XiaoMi-AI文件搜索系统
World File Search SystemSVM
通过数据平衡技术控制家庭电器控制的基于p300的大脑 - 计算机界面
摘要：基于P300的大脑 - 计算机界面（BCIS）中使用的奇数范式本质上构成了目标刺激和非目标刺激之间的数据不平衡问题。数据不平衡会导致过度解决问题，从而导致分类性能差。本研究的目的是通过通过抽样技术解决此数据不平衡问题来提高BCI性能。将采样技术应用于控制门锁的15个受试者的BCI数据，15个受试者是电灯，14名受试者是蓝牙扬声器。我们探索了两类采样技术：过采样和不足采样。过采样技术，包括随机过度采样，合成少数族裔过采样技术（SMOTE），边界效果，支持矢量机（SVM）SMOTE和自适应合成抽样，用于增加目标刺激类别的样品数量。不足的采样技术，包括随机不足采样，邻里清洁规则，Tomek的链接和加权式采样袋，用于降低非目标刺激的班级大小。通过SVM分类器对过度或不足的数据进行了分类。总体而言，某些过采样技术改善了BCI性能，而不足采样技术通常会降低性能。尤其是，使用边界效果产生了所有三种电器的最高精度（87.27％）和信息传输率（8.82 bpm）。此外，边缘效果会提高性能，尤其是对于表现不佳的人。进一步的分析表明，边界效果通过在目标类别中产生更多的支持向量并扩大边缘来改善SVM。然而，边界效果与应用SVM加权正规化参数的方法之间的准确性没有差异。我们的结果表明，尽管过采样提高了基于P300的BCI的性能，但它不仅是过采样技术的效果，而且是解决数据不平衡问题的效果。
量子机器学习——概述
摘要：量子计算因其量子并行性而被证明在分解问题和无序搜索问题上表现出色。这一独特特性使解决某些问题的速度呈指数级增长。然而，这一优势并不普遍适用，当结合经典计算和量子计算来加速计算速度时，就会出现挑战。本文旨在通过探索量子机器学习的现状并对量子和经典算法的准确性进行基准测试来应对这些挑战。具体来说，我们对三个数据集进行了二元分类实验，实施了支持向量机 (SVM) 和量子 SVM (QSVM) 算法。我们的研究结果表明，QSVM 算法在复杂数据集上的表现优于经典 SVM，量子和经典模型之间的性能差距随着数据集的复杂度而增加，因为简单模型往往会与复杂数据集过度拟合。虽然在开发具有足够资源的量子硬件方面还有很长的路要走，但量子机器学习在无监督学习和生成模型等领域具有巨大的潜力。展望未来，需要付出更多努力来探索新的量子学习模型，利用量子力学的力量来克服传统机器学习的局限性。
利用多物种基因组快速鉴定细菌杆状形态的关键基因
图1 五种机器学习算法在训练集上的预测结果注：SVM：支持向量机算法，CTree：条件推理树算法，Decision_tree：决策树算法，Naive_Bayes：朴素贝叶斯算法，Random_Forest：
通过提取特征和
脑肿瘤是一种日益严重的全球流行病，每年夺走数百万人的生命。误诊会导致不必要的治疗并缩短预期寿命。医生已经使用基于计算机的诊断技术（例如 DenseNet201 和 Gabor 滤波器）做出准确诊断。在这项工作中，SVM 用于对独立特征进行分类，并使用 DenseNet201 算法和 Gabor 滤波器从 MRI 图像数据集中收集基本特征。在从目标区域提取独特特征方面，深度卷积层优于标准技术。使用来自 Kaggle 网站的 7023 张脑肿瘤图片的 MRI 数据集，使用 SVM 对特征进行分类。DenseNet201 和 Gabor 滤波器的混合方法产生了最佳的整体结果，精度为 98.02%，准确率为 98.01%，F1 得分为 98.01%。
一种增强型运动皮层脑电图预测系统
摘要。随着许多新技术的出现，人们开始探索开发新的设备，这些设备可以根据脑电信号预测人类思维中发生的事情，例如本文使用的方法包含对多个运动皮层想象任务获取的脑电信号进行新分类的方法，该方法基于使用 Extra Tree 算法来很好地选择用于获取脑电信号的最佳通道，然后使用支持向量机 (SVM) 算法进行数据分类，此外，本研究使用灰狼优化器 (GWO) 算法快速改进所有 SVM 参数，并将系统的精度收敛到最高可能值。结果，本研究显示基于运动皮层想象的脑电信号预测准确率可提高 99% 以上。此外，本文还与文献中的其他方法进行了比较。
机器学习在局部放电中的应用......
