XiaoMi-AI文件搜索系统
World File Search SystemWeighted
基于EEG的情绪识别，使用改进的加权水平可见度图
摘要：近年来，情感识别是一个充满挑战和活跃的研究领域，已获得相当大的认识。在这项研究中，试图从脑电图（EEG）信号中提取复杂的网络特征以进行情绪识别。我们提出了一种基于角度测量的向前加权水平可见度图（FWHVG）和向后加权的水平可见度图（BWHVG）的新方法。使用两种类型的复杂网络来提取网络功能。然后，将两个特征矩阵融合到单个特征矩阵中以对脑电图进行分类。基于拟议方法的复杂网络特征和唤醒维度的平均情绪识别精度为97.53％和97.75％。与时间域特征相结合时，所提出的方法的价为98.12％和98.06％的分类精度为98.06％。
一种加权合奏方法，具有多种预训练的深度学习模型用于中风的分类
摘要：中风是全球最致命的疾病之一，强调了早期诊断的关键需求。本研究旨在创建一个两阶段的分类系统，用于中风和非冲程图像，以支持早期临床检测。深度学习（DL）是诊断，检测和及时治疗的基石，是主要方法论。转移学习适应了成功的DL体系结构来解决各种问题，合奏学习结合了多个分类器，以增强结果。这两种技术用于使用中风和正常图像数据集对中风进行分类。在初始阶段，六个预训练的模型是微调的，densenet，Xception和ExcilityNetB2作为表现最佳的人，分别达到98.4％，98.4％和98％的验证精度。这些模型在整体框架中充当基础学习者。加权的平均合奏方法将它们结合在一起，从而在保留的测试数据集中获得了99.84％的精度。这种方法表现出对中风检测的希望，这是一种威胁生命的状况，同时也证明了合奏技术在增强模型性能方面的有效性。
基于地理加权回归的水 - 土壤 - 能源溶液的预测
摘要：由于全球城市化，城市地区遇到了许多环境，社会和经济挑战。已经提出和实施了不同的解决方案，例如基于自然的解决方案以及绿色和蓝色基础设施。考虑到与这些解决方案相关的外源性因素是评估其可能影响的关键问题。这项研究研究了可能的解释性因素及其演变，直到2054年对紫外线地区的几种解决方案进行了研究：废水恢复，地表地热能和区域的热量减震能力。此研究由一系列统计模型，即普通最小二乘（OLS）和地理位置加权回归（GWR）进行，这些回归（GWR）集成在地理信息系统中。主要的驱动因素被确定为土地使用/土地覆盖和人口分布。结果表明，GWR模型捕获了空间自相关的很大一部分。的预测结果，低，中和高潜力实施特定溶液的区域。此外，将解决方案的实施能力与所描述的需求进行了比较，因为需要减慢地表城市热岛的影响和对化石能量的依赖。此外，降温能力始终与人类活动有明显的联系。需要进一步研究以发现剩余的原因，尤其是空气质量，水，植被和气候变化。
在机器学习中检测和减轻数据中毒攻击：加权平均方法
对抗性攻击，特别是数据中毒，可以通过将故意设计的数据插入训练集中来影响机器学习模型的行为。本研究提出了一种识别对机器学习模型的数据中毒攻击的方法，即加权平均分析（VWA）算法。该算法评估了输入特征的加权平均值，以检测任何可能是中毒努力迹象的违规行为。该方法发现可以通过添加所有加权平均值并将其与预测值进行比较来指示操纵的偏差。此外，它可以区分二进制和多类分类实例，从而修改其分析。实验结果表明，VWA算法可以准确地检测和减轻数据中毒攻击，并提高机器学习系统针对对抗性威胁的鲁棒性和安全性。
基于加权有向图的自动癫痫检测，具有有效的脑电图信号连接
癫痫发作是最常见的神经系统疾病之一，其特征是大脑神经元突然异常放电。使用脑电图 (EEG) 记录自动检测癫痫发作将提高治疗质量并减少医疗费用。本文的目的是设计一个自动癫痫发作检测框架，通过发现大脑区域之间的连通性来有效识别癫痫发作和非癫痫发作事件。在本文中，提出了一种基于加权有向图的有效大脑连接 (EBC) 方法来检测癫痫发作。通过分析大脑不同区域之间的相关性来构建加权有向图。然后，使用基于图论的度量来提取分类特征。此外，我们说明了所提出的方法实现针对特定患者模型和跨患者模型的癫痫发作检测的能力。结果表明，所提出的方法在 CHB-MIT 数据集中针对特定患者模型和跨患者模型的准确率分别达到 99.97% 和 98.29%。这些结果表明，所提出的方法实现了有效的分类性能，可用于为癫痫发作的自动检测和临床诊断提供帮助。
