XiaoMi-AI文件搜索系统
World File Search SystemSVM
使用可穿戴脑感应头带的EEG信号引起的驱动器嗜睡的研究文章检测
摘要：驾驶员嗜睡检测在道路安全和高级驾驶辅助系统领域起着重要作用。脑电图（EEG）信号是疲劳和嗜睡最准确，最可靠的指标之一，但在检测嗜睡的情况下，其医学分级测量系统可能对驾驶员来说是侵入性的。这项研究的目的是测试消费者分级的脑电图传感器的可行性和可用性，以在驾驶员嗜睡检测系统中使用。实验是通过使用Muse的大脑感应头带进行的。快速傅立叶变换（FFT）方法用于从EEG信号中提取特征。然后，提取的特征数据随后用于构建两个分类模型，即支持向量机（SVM）和人工神经网络（ANN）。嗜睡的检测是二进制分类任务，它是在昏昏欲睡的时期和警报时期进行分类。在仅检测到昏昏欲睡的时期的情况下，SVM模型检测到82.7％的昏昏欲睡时期，这比ANN模型更好，而ANN模型只能检测到81.25％的昏昏欲睡时期。但是，在昏昏欲睡和警报时期的检测中，ANN模型的性能要比SVM更好。使用不同的内核函数测试了SVM模型，而精细的高斯SVM模型的精度最高为87.8％。ANN模型的执行略高于SVM模型，精度为87.9％。在这项研究中验证了消费者分级的EEG传感器在嗜睡检测系统中使用的能力。关键字：驱动程序嗜睡检测，脑电图（EEG），脑部计算机接口（BCI），支持向量机（SVM），人工神经网络（ANN）
使用 Face ID 进行年龄和性别检测
摘要 — 由于面部图像在各种面部分析中的广泛适用性，人们对从面部图像自动预测年龄和性别的兴趣日益浓厚，引起了广泛的研究关注。本文探讨了使用支持向量机 (SVM) 算法及其相关方法，从摄像机、图像或视频捕捉到的单个画面中进行性别分类和年龄检测。它旨在阐明这些技术的整合及其在改善日常生活中的重要性。主要目标是使用 SVM 模型开发一个性别和年龄检测系统，该系统能够为图像中描绘的个人提供近似预测。在本文中，我们拍摄了真实世界的图像并将其应用于 SVM 算法。此外，本文还探讨了这种技术的潜在应用，涵盖情报机构、CCTV 等监控系统、警务和婚介平台。索引词 — SVM、深度学习、年龄分类、性别分类
脑电图信号评估和分类的混合技术是神经和脑部疾病诊断的一步
脑电图 (EEG) 信号通常用于识别和诊断脑部疾病。每个 EEG 正常波形由以下波形组成：伽马 (γ) 波、贝塔 (β) 波、阿尔法 (α)、西塔 (θ) 和德尔塔 (δ)。神经系统疾病一词“NurDis”用于描述影响神经的各种疾病，癫痫、神经感染（细菌和病毒）、脑肿瘤、脑血管疾病、阿尔茨海默病和各种痴呆症都是神经系统疾病的例子。脑炎是影响大脑的疾病之一。本文使用的 EEG 信号来自 CHB-MIT 头皮 EEG 数据库。离散小波变换 (DWT) 用于从滤波后的 EEG 数据中提取特征。最后，使用 K 近邻 (KNN) 和支持向量机 (SVM) 等分类器根据所有计算出的特征将 EEG 信号分为正常和病理信号类。为了将信号归类为正常和异常组，使用了 KNN 和 SVM 分类器。对于这两个分类器，都确定了性能评估（准确度、灵敏度和特异性）。KNN 分类器准确率为 71.88%，而 SVM 分类器准确率为 81.23%。KNN 和 SVM 的灵敏度分别为 80.14% 和 77.31%。KNN 分类特异性为 69.62%，SVM 分类特异性为 98%。使用混淆矩阵评估两个分类器的性能。关键词：离散小波变换（DWT）、支持向量机（SVM）、脑电图（EEG）信号、K-最近邻（KNN）
智能分析脑电信号以评估消费者决策：神经营销研究
