XiaoMi-AI文件搜索系统
World File Search SystemSVM
比较用于脑网络分析的浅层和深层图模型
摘要 — 众所周知，图神经网络 (GNN) 可以有效地对各种领域的网络数据进行建模。然而，在脑网络分析中，GNN 是否能胜过传统的浅层图分类模型（例如图核）仍不清楚。为此，我们分析了建模脑网络的不同方法，包括基于图核的 SVM、基本 GNN 和核化 GNN。这些模型旨在帮助分析疾病和精神障碍，如躁郁症、人类免疫缺陷病毒 (HIV)、创伤后应激障碍 (PTSD) 和抑郁症。具体来说，我们使用三种方法进行实验：核化支持向量机 (SVM)、消息传递图神经网络 (MPGNN) 和核图神经网络 (KerGNN)。我们得出结论：1) 深度模型 (GNN) 通常优于浅层模型 (SVM)；2) 考虑特定图形主题的模型似乎并没有显着提高性能。我们还确定了其他图形核和 GNN 框架，这些框架有望推动大脑网络分析的进一步研究。索引词 — 大脑网络、GNN、图形学习、图形核、神经影像数据、SVM
遥感中的支持向量机：综述
人们不断提出和评估各种用于分析机载和卫星图像的方法。在本文中，我们回顾了支持向量机 (SVM) 的遥感实现，这是一种很有前途的机器学习方法。由于近年来发表的著作数量呈指数级增长，因此这次回顾非常及时。SVM 在遥感领域特别有吸引力，因为它们即使在有限的训练样本下也能很好地概括，这是遥感应用的常见限制。但是，它们也存在参数分配问题，这会严重影响获得的结果。提供了一百多篇已发表著作（截至 2010 年 4 月）各种应用的实证结果摘要。我们希望这次调查将为 SVM 的未来应用和可能的算法增强领域提供指导。© 2010 国际摄影测量与遥感学会 (ISPRS)。由 Elsevier B.V. 出版。保留所有权利。
使用太阳能-IJRPR
最近开发了用于糖尿病和帕金森氏病预测的载体机器，考虑到医疗行业对更复杂的诊断的紧迫需求，这是非常合适的。SVM是使用多种数据类型的疾病预测的一种极其适应性的技术，因为它们可以轻松地处理线性和非线性连接。在这项工作中，研究人员开发了一种系统，该系统利用临床，生物标志物和人口统计数据来同时使用支持向量机（SVM）来预测两种疾病。此策略的好处包括早期干预措施，个性化的治疗计划以及针对目标人群的适当资源分配。数据驱动的选择：医疗保健从业人员从拥有更多数据和知识中受益，以支持其判断，这要归功于SVM等复杂的算法。
EMG信号分类和使用机器学习和
在本文中，使用支持向量机（SVM）设计了一个分类器来对肌电图（EMG）信号进行分类。鉴于EMG信号，基于SVM的分类器旨在将十个单独的手指运动命令分类为预定义的运动之一。在分类之前，将EMG数据用DWT（例如平均绝对值（MAV），均方根（RMS）和SD提取，并将每个窗口提取并组合到功能集。提取的特征用作分类系统的输入。线性SVM（单位方法）用于EMG信号的多类分类。DWT大小。还报告了确保手指运动之间最大歧视的最佳功能集。验证表明，支持向量机可以正确分类EMG信号，更高的分类精度为91.7％，适用于为建议的方法设计。
基于脑解剖磁共振成像的阿尔茨海默病诊断分类集成模型
摘要：阿尔茨海默病是全球范围内发病率增长最快的疾病之一，会导致脑萎缩。神经影像学揭示了有关大脑解剖结构的大量信息，并能够识别诊断特征。神经影像学中的人工智能 (AI) 有可能显著增强阿尔茨海默病 (AD) 的治疗过程。本研究的目的有两个：(1) 比较现有的机器学习 (ML) 算法对 AD 的分类。(2) 提出一个有效的基于集成的模型并对其进行比较分析。在本研究中，利用在线存储库阿尔茨海默病神经影像学计划 (ADNI) 的数据进行实验，其中包括 2125 张阿尔茨海默病 (n = 975)、轻度认知障碍 (n = 538) 和认知正常 (n = 612) 的神经影像。对于分类，该框架结合了决策树 (DT)、随机森林 (RF)、朴素贝叶斯 (NB) 和 K 最近邻 (K-NN)，以及支持向量机 (SVM) 的一些变体，例如 SVM（RBF 核）、SVM（多项式核）和 SVM（Sigmoid 核），以及梯度提升 (GB)、极端梯度提升 (XGB) 和多层感知器神经网络 (MLP-NN)。之后，提出了一种基于集成的通用内核，其中结合了主从架构以获得更好的性能。所提出的模型是极端梯度提升、决策树和 SVM_Polynomial 核（XGB + DT + SVM）的集成。最后，使用统计技术以及其他 ML 模型进行交叉验证来评估所提出的方法。所提出的集成模型 (XGB + DT + SVM) 的表现优于现有的最先进算法，准确率为 89.77%。所有模型的效率都使用基于网格的调整进行了优化，经过此过程获得的结果显示出显着的改善。具有优化参数的 XGB + DT + SVM 的表现优于所有其他模型，效率为 95.75%。所提出的基于集成的学习方法的含义清楚地表明了与其他 ML 模型相比的最佳结果。这种实验比较分析提高了对上述方法的理解，并增强了它们在阿尔茨海默病早期检测中的范围和意义。
使用猪实验模型中的定量脑电图预测创伤性脑损伤的颅内压升高
