XiaoMi-AI文件搜索系统
World File Search Systemcation
二进制方法用于运动象征脑 - 计算机界面分类
摘要 - 成功的运动象征脑 - 计算机界面（MI-BCI）算法要么提取大量手工制作的功能，要么训练分类器，要么在深度卷积的卷积新神经网络（CNNS）内组合特征伸缩和分类。这两种方法通常都会导致一组实用值的权重，在针对紧密资源约束设备上实时执行时会构成挑战。我们为每种方法提出了方法，允许将实价的权重转换为有效推断的二进制数字。我们的第一个方法基于稀疏的躁郁症随机投影，将大量的真实价值的Riemannian协方差投射到二进制空间，在该空间中，也可以通过二进制重量来学习线性SVM分类器。通过调整二进制嵌入的尺寸，我们与具有浅色oat16权重的型号相比，在4级MI（≤1.27％）中达到了几乎相同的精度，但提供了更紧凑的模型，具有更简单的操作以执行。第二，我们建议使用内存增强的神经网络（MANN）进行Mi-BCI，以使增强的内存被二进制。我们的方法使用双极随机投影或学习的投影替换了完全连接的CNN层。我们对Mi-BCI已经紧凑的CNN EEGNET的实验结果表明，使用随机投影可以通过1.28×at in ISO精度将其压缩。另一方面，使用学习的投影可提供3.89％的精度，但记忆尺寸增加了28.10倍。
ke r晶粒及其抗菌剂的微生物识别...
根据我们的理解，这项研究代表了巴基斯坦背景下的开创性努力。它极大地有助于我们理解基于美国的开菲尔的复杂微生物组成，并强调开菲尔作为抗生素的替代方案。然而，目前的研究会遇到一定的局限性，包括缺乏理解这些KG的全面微生物谱，以及对管理这些抗菌属性的动力学的不完整掌握。未来
用于可解释的肺部疾病分类的可解释 AI 模型
摘要 — 在本文中，我们通过区分新型冠状病毒疾病 (COVID-19) 或其他疾病引起的肺部不透明样本与正常病例，开发了一个从胸部 X 光片图像中识别肺部疾病的框架。我们执行图像处理任务、分割并训练定制的卷积神经网络 (CNN)，在分类准确性方面获得合理的性能。为了解决这种复杂分类模型的黑箱性质，这种性质成为应用此类基于人工智能 (AI) 的方法自动化医疗决策的主要障碍，引起了临床医生的怀疑，我们解决了使用基于分层相关性传播 (LRP) 的方法定量解释我们采用的方法的性能的需要。我们还使用了基于像素翻转的稳健性能指标来评估我们采用的 LRP 方法的可解释性，并将其性能与其他可解释方法进行比较，例如局部可解释模型不可知解释 (LIME)、引导反向传播 (GB) 和深度泰勒分解 (DTD)。索引术语 — 深度学习、可解释 AI、分层相关性传播、LIME、深度泰勒分解、引导反向传播、医学诊断、胸部 X 光检查、COVID-19。
计量系统的设备级接口规范的分布式测试
软件测试已成为软件质量的关键。然而，接口规范开发工作通常将测试视为可有可无。我们主张在标准化过程之前，尽早并严格地将测试应用于规范开发和实施。接口规范开发的目标是在接口上创建一种被广泛接受的通用（或中性）语言，而通用语言的目标是系统互操作性。因此，在介绍之后，我们将简要描述互操作性问题以及为什么需要通用语言。我们将研究双向接口两侧的以下系统：一侧是应用软件，另一侧是实时逻辑和运动控制设备。该设备是坐标测量机 (CMM)，由设备控制软件（用于逻辑和运动控制）、运动控制硬件、传感器和执行器组成。应用软件执行许多操作，包括与 CMM 操作员接口、以高级语言解释检查程序、分析传感器数据以及根据低级感测数据估计高级特征。
使用深... 的MR图像中脑肿瘤的分类 用lomitapide靶向PP2A，通过激活AMPK/Beclin1介导的自噬 基于脑肌肉混合信号的机器人手臂控制系统 通过Fastai 在脑MR扫描上检测大脑异常检测的混合体系结构
