鱼网站。例如，大多数网络钓鱼URL往往很长，具有多个子域和特殊特征。域通常托管在可疑的主机上，并使用非信任当局进行的安全套接字层（SSL）认证。自从这些攻击开始时，已经实施了许多系统来试图克服它们。其中一些实现使用传统技术，例如黑名单或URL词汇特征的分析。否则，黑名单遭受了多种缺点，例如需要更新的人类援助和缺乏详尽的缺点。此外，它们不能用于看不见和隐藏的URL。其他技术利用机器学习将模型训练以基于许多示例来策划网站（Sahoo等，2017）（Benavides等，2020）。但是，在大多数方法中，网站的超链接结构尚未解决。
使用集成生理传感器实时识别用户心理负荷 - VR HMD
本文介绍了一种通过定制带有生理传感器的商用 HMD 来实时识别虚拟现实中用户心理工作量的“一体化”解决方案。首先，我们介绍了构建系统所采用的硬件和软件解决方案。其次，我们详细介绍了用于自动识别用户心理工作量的机器学习方法，这些方法基于著名的随机森林算法。为了收集数据来训练系统，我们对 75 名参与者进行了广泛的用户研究，使用 VR 飞行模拟器来诱导不同程度的心理工作量。与之前根据标准化任务（例如 n-back 任务）或预定义任务难度标记数据的研究不同，参与者在实验过程中被询问他们感知到的心理工作量水平。利用收集到的数据，我们能够训练系统以对四种不同程度的心理工作量进行分类，准确率高达 65%。此外，我们讨论了信号标准化程序的作用、不同生理信号对识别准确度的贡献，并将使用嵌入 HMD 中的传感器获得的结果与商业级系统进行比较。初步结果表明，我们的流程能够实时识别心理工作量。总之，我们的结果表明，这种将生理传感器直接嵌入 HMD 的一体化方法是实现
一种 3D-CNNs 方法对用户表情进行分类
最近的研究表明，社交辅助机器人 (SAR) 可用于各种操作环境，在这些环境中，促进人机交互和建立融洽关系取决于引发积极感觉。不同的人以不同的方式表达和感受情绪，这一事实造成了巨大的偏见，即使借助人工智能技术，也很难识别和区分情绪。这是最大的挑战之一。使用客观指标而非主观指标（如生物信号）作为情绪特征鉴别器可以缩小这一差距。先前的研究调查了使用 EEG 测量对 HRI 中的情绪进行分类，方法是查看一系列分类方法，例如使用 MLP 模型和全局优化算法应用于支持向量机、随机森林、决策树、K 最近邻和深度神经网络等方法，应用于原始和派生信号特征（例如，效价、唤醒、PSD 等）。本文介绍了一种新方法，该方法采用 3D 卷积神经网络 (3D-CNN) 来处理从 EEG 获得的地形图。据我们所知，该方法尚未在该领域进行研究。所提出的模型实现了令人印象深刻的 99.2% 的分类准确率，成功区分了积极和消极情绪，并表明将 EEG 数据转换为图像可能是一种可行的解决方案，因为它允许使用更准确的分类模型。所提出的模型的结果与最佳的最先进的模型一致。
精神病学中的先进机器学习方法
简介 机器学习 (ML) 方法在心理健康和相关研究中得到越来越多地应用。在我们上一篇论文中，我们讨论了两种 ML 方法，即逻辑回归和 k 均值聚类。1 在本报告中，我们重点介绍两种更先进的 ML 方法，即支持向量机 (SVM) 和人工神经网络 (ANN)，以及它们在精神病学中的应用。SVM 是一种用于对标记结果进行分类的监督学习方法。SVM 应用来自每个类别的少量样本（称为“支持向量”）来构建分类器，将样本分成不同的类别。2 SVM 是线性判别函数的扩展，线性判别函数是一种流行的监督学习统计方法，因为它试图适应非线性判别函数以实现更精确的分类。3 SVM 已被广泛应用，包括在精神病学领域。例如，在重度抑郁症 (MDD) 研究中，SVM 被用于通过人口统计学和临床变量（如年龄、性别、教育水平、药物等）从健康对照组中识别出 MDD 患者。4 这也是神经成像中的一种流行技术。5 6 我们将在下一节进一步讨论 SVM。ANN 由许多称为“人工神经元”的简单单元组成。ANN 的主要组成部分是输入层、隐藏层和输出层。计算机科学家已经开发出 ANN 来模仿生物神经网络，通过建立模型来模仿人类大脑从训练数据中学习的过程，而无需任何数据的先验知识。7 例如，在
ERASER：面向容错量子计算的自适应泄漏抑制
