XiaoMi-AI文件搜索系统
World File Search SystemWKNN
EEG基于过度完整的理性扩张小波转换和自动回归的运动图像分类
基于运动图像（MI）的大脑计算机界面（BCI）应用旨在分析大脑如何与脑电图（EEG）信号与外部环境相互作用。尽管当前的模型取得了令人鼓舞的结果，但从EEG信号中开发了MI的准确分类仍然是一个重大挑战。在本文中，我们设计了一个名为（ORDWT_AR）的MI分类模型，该模型利用过度完整的理性扩张小波变换（ORDWT）以及自动回归（AR）模型。首先，使用滑动窗口方法将脑电图分割为间隔。然后，每个脑电图通过ORDWT传递以分析EEG信号。因此，从每个段获得了一系列停止频段。然后，将AR与ORDWT集成，以从每个EEG间隔中提取代表性特征。选定的功能被发送到多种分类模型中，包括加权K-Nearest邻居（WKNN），决策树（DTREE）和Boosted树（BST）。使用四个基准EEG数据库评估所提出的模型，其中三个是从脑部计算机界面（BCI）竞争III中收集的，一个是从CHB-MIT中收集的。结果表明，提出的模型ORDWT_AR与WKNN分类器相结合的三个BCI竞赛III数据集的平均分类精度为99.8％，CHB-MIT数据集的平均分类精度为99.7％。获得的结果表明，所提出的方案是对脑电图信号进行分类并具有出色结果的有前途的工具。提议的模型可以支持专家帮助残疾人与环境互动并提高生活质量。
以及基于 MCPD 的 BLE 室内定位系统
摘要：IPS 是一项关键技术，它使医务人员和医院管理人员能够准确定位和跟踪医疗建筑内的人员或资产。除其他技术外，可以利用现成的 BLE 来实现节能且低成本的解决方案。这项工作介绍了基于 RSSI 和基于 MCPD 的室内定位系统的设计、实施和比较。该实现基于轻量级 wkNN 算法，该算法处理来自无连接 BLE 信标的 RSSI 和 MCPD 距离数据。设计的硬件和固件是围绕最先进的 BLE SoC（来自 Nordic Semiconductor 的 nRF5340）实现的。在一个有家具和六个信标节点的 7.3 m × 8.9 m 的房间中，对实时数据处理进行了实验评估并进行了展示。在房间内随机选择的验证点上的实验结果表明，MCPD 方法的平均误差仅为 0.50 m，而 RSSI 方法的误差为 1.39 m。
心脏病使用阻滞链和机器学习
1人工智能系，管理与技术大学，拉合尔，54000，巴基斯坦通讯作者：Muhammad Shoaib Farooq（电子邮件：shoaib.farooq@umt.edu.pk）摘要，大多数人在全球大多数人都因心脏病而垂死。由于心脏病引起的死亡率迅速增加的主要原因是，医疗部门没有开发基础设施，可以提供安全的数据存储和传输方式。由于患者数据的冗余，心脏专业人员很难尽早预测该疾病。可以通过监测和消除早期阶段的某些关键属性来控制因心脏病引起的死亡率的迅速提高，例如血压，胆固醇水平，体重和对吸烟的成瘾。可以通过使用医疗部门的高级框架来监视心脏专业人员（CP）的患者数据。区块链是世界上最可靠的提供商。在医疗部门使用高级系统的使用也已开发出提供新的处理疾病的新方法。在本文中，机器学习（ML）算法被称为正弦 - cosine加权K-Nearest邻居（SCA-WKNN），用于预测现有方法中最高准确性的壁炉疾病。区块链技术已在整个会话过程中用于保护数据，并可以使用此技术提供更准确的结果。可以通过使用此算法来提高系统的性能，并且通过使用不同的资源也可以改善提出的数据集。已经根据其准确性，f量，召回和根平方值进行比较，以获得更好的结果。这项研究的新颖性是找到一种模型或算法，该模型或算法可以使用更高的精度算法来保护患者的数据。此外，研究表明，SCA-WKNN分别完成了比现有方法最高的15.51％。最后，比较安全时代的任何其他网络，区块链获得了最大的吞吐量。索引术语链接链，算法，机器学习，k-nearest邻居，心脏病，正弦余弦算法加权k-nearest邻居。