XiaoMi-AI文件搜索系统
World File Search SystemSVM
使用EEG信号自动对睡眠呼吸暂停类型和严重性进行分类
摘要：睡眠呼吸暂停是一种潜在的致命疾病，会导致睡眠期间频繁的呼吸停顿。先前的研究表明，在睡眠期间对EEG信号的监测可以自动检测呼吸暂停事件。然而，需要对特定呼吸暂停类型进行更全面的分类及其严重性，以准确临床诊断和对关键呼吸暂停发作的实时检测。在这项研究中，我们采用了来自25名呼吸暂停患者的带注释的EEG信号，并使用EEG频域和非线性特征构建了两个不同的分类器，用于呼吸暂停严重程度和呼吸暂停类型的多类分类。在两个分类问题中，三个模型，即评估并比较了支持向量机（SVM），线性判别分析（LDA）和幼稚的贝叶斯（NB）。结果表明，SVM模型在两个分类问题中都表现出了最佳的精度，高于基线水平。呼吸暂停严重程度的二进制分类中的SVM性能是可以接受的（76％的平均准确性），但是在呼吸暂停类型的多类分类的情况下，SVM分类器并未达到所有呼吸暂停类型的可接受性能（48％的平均精度）。我们的发现表明，除了检测呼吸暂停发作外，EEG信号还可以用于呼吸暂停严重程度的分类，这可能导致开发准确的诊断系统以自动评估和睡眠障碍的管理。
利用深度学习进行 MRI 脑肿瘤分类
MRI（磁共振成像）是一种广泛使用的非侵入性肿瘤检测诊断工具。该项目比较了各种机器和深度学习模型在 MRI 扫描中对脑肿瘤（神经胶质瘤、脑膜瘤、垂体瘤和无肿瘤）进行分类时的表现，并与受过训练的放射科医生设定的标准进行了比较。部署的模型包括卷积神经网络 (CNN)、源向量机 (SVM)、随机森林分类器 (RFC)、几种迁移学习模型以及 MobleNetV2 到 SVM 的混合模型。每个模型都根据预处理和标准化数据的相同训练测试分割进行训练。采用适当的超参数调整和模型特定的优化来实现最高准确度并保持稳健性。生成了准确度指标和混淆矩阵来评估模型的有效性。此外，人工降级了一个单独的测试数据集来模拟低场 MRI 扫描，以评估模型的稳健性。在有和没有数据增强的情况下评估模型性能，数据增强包括对训练集进行随机降级、旋转、翻转和缩放。研究表明，放射科医生的总体诊断准确率为 87%：RFC 准确率为 94%，SVM 准确率为 95%，VGG16（最准确的迁移学习模型）准确率为 97.9%，混合 MobileNetV2/SVM 准确率为 98.2%，CNN 准确率为 97.6%。所有模型的放射科医生平均准确率更高，其中混合模型表现最佳。在降级数据集上测试以模拟低场 MRI 时，增强大大改善了 SVM 和 RFC 模型的结果；但是，在降级图像上测试时，CNN 模型的准确性受到的影响很小，增强无效。
使用频率调制连续波传感对风力涡轮机复合材料进行表征
摘要：风力涡轮机叶片 (WTB) 是由复合多层材料结构组成的关键子系统。WTB 检查是一个复杂且劳动密集型的过程，其失败会给资产所有者带来巨大的能源和经济损失。在本文中，我们提出了一种用于叶片复合材料的新型无损评估方法，该方法采用调频连续波 (FMCW) 雷达、机器人和机器学习 (ML) 分析。我们表明，使用 FMCW 光栅扫描数据，我们的 ML 算法（SVM、BP、决策树和朴素贝叶斯）可以区分不同类型的复合材料，准确率超过 97.5%。SVM 算法的性能最佳，准确率为 94.3%。此外，所提出的方法还可以获得检测表面缺陷的可靠结果：层间孔隙率，总体准确率为 80%。特别是，SVM 分类器的最高准确率达到 92.5% 至 98.9%。我们还展示了检测复合材料 WT 结构中 1 毫米差异的气孔的能力，使用 SVM 的准确率为 94.1%，使用 Naïve Bayes 的准确率为 84.5%。最后，我们创建了物理复合材料样品的数字孪生，以支持 FMCW 数据相对于复合材料样品特性的集成和定性分析。所提出的方法探索了一种用于复合材料非接触表面和地下的新型传感方式，并为开发替代的、更具成本效益的检测方法提供了见解
使用混合机器学习检测青光眼...