摘要 — 神经营销是一个新兴领域，它将神经科学与营销相结合，以更好地了解影响消费者决策的因素。该研究提出了一种通过分析脑电图 (EEG) 信号来了解消费者对广告 (ads) 和产品的积极和消极反应的方法。这些信号是使用低成本单电极耳机从 18-22 岁志愿者那里记录下来的。采用朴素贝叶斯 (NB)、支持向量机 (SVM)、k 最近邻和决策树等机器学习方法以及提出的深度学习 (DL) 模型进行了详细的受试者相关 (SD) 和受试者独立 (SI) 分析。SVM 和 NB 对 SD 分析的准确度 (Acc.) 为 0.63。在 SI 分析中，SVM 在广告、产品和基于性别的分析中表现更好。此外，DL 模型的性能与 SVM 相当，尤其是在基于产品和广告的分析中。索引词 —BCI、EEG、神经营销、机器学习、深度学习
利用机器学习实现医疗设备的网络安全
摘要 - 本研究旨在通过识别漏洞和推荐有效策略来增强起搏器设备的网络安全框架。目标是查明网络安全弱点，利用机器学习预测安全漏洞，并根据分析趋势提出对策。文献综述强调了起搏器技术从基本的固定速率设备向具有无线功能的复杂系统的转变，这在改善患者护理的同时，也带来了重大的网络安全风险。这些风险包括未经授权的进入、数据泄露和危及生命的设备故障。本研究的方法采用定量研究方法，使用 WUSTL-EHMS-2020 数据集，其中包括网络流量特征、患者的生物特征和攻击标签。机器学习预测的分步方法包括数据收集、数据预处理、特征工程和使用支持向量机 (SVM) 和梯度提升机 (GBM) 进行模型训练。实施结果使用准确度、精确度、召回率和 F1 分数等评估指标来表明 GBM 模型优于 SVM 模型。 GBM 模型的准确率高达 95.1%，而 SVM 的准确率仅为 92.5%，精确率高达 99.6%，而 SVM 的准确率仅为 96.7%，召回率高达 94.9%，而 SVM 的召回率仅为 42.7%，F1 得分高达 76.3%，而 SVM 的 F1 得分仅为 59.0%，这使得 GBM 模型在预测网络安全威胁方面更为有效。这项研究的结论是，GBM 是一种有效的机器学习模型，可通过分析网络流量和生物特征数据模式来增强起搏器网络安全。未来改善起搏器网络安全的建议包括实施 GBM 模型进行威胁预测、与现有安全措施集成以及定期更新和再训练模型。
算法才华：在信用中揭示AI的力量...
支持向量机（SVM）：支持向量机是一种在信用评估中使用的强大机器学习技术，可将借款人分类为不同的风险类别。SVM算法通过找到将数据分为不同类别的最佳超平面来起作用，从而最大程度地扩大了类之间的边缘。通过识别最相关的功能并优化决策边界，SVM可以有效地区分低风险和高风险借款人，并促进更准确的贷款决策。
沙特阿拉伯的糖尿病患病率分类的机器学习方法
摘要：机器学习算法已被广泛用于公共卫生中，用于预测或诊断流行病学慢性疾病，例如糖尿病，由于其较高的全球患病率，该疾病被归类为流行病。机器学习技术对于包括糖尿病在内的各种疾病的描述，预测和评估过程很有用。这项研究研究了沙特阿拉伯，根据相关的行为危险因素（吸烟，肥胖和不活动）对不同分类方法分类糖尿病患病率和预测趋势的能力。使用不同的机器学习算法（包括线性判别（LD），支持向量机（SVM），K -NER -NER -NEAR -最邻居（KNN）和神经网络模式识别（NPR））开发了用于糖尿病患病率的分类模型。使用了SVM的四个内核函数和两种类型的KNN算法，即线性SVM，Gaussian SVM，二次SVM，Cubic SVM，Finfine KNN和加权KNN。根据预测速度和培训时间，使用MATLAB中的分类学习者应用程序比较开发的分类器的性能评估，并使用分类学习者应用程序比较开发的分类器。分类模型的预测性能分析的实验结果表明，与其他分类方法相比，与其他分类方法相比，加权KNN在糖尿病患病率的预测中表现良好，最高平均准确性为94.5％，训练时间较少，男性和女性数据集则表现出色。