局部放电测量是最重要的诊断方法之一，在交流电压下得到了深入研究。此外，机器学习已经建立，并已成功用于自动识别局部放电缺陷多年。对于交流电压，有几种诊断方法和解释工具。在直流电压领域情况并非如此，因此需要重要的工具来解释结果。本文研究了 HVDC GIS/GIL 的典型局部放电缺陷，但这些方法也可以用于其他高压设备。机器学习技术是用 MATLAB 和 WEKA 实现的。从局部放电脉冲序列中得出的统计参数被用作特征。对特征进行了层次聚类，以分析局部放电缺陷之间的可分离性。使用三种流行算法（SVM、k-NN、ANN）进行分类。这些算法的参数各不相同，并相互比较。SVM 明显优于其他分类器。
基于多支持向量机的脑梗死分类
中风是继心脏病和癌症之后，全球第三大死亡原因。它也是导致轻度和重度残疾的疾病中的第一大疾病。最常见的中风类型是脑梗塞，在印度尼西亚，脑梗塞的发病率每年都在增加。这种疾病不仅发生在老年人身上，也发生在年轻和有生产力的人群中，因此早期发现非常重要。虽然有各种各样的医学方法用于对脑梗塞进行分类，但本研究使用了具有信息增益特征选择的多重支持向量机 (MSVM-IG)。MSVM-IG 是 IG 特征选择和 SVM 之间的一种修改，其中 SVM 在分类过程中进行了双重处理，利用支持向量作为新数据集。数据来自雅加达的 Cipto Mangunkusumo 医院。根据结果，所提出的方法能够达到 81% 的准确率，因此，可以考虑使用该方法来获得更好的分类结果。
从肉到骨头：法医学的多词方法
质量控制； QQQ，三倍四倍； q-tof，四杆飞行时间； RF，随机森林； RFLP，终末限制片段长度多态性； RMSE，根平方错误； RNA-seq，RNA测序； SBL，结扎测序； SBS，通过合成测序； SCD，心脏猝死； SGD，随机梯度下降； SIDS，婴儿死亡综合症； Silac，氨基酸在细胞培养中稳定的异位标记； Sirm，稳定的同位素分辨代谢组学； SMRT，单分子，实时； SNP，单核苷酸多态性； SQT，简短的QT综合征；德克萨斯州东南部的Stafs应用法医学； STLFR，单管长片段读取； str，短串联重复； SVM，支持向量机； SVM，支持向量机； tadr，胸主动脉
UTILIZANDO Modelos De Machine Learning Para ACaracterizaçãodaDadressãoem成人无巴西
几项研究利用机器学习（ML）在健康领域的应用，以预测抑郁症。[Zulfiqar等。2020]使用深度学习和转移学习使用社交媒体数据来预测抑郁症的严重程度，得出结论，这些方法的组合超出了传统方法。[Losada-Barrios等。2021]试图使用诸如随机森林和支持矢量机（SVM）等算法的大学生中的抑郁症，以更有效地强调随机森林。[Acharya等。2022]使用心电图数据（ECG）来预测SVM和随机森林，并得出结论，生理数据在识别抑郁症方面具有很大的潜力。已经[Li等人。2023]将ML应用于智能数据，以预测症状严重程度的变化，突出了被动数据收集在抑郁症监测中的价值。
基于脑电图的多任务相关心理负荷识别
Lipo Wang 新加坡南洋理工大学电气与电子工程学院 ELPWang@ntu.edu.sg 摘要 — 心理负荷可以通过脑电图 (EEG) 识别，并可用于评估用户执行不同任务时的心理努力。在这项工作中，我们设计并实施了一项与无任务、视觉任务、听觉任务和多任务表现相关的心理负荷识别实验。使用同步容量 SIMKAP 测试在 12 名受试者中诱发与多任务相关的不同程度的心理负荷。使用 Emotiv 设备收集 EEG 数据，使用功率、统计、分形维数 (FD) 特征与支持向量机 (SVM) 和 k-最近邻 (k-NN) 分类器进行处理和分析。当使用统计和 FD 特征组合时，使用 SVM 对 2 个类的最佳准确率为 90.39%，对 4 个类的最佳准确率为 80.09%。所提出的算法可以应用于心理负荷监测。