摘要 如果青光眼这种眼部疾病未被发现且未得到适当治疗，则会导致不可逆的失明。最大的挑战是青光眼在早期往往没有任何症状，因此很难使用眼压测量和眼科检查等传统测试方法进行检测。由于训练数据集不足，几种青光眼检测技术遇到了困难，导致过度拟合和欠拟合问题。提出了一种基于 CNN-SVM 的混合机器学习方法来检测青光眼。首先使用标准标量对从青光眼数据集中获取的图像进行预处理，然后将预处理后的图像输入 CNN 以转换为高级特征，随后将提取的特征传递到 SVM 分类器以区分正常情况和青光眼情况。实验结果表明，所提出的 CNN-SVM 的准确率、精确率、召回率和 F1 分数均为 100%，证明了其优于其他现有技术，例如 SVM 的准确率、精确率、召回率和 F1 分数分别为 93%、92%、90% 和 94%，CNN 的准确率、精确率、召回率和 F1 分数分别为 95%、99%、88% 和 90%。CNN 和 SVM 的结合为自动青光眼检测提供了一个有前途的框架，为现实世界的临床应用提供了巨大潜力。 关键词：混合机器学习技术、青光眼检测、CNN、SVM、CNN-SVM 简介 人体共有五种感官：触觉、视觉、听觉、嗅觉和味觉；然而，视觉是最常用的感官之一。处理视觉信息需要大量的脑力（广州等人，2019 年）。青光眼、糖尿病视网膜病变、白内障、弱视、屈光不正和老年性黄斑变性是一些可能导致
深度学习自闭症分类和预测
研究表明，基于静息状态功能磁共振成像（fMRI）数据，随机SVM群集方法具有协助ASD辅助诊断的潜力。12研究人员使用自闭症脑成像数据交换（ABIDE）数据集中的脑成像数据来识别ASD。此处使用了带有反向传播算法的多层感知器。13论文讨论了移动自闭症风险评估工具。为移动设备设计，该计划可早日确定有自闭症谱系状况的风险。他们使用二进制萤火虫算法，其精度为91-92％。14研究人员使用众包获取信息。他们收集了许多自闭症和多动症患者以及正常成长的人的临床测试和行为观察。他们使用的精度为60至90％的SVM算法。15这些研究使用了精度为89％的SVM随机算法。16-18研究提供了一种机器学习方法来预测任何年龄段的自闭症症状。研究
内核和量子机器学习
摘要：支持向量机 (SVM) 和核方法 (KM) 被广泛用于数据学习中的分类和回归。核是将数据映射到更高（可能是无限）维度的正定函数。通常，SVM 1 将核方法实现为子程序，将非线性数据映射到更高维度，使其变为线性可分。SVM 在此特征空间中的数据点类别之间绘制线性决策边界。本文从经典机器学习的角度回顾了核和核方法及其在量子机器学习中的可能实现。我们从核的基础开始，包括希尔伯特空间和再生核希尔伯特空间、Mercer 条件，并证明了三个广泛使用的核满足 Mercer 条件的有效性。我们回顾了两种不同的量子机器学习方法，即参数化量子电路和基于核的训练，并讨论了其中一种相对于另一种的潜在优势。本文可以帮助读者开始了解核理论和量子机器学习。
社交网络分析和扩展现实的情感分类
摘要 - 这项研究探讨了扩展现实（XR）产品，特别关注Apple Vision Pro，以阐明消费者的看法和这些创新技术的基本社会动态。这项研究深入研究了扩展现实（XR）产品，专门针对Apple Vision Pro，旨在了解消费者的看法和围绕这些创新技术的社会动态。通过利用情绪分析和社交网络分析（SNA）以及Crisp-DM和SVM算法，本研究为XR社区内的情感模式，网络结构和影响力因素提供了全面的见解。采用多方面的方法来实现研究目标。情感分析和SNA剖析情感模式和XR社区内的网络结构。CRISP-DM框架指导研究过程，确保系统的数据分析和解释。SVM算法对观点进行了分类，提供了一个强大的分析框架，以了解消费者对XR产品的情感。分析对XR消费者的看法和社会动态产生了重大见解。