摘要：在创伤性脑损伤 (TBI) 中，连续无创地测量颅内压 (ICP) 对于识别升高的 ICP (IICP) 非常重要，这可以减少治疗延误。本研究的目的是开发一种基于脑电图 (EEG) 的猪 TBI 模型中的 IICP 预测模型。30 头猪被麻醉，并通过在颅内充气 Foley 导管进行 IICP。每 6 分钟以 10 mmHg 的增量收集一次 ICP 的单通道 EEG 数据，从基线到 50 mmHg。我们开发了基于 EEG 的模型来预测 IICP（等于或超过 25 mmHg），使用四种算法：逻辑回归 (LR)、朴素贝叶斯 (NB)、支持向量机 (SVM) 和随机森林 (RF)。我们根据准确性、灵敏度、特异性和 AUC 值评估了每个模型的性能。各预测模型对IICP的准确率分别为SVM 0.773、NB 0.749、RF 0.746和LR 0.706。各模型的AUC分别为SVM 0.860、NB 0.824、RF 0.802和LR 0.748。我们在猪TBI实验模型中使用单通道EEG信号建立了IICP的机器学习预测模型。SVM模型表现出良好的预测能力，AUC值最高。
机器学习和对慢性疾病理解的可解释性
讨论•图2和3显示了SVM，KNN和LR模型的比较，表明SVM和KNN在准确性，精度，召回和F1得分等关键指标中的表现始终优于LR。•SVM总体上表现出最强大的性能，而KNN的精确性和召回率具有竞争力。lr虽然效率较低，但在更简单的情况下表现出了可接受的结果。•葡萄糖是最具影响力的特征，较高的值强烈促进阳性糖尿病预测。年龄和BMI也是重要的预测因子，其中较高的值通常表明风险增加。该图在视觉上区分高（粉红色）和低（蓝色）特征值及其相应的形状值，显示了单个特征如何影响模型的预测。•LinearSVC的表现最高，精度最高（0.76）和F1-SCORE（0.63）。
使用深度学习架构进行性别和年龄脑磁共振成像分类
摘要：在磁共振成像 (MRI) 上使用有效的分类技术有助于正确诊断脑肿瘤。先前的研究主要集中在使用支持向量机 (SVM) 和 AlexNet 等方法对正常 (非肿瘤) 或异常 (肿瘤) 脑 MRI 进行分类。在本文中，深度学习架构用于将脑 MRI 图像分类为正常或异常。性别和年龄被添加为更高级的属性，以实现更准确和更有意义的分类。还提出了一种基于深度学习卷积神经网络 (CNN) 的技术和深度神经网络 (DNN) 进行有效分类。还实施了其他深度学习架构，例如 LeNet、AlexNet、ResNet 和传统方法（例如 SVM）来分析和比较结果。年龄和性别偏见被发现更有用并且在分类中起着关键作用，它们可以被视为脑肿瘤分析中的重要因素。值得注意的是，在大多数情况下，所提出的技术都优于现有的 SVM 和 AlexNet。与 SVM（82%）和 AlexNet（64%）相比，总体准确率分别为 88%（LeNet 启发模型）和 80%（CNN-DNN），最佳准确率分别为 100%、92%、92% 和 81%。
神经模糊算法在人体中的性能分析...
摘要。脑机接口是一种非侵入式设备，可获取大脑产生的信号，然后对其进行操纵以适应各种应用。BCI 的一个流行应用是与机器人接口；并且，每个 BCI - 机器人系统都采用不同的机器学习算法。本研究旨在对神经模糊算法（特别是自适应网络模糊推理系统 (ANFIS)）进行性能分析，以对 Emotiv INSIGHT 检索到的 EEG 信号进行分类。还开发了一种 SVM 算法作为 ANFIS 性能的参考。研究人员可以使用一种生成和获取 EEG 信号的方法作为参考。面部和眼部手势被用作 EEG 信号生成的手段，并被输入到两种算法中进行模拟实验。结果表明，ANFIS 往往比 SVM 算法更可靠，并且略胜一筹。与 SVM 相比，ANFIS 占用了大量的计算资源，需要更高的规格和训练时间。
使用基于 glcm 的特征自动检测脑肿瘤...
在医学成像应用中，对脑肿瘤的准确检测和分类仍然至关重要。利用现代机器学习技术对于实现精确和自动化诊断至关重要。本研究介绍了一种使用开源 Kaggle 数据集磁共振成像 (MRI) 扫描进行脑肿瘤检测和分类的自动化系统。该系统采用 Otsu 阈值进行图像分割，基于 GLCM 的特征提取进行有效的特征工程，并采用 PCA（主成分分析）进行降维。值得注意的是，GLCM 提取的显着特征使用一种称为自适应 SVM（支持向量机）的自适应机器学习算法进行分类，从而增强了分类过程。以性能评估为重点，提出的算法结合了自适应 SVM 作为分类器，并与现有方法进行了严格评估。值得注意的是，实验结果表现出卓越的准确性，所提出的方法在检测和分类脑肿瘤方面均实现了令人印象深刻的 98.3% 的准确率。这种优于以前方法的优势凸显了组合 GLCM、PCA 和 SVM 方法在脑肿瘤分类和检测中的有效性，为诊断带来了有希望的进步。这些发现对医学成像中蓬勃发展的机器学习领域做出了重大贡献，强调了自适应 SVM 作为提高诊断精度的宝贵工具的潜力。值得注意的是，所达到的准确率达到 98.3%，超过了现有研究的准确率，进一步巩固了所提出的系统在临床实践中的有效性。