脑肿瘤是大脑中异常细胞的质量或簇，由于其能够侵入邻近组织并形成转移酶的能力，因此可能会威胁生命。准确的诊断对于成功的治疗计划和磁共振成像是必不可少的，这是诊断脑肿瘤及其程度的主要成像方式。近年来，计算机视觉应用程序中的深度学习方法已显示出显着的改进，其中大多数可以将大量数据可用于培训模型，并且模型体系结构的改进在有监督的环境中产生更好的近似值。使用这种深度学习方法对肿瘤进行分类，这使得带有可靠注释的开放数据集的可用性取得了重大进展。通常这些方法是3D模型，它使用3D体积MRI，甚至是2D模型，即分别考虑每个切片。然而，通过分别处理一个空间维度，或通过将切片作为一系列图像随着时间的推移来处理，时空模型可以用作此任务的“空间空间”模型。这些模型具有学习特定的空间和时间关系的功能，同时降低了计算成本。本文使用两个时空模型，即Resnet（2+1）D和Resnet混合卷积，以对不同类型的脑肿瘤进行分类。观察到，这两个模型的性能都优于纯3D卷积模型RESNET18。此外，还观察到，在训练肿瘤分类任务之前，将模型预先培训在不同的，甚至是无关的数据集上可以提高性能。最后，在这些实验中，预先训练的重新结合卷积是最佳模型，达到了0.9345的宏F1评分，测试准确性为96.98％，而同时是计算成本最少的模型。
高性能多类运动想象脑电图分类
摘要：在现实生活中的脑机接口应用中，脑电图 (EEG) 中的运动想象 (MI) 的使用需要高性能算法，这些算法既准确又计算量小。基于公共空间模式 (CSP) 和滤波器组公共空间模式 (FBSP) 的特征提取方法已被证明非常有前景。在本文中，我们推进了这一前沿，提出了一种新的有效方法，其变体在准确性（就 kappa 值而言）方面优于具有相同或更小特征集的现有方法。我们已经证明，从准确性和计算复杂度的角度来看，使用一个 mu 波段和三个 beta 子波段都非常理想。我们已经能够使用我们的方法为 BCI 竞赛 IV 的数据集 2a 实现最佳报告 kappa 值 0.67，其中特征向量长度为 64，直接由 FBCSP 变换后的数据样本组成，无需进一步的特征选择。直接由 FBCSP 数据组成的 32 大小的特征向量足以在 kappa 值实现方面胜过现有方法。在本文中，我们还系统地报告了使用不同分类器（包括 kNN、SVM、LDA、Ensemble、ANN 和 ANFIS）和不同长度的特征向量进行的实验。据报道，SVM 是最好的分类器，其次是 LDA。
计量系统的设备级接口规范的分布式测试
软件测试已成为软件质量的关键。然而，接口规范开发工作通常将测试视为可有可无。我们主张在标准化过程之前，尽早并严格地将测试应用于规范开发和实施。接口规范开发的目标是在接口上创建一种被广泛接受的通用（或中性）语言，而通用语言的目标是系统互操作性。因此，在介绍之后，我们将简要描述互操作性问题以及为什么需要通用语言。我们将研究双向接口两侧的以下系统：一侧是应用软件，另一侧是实时逻辑和运动控制设备。该设备是坐标测量机 (CMM)，由设备控制软件（用于逻辑和运动控制）、运动控制硬件、传感器和执行器组成。应用软件执行许多操作，包括与 CMM 操作员的接口、以高级语言解释检查程序、分析传感器数据以及根据低级感测数据估计高级特征。
计量系统的设备级接口规范的分布式测试
软件测试已成为软件质量的关键。然而，接口规范开发工作通常将测试视为可有可无。我们主张在标准化过程之前，尽早并严格地将测试应用于规范开发和实施。接口规范开发的目标是在接口上创建一种被广泛接受的通用（或中性）语言，而通用语言的目标是系统互操作性。因此，在介绍之后，我们将简要描述互操作性问题以及为什么需要通用语言。我们将研究双向接口两侧的以下系统：一侧是应用软件，另一侧是实时逻辑和运动控制设备。该设备是坐标测量机 (CMM)，由设备控制软件（用于逻辑和运动控制）、运动控制硬件、传感器和执行器组成。应用软件执行许多操作，包括与 CMM 操作员的接口、以高级语言解释检查程序、分析传感器数据以及根据低级感测数据估计高级特征。
一个基于生成的邻里的深度自动编码器，用于强大的不平衡分类
摘要 - 深度学习模型最近在许多分类任务上表现出色。深度神经网络的出色表现取决于大量的训练数据，同时必须具有相等的类别分布才能有效。但是，在大多数现实世界中，标记的数据可能受到类别之间高不平衡比率的限制，因此，大多数分类算法的学习过程受到不利影响，从而导致预测和性能较低。三种主要方法解决了不平衡学习的问题，即数据级，算法级别和混合方法，这些方法结合了上述两种方法。数据生成方法通常基于生成的对抗网络，这些网络需要大量的数据，而模型级别的方法需要广泛的领域专家知识来制定学习目标，从而在没有此类知识的情况下对用户访问较差。此外，这些方法中的绝大多数被设计和应用于成像应用，更少的时间序列，并且对它们都极为罕见。为了解决上述问题，我们介绍了Genda，Genda是一种基于生成邻域的Deep AutoCoder，它在设计方面既简单又有效，并且可以成功地应用于图像和时间序列数据。genda基于学习潜在