计算出的网络指标，包括密度为0.000124，不存在互惠，集中度为0.001331和模块化值为0.999000，XR社区中关键网络动态的启示。检查经常使用的单词在XR话语中揭示了普遍的主题，为理解消费者的情感提供了宝贵的背景。相比，具有SMOTE的SVM的精度为81.82％，精度为97.58％。此外，对SVM算法的评估表明了值得称赞的性能指标，而SVM没有SMOTE的准确率为84.33％，精度为84.67％，召回99.28％，F_Measure的召回率为91.39％。这项研究为XR产品的消费景观提供了宝贵的见解，主要关注Apple Vision Pro。通过结合情感分析，SNA和既定方法，该研究对XR社区内的消费者看法和社会动态提供了细微的理解。这些发现为战略决策提供了依据，并为XR技术的进步做出了贡献，为情感分析技术在理解消费者情感方面的功效提供了宝贵的见解。
使用机器学习算法进行恶意软件分析和检测
摘要：恶意软件是当今互联网用户面临的最重要问题之一。多态恶意软件是一种新型恶意软件，比前几代病毒更具适应性。多态恶意软件不断修改其签名特征，以避免被传统的基于签名的恶意软件检测模型识别。为了识别恶意威胁或恶意软件，我们使用了许多机器学习技术。高检测率表明选择了准确率最高的算法用于系统。作为一种优势，混淆矩阵测量了误报和漏报的数量，这提供了有关系统运行情况的附加信息。特别是，事实证明，使用恶意软件分析和检测的结果以及机器学习算法来计算相关对称性（Naive Byes、SVM、J48、RF 和所提出的方法）积分的差异，可以检测计算机系统上的有害流量，从而提高计算机网络的安全性。结果表明，与其他分类器相比，DT（99%）、CNN（98.76%）和 SVM（96.41%）在检测准确率方面表现良好。比较了给定数据集中 DT、CNN 和 SVM 算法在小 FPR（DT = 2.01%、CNN = 3.97% 和 SVM = 4.63%）上检测恶意软件的性能。这些结果意义重大，因为恶意软件变得越来越普遍和复杂。
使用流量的心血管疾病分类...
摘要 - 近年来，心血管疾病引起了研究人员的重大关注，因为它是全球死亡的主要原因。本文介绍了一种分类方法，该方法采用了优化算法来提高预测各种性别和年龄段的心血管疾病发展的准确性。患者数据集通常包含大量无关，多余或嘈杂的特征，这可能会阻碍预测的准确性。为了解决这个问题，我们提出了流动方向算法（FDA），该算法选择了疾病的最相关特征以提高分类精度率。在预测阶段，我们将支持向量机（SVM）与流方向优化算法（FDA）相结合，以识别最相关的功能。为了增强分类结果，本研究研究了FDA，OFDA，遗传算法（GA）和粒子群优化（PSO）算法与K-Nearest邻居（KNN）和SVM分类算法的组合。使用准确性，召回，精度和选定特征比例作为度量来评估所提出的算法的性能。使用三个数据集比较了基于SVM和KNN的算法：心力衰竭临床数据集（HFCD），心脏数据集（HD）和心脏病预测数据集（HDPD）从UCI存储库中获得。实验结果表明，与FDA或OFDA优化算法结合使用时，SVM和KNN算法表现更好。
使用 EfficientNet 模型进行脑肿瘤分类
[2] 中，SVM 分类器和模糊 C 均值的组合已被用于检测脑肿瘤。为了获得大脑属性，该方法采用了灰度运行长度矩阵 (GLRLM)。SVM 分类器用于确定脑部扫描是否包含肿瘤。SVM 分类器利用 120 次脑部 MRI 扫描中的 96 次进行训练，然后使用剩余的 24 张图像进行测试。该方法在分类任务中获得了最高 91.66% 的准确率。[3] 中利用朴素贝叶斯分类器识别了脑肿瘤。对 50 次脑部扫描的评估发现总体准确率为 94%，肿瘤识别率为 81.25%，非肿瘤检测率为 100%。在这里，从分割的灰度脑部图片中得出了八个形态特征和三个强度特征来对肿瘤进行分类。朴素分类器是一种基于贝叶斯概率理论的监督机器学习算法。