心脏病风险预测：一种流动应用集成机器学习模型
简介：存在许多不同的方法来识别心脏病。本文讨论了使用机器学习算法来预测心脏病风险的心脏病预测应用。该应用程序旨在为用户提供预测，帮助他们评估心脏病风险并就其健康做出明智的决定。方法：心脏病预测应用利用KAG GLE的“心脏病UCI”数据集。数据经过预处理，转换并分成70％的培训和30％的测试集。使用三种机器学习算法（即支持向量机（SVM），天真的贝叶斯和K-Nearest邻居（K-NN）。结果：K-NN的准确率达到81.82％，幼稚的贝叶斯达到83.44％，而SVM的准确率达到了84.74％的最高准确率。结果表明SVM的表现优于其他算法。然后开发了一个AP贴合以实现SVM预测模型。该应用程序具有各种用户接口，包括用于用户注册和身份验证的注册和登录页面。用户可以输入其医疗信息，该应用程序使用训练有素的SVM模型来预测其心脏病的风险。结果以百分比的风险提交给用户，并伴随着适当的健康建议。结论：该应用程序可以帮助用户评估心脏病风险并提供建议，以最大程度地减少心脏病风险。马来西亚医学与健康科学杂志（2024）20（SUPP10）：10-17。 doi：10.47836/mjmhs.20.s10.2马来西亚医学与健康科学杂志（2024）20（SUPP10）：10-17。 doi：10.47836/mjmhs.20.s10.2
有效处理数据集中缺失值，用于使用机器学习方法进行分类
摘要：缺少值的存在减少了机器学习模型在训练阶段学习的知识量，从而对分类精度产生了负面影响。为了应对这一挑战，我们介绍了支持向量机（SVM）回归的使用来推出丢失值。此外，我们提出了一个两级分类过程，以减少错误的分类数量。我们对提出方法的评估是使用PIMA印度数据集进行糖尿病分类的。我们比较了五种不同的机器学习模型的性能：天真的贝叶斯（NB），支持向量机（SVM），K-Nearest邻居（KNN），随机森林（RF）和线性回归（LR）。我们的实验结果表明，SVM分类器的精度最高为94.89％。RF分类器的精度最高（98.80％），而SVM分类器的召回率最高（85.48％）。NB模型的F1得分最高（95.59％）。我们提出的方法通过解决数据集中缺失值的问题来在早期阶段检测糖尿病提供了有希望的解决方案。我们的结果表明，使用SVM回归和两级分类过程可以显着提高糖尿病分类的机器学习模型的性能。这项工作为糖尿病研究领域提供了宝贵的贡献，并突出了解决机器学习应用中缺失值的重要性。
Meza-González，Yilmar Alexader；纳塔利亚（Natalia）Arrieta；萨拉索（Stephany）； Florez-Garcia
机械挖掘中最重要的问题之一是预测TBM渗透率。了解渗透率的影响的因素很重要，这可以更准确地估算停止和发掘时间和运营成本。在这项研究中，输入和输出参数，包括单轴压缩强度（UCS），巴西拉伸强度（BTS），峰斜率指数（PSI），无力平面（DPW）之间的距离，α角度（DPW），α角度和渗透率（ROP）（ROP）（ROP）（ROP）（M/HR）在使用Queens Waternel tunnel tunder tunder tunder tunder tunnel tunnel tunnel tunnel tunnel。 （SVM）方法为R。= 0.9678，RMSE = 0.064778，根据结果，支持向量机（SVM）具有有效性，并且具有很高的精度。关键字：TBM，渗透率，支持向量机（SVM）。