基于图形的加权定向自动癫痫发作检测，有效的脑电图
癫痫发作是最常见的神经系统疾病之一，其特征是大脑中神经元的突然异常排出。使用脑电图记录（EEG）记录的自动癫痫发作会提高治疗质量并减少医疗开销。 本文的目的是设计一个自动癫痫发作检测框架，该框架可以通过发现大脑区域之间的连通性来有效地识别癫痫发作和非癫痫事件。 在这项工作中，提出了一种具有有效脑连接性（EBC）的加权定向方法以进行癫痫发作。 通过分析大脑不同区域之间的相关性来构建加权定向图。 然后，基于图理论的措施用于提取分类的特征。 此外，我们说明了提出的方法实现患者特异性模型和交叉患者模型的癫痫发作检测的能力。 结果表明，所提出的方法在患者特定模型和CHB-MIT数据集中分别达到99.97％和98.29％的精度值。 这些结果表明，所提出的方法实现了有效的分类性能，可用于为自动癫痫发作检测和临床诊断提供帮助。使用脑电图记录（EEG）记录的自动癫痫发作会提高治疗质量并减少医疗开销。本文的目的是设计一个自动癫痫发作检测框架，该框架可以通过发现大脑区域之间的连通性来有效地识别癫痫发作和非癫痫事件。在这项工作中，提出了一种具有有效脑连接性（EBC）的加权定向方法以进行癫痫发作。通过分析大脑不同区域之间的相关性来构建加权定向图。然后，基于图理论的措施用于提取分类的特征。此外，我们说明了提出的方法实现患者特异性模型和交叉患者模型的癫痫发作检测的能力。结果表明，所提出的方法在患者特定模型和CHB-MIT数据集中分别达到99.97％和98.29％的精度值。这些结果表明，所提出的方法实现了有效的分类性能，可用于为自动癫痫发作检测和临床诊断提供帮助。
具有深层生成模型的扩散加权磁共振大脑图像的现实产生
深度学习方法有可能减轻放射科医生处理繁琐的，耗时的任务，例如检测和细分病理病变[1]，但是在医学成像的背景下对神经网络的培训面临着主要的挑战：它们需要训练大量图像，因为这是很难获得的，因为在许多方面都可以限制医疗信息，并且由于许多方面的范围限制了其他方面的范围。此外，虽然在世界各地的医院数据库中可以提供相对较大的医学图像，但这些图像是未标记的，并且不同的机构以派遣和不均匀的方式保存医疗图像，这使得它们在较大的数据库中收集它们。在这种情况下，从头开始生成医学图像的方法可能引起人们的极大兴趣。生成建模是机器学习的一个子字段，它在产生新的高质量自然图像（例如面部照片[2]）方面具有令人印象深刻的精力[2]，并应用于语音综合[3]和磁共振图像重建等任务[4]。如果可以教导生成模型来产生现实且多样化的新医学图像，那么它们将具有很有吸引力的潜力，可以显着增加可用于深神经网络培训的图像数量，因此可以帮助提高这些网络的准确性[5-7]。
单位对偶四元数有向图、形成控制和一般加权有向图
我们研究有向图中的多智能体编队控制问题。相对配置用单位对偶四元数 (UDQ) 表示。我们将这种加权有向图称为单位对偶四元数有向图 (UDQDG)。我们证明，当且仅当对偶四元数拉普拉斯算子与底层有向图的无加权拉普拉斯算子相似时，所需的相对配置方案在 UDQDG 中是合理的或平衡的。提出了直接法和单位增益图法来解决一般单位加权有向图的平衡问题。然后，我们研究了一般非单位加权有向图的平衡问题。报告了 UDQDG 的数值实验。
深部脑刺激自动轨迹规划的帕累托前沿与加权和
摘要。深部脑刺激 (DBS) 的术前路径规划是一个多目标优化问题，即在多个放置约束之间寻找最佳折衷点。它的自动化通常通过使用聚合方法将问题转变为单目标来解决。然而，尽管这种方法很直观，但它以无法找到所有最优解而闻名。在本文中，我们引入了一种基于多目标优势的 DBS 路径规划方法。我们将它与经典的多个约束的聚合加权和以及由神经外科医生对 14 个 DBS 病例进行的回顾性研究的手动规划进行了比较。结果表明，基于优势的方法优于手动规划，并且与传统的加权和方法相比，它涵盖了更多相关的最佳切入点选择，因为传统的加权和方法会丢弃外科医生可能喜欢的有趣解决方案。