量子纠错 (QEC) 代码可以通过使用冗余物理量子位编码容错逻辑量子位并使用奇偶校验检测错误来容忍硬件错误。当量子位离开其计算基础并进入更高能量状态时，量子系统中会发生泄漏错误。这些错误严重限制了 QEC 的性能，原因有两个。首先，它们会导致错误的奇偶校验，从而混淆对错误的准确检测。其次，泄漏会扩散到其他量子位，并随着时间的推移为更多错误创造途径。先前的研究通过使用修改 QEC 代码奇偶校验电路的泄漏减少电路 (LRC) 来容忍泄漏错误。不幸的是，在整个程序中始终天真地使用 LRC 并不是最优的，因为 LRC 会产生额外的两量子位操作，这些操作 (1) 促进泄漏传输，并且 (2) 成为新的错误源。理想情况下，只有在发生泄漏时才应使用 LRC，以便同时最小化泄漏和额外 LRC 操作产生的错误。然而，实时识别泄漏错误具有挑战性。为了能够稳健而高效地使用 LRC，我们提出了 ERASER，它推测可能已泄漏的量子比特子集，并且仅对这些量子比特使用 LRC。我们的研究表明，大多数泄漏错误通常会影响奇偶校验。我们利用这一见解，通过分析失败的奇偶校验中的模式来识别泄漏的量子比特。我们提出了 ERASER+M，它通过使用可以将量子比特分类为 | 0 ⟩ 、 | 1 ⟩ 和 | 𝐿 ⟩ 状态的量子比特测量协议更准确地检测泄漏来增强 ERASER。与始终使用 LRC 相比，ERASER 和 ERASER+M 分别将逻辑错误率提高了多达 4.3 × 和 23 ×。
研究文章 人工智能或能洞察决定个人 TSH 水平的因素
已经通过不同的方法，使用不同的协变量研究了决定血清促甲状腺激素 (TSH) 水平的因素。然而，到目前为止，还没有在 NHANES（国家健康和营养检查调查）等人口数据库中研究使用机器学习方法来预测 TSH。在本研究中，我们对不同的机器学习方法（如线性回归、随机森林、支持向量机、多层感知器和堆叠回归）进行了比较分析，以预测 TSH 并将个体分为正常、低和高 TSH 水平。我们将游离 T4、抗 TPO 抗体、T3、身体质量指数 (BMI)、年龄和种族作为预测变量。总共有 9818 名受试者参与了这项比较分析。我们使用判定系数 (r 2 ) 值来比较 TSH 预测结果，并表明随机森林、梯度提升和堆叠回归在预测 TSH 方面表现同样出色，并实现最高 r 2 值 = 0.13，平均绝对误差为 0.78。此外，我们发现抗 TPO 是预测 TSH 的最重要特征，其次是回归分析中的年龄、BMI、T3 和游离 T4。在将 TSH 分为正常、高或低水平时，我们的比较分析还表明，在对 TSH 水平正常、高和低的个体进行的分类研究中，随机森林表现最佳。我们发现以下曲线下面积 (AUC)；对于低 TSH，AUC = 0.61，正常 TSH，AUC = 0.61 和升高的 TSH AUC = 0.69。此外，我们发现抗 TPO 是分类 TSH 的最重要特征。在这项研究中，我们认为人工智能和机器学习方法可能有助于深入了解复杂的下丘脑-垂体-甲状腺轴，并且可能成为指导我们为个体患者做出适当治疗决策（甲状腺激素剂量）的宝贵工具。
太阳能国内能源部门的增长
吉隆坡：马来西亚的能源公司今年的能量销量显着增长，这是由激励措施推动了播放者进行新的绿色能量剂量（尤其是太阳能系统）的动力。借助Solar的Rakyat激励计划，太阳能行业脱颖而出，该计划为新的Net Energy Metering（NEM）应用提供了高达4.000令吉的回扣。这导致超过667个Nem Rakyat Consumers安装太阳能光伏（PV）系统，截至2024年7月，每日应用从100增加到150个。这是公开率的积极回应，与国家能源过渡路线图（NETR）保持一致。马来西亚正计划探索诸如氢和核等续签能源（RE）来源，以便到2050年才能实现净零碳排放。例如，小型模块化反应堆通过提供更安全，具有成本效益的解决方案的放射性废物和稳定的长期成本，使核能更可行。政府还旨在每年生产200万吨氢，到2050年增加到1600万吨。这将支持发电和运输等部门的脱碳，从而减少对化石燃料的依赖。由于政府计划采用新技术并增强现有激励措施，例如NEM，因此能源部门有望在明年增长更加活跃。在太阳能行业中，预算2025年的NETR分配将从今年的Rmloomil提高到3亿令吉。其他激励措施将鼓励更多的场所采用PV装置，并在分配的电子材料中高达7000万令吉，以促进购买能源的电气设备。- Bernama兴奋可能源于政府更开放的是将新技术用于电力生成以在2050年到达零净目标。这些技术包括电池能量存储，泵送水力储存，碳捕获和核技术，以及小型和大型反应堆。在其方面，能量过渡和供水部将强化实施重新制定。是饲料中的关税，NEM，自我消费，公司绿色电力计划和清洁可再生能源供应，以达到重新安装的能力目标70％的目标。正如马来西亚在2025年担任东盟主席的那样，该国将于明年确定东盟电力网（APG）战略计划。APG不仅在于将能源系统连接到整个土地和水下，还涉及将该地区定位为能够吸引国际投资的绿色能源枢纽。令人鼓舞的是，迄今为止，所有成员国基本上都达成了关于APG的协议。为此，政府将研究Tenaga Nasional Bhd（TNB）如何在实现APG倡议中发挥作用，以使该国和该地区成为未来的主要能源枢纽。政府意识到所需的主要投资，并考虑了TNB与其他实体合作以确保APG成功的方法。TNB的任务是从煤炭过渡到RE，已进行了广泛的研究，以确保过渡平稳有效。