XiaoMi-AI文件搜索系统
World File Search Systemclassi
ML-DTD：基于机器学习的药物靶标发现Covid-19的潜在治疗，
摘要：最近的研究强调，人类Interactome中的大部分可毒蛋白靶标仍无法探索各种疾病。这可能会导致药物重新利用的研究，并有助于对新药 - 人类蛋白靶靶相互作用的内在预测。在全球健康问题中，Covid-19疾病的当前大流行也是如此。非常需要使用机器学习方法来确定Covid-19的潜在人类药物靶标，因为与传统的实验方法相比，它可以节省时间和劳动。基于结构的药物发现，其中通过分子对接确定可药物的性能仅适用于可获得三维结构的蛋白质。使用机器学习算法，可以将相关特征用于预测目标和非目标的相关特征，以用于其3-D结构不可用的蛋白质。在这项研究中，提出了一种基于机器学习的药物目标发现（ML-DTD）方法，其中最初在策划的数据集上建立和测试了机器学习模型，该模型由COVID-199的策划数据集组成，该模型由COVID-19S组成，由COVID的人类药物目标和非目标是使用治疗性数据库（TTD）和人类Interactome使用几个分类的X核构成X核构成的X粒子列表，而不是使用治疗性数据库（TTD）形成的非目标。回归，支持矢量分类，决策树分类，随机森林分类，天真的贝叶斯分类和k-neart的邻居分类（KNN）。在这种方法中，蛋白质特征包括基因集富集分析（GSEA）排名，源自蛋白质序列的特性以及基于蛋白质网络中心性的测量方法。在所有这些中，XGBBoost，KNN和随机森林模型是令人满意且一致的。该模型进一步用于预测新型的COVID-19人类药物靶标，该靶标通过目标途径分析，盟军重新塑造药物的出现以及随后的对接研究进一步验证。
脑电图分类在...
摘要 — 对脑电图 (EEG) 信号进行分类有助于理解脑机接口 (BCI)。EEG 信号对于研究人类思维方式至关重要。在本文中，我们使用了由计算前信号 (BCS) 和计算期间信号 (DCS) 组成的算术计算数据集。该数据集包含 36 名参与者。为了了解大脑中神经元的功能，我们对 BCS 和 DCS 进行了分类。对于这种分类，我们提取了各种特征，例如互信息 (MI)、锁相值 (PLV) 和熵，即排列熵、谱熵、奇异值分解熵、近似熵、样本熵。这些特征的分类是使用基于 RNN 的分类器完成的，例如 LSTM、BLSTM、ConvLSTM 和 CNN-LSTM。当使用熵作为特征并使用 ConvLSTM 作为分类器时，该模型的准确率达到 99.72%。索引词 — 脑机接口、脑电图、循环神经网络、互信息、相位锁定值、熵。
使用概率神经网络解码脑电图运动图像的有效连通性
摘要：在过去几年中，基于运动图像（MI）的大脑 - 计算机界面引起了很多关注。他们提供了通过使用大脑活动来控制外部设备的能力，例如假肢和轮椅。一些研究人员报告了运动任务期间多个大脑区域的交流，因此很难隔离发生运动活动的一个或两个大脑区域。因此，对大脑神经模式的更深入的了解对于BCI来说很重要，以便提供更有用和有见地的特征。因此，大脑连接性提供了一种有希望的方法，可以通过在运动想象中考虑通道间/区域关系来解决所述的缺点。这项研究以部分定向相干性（PDC）和定向传递函数（DTF）为大脑中的有效连通性，作为运动成像（MI）分类的非常规的特征集。进行了基于MANOVA的分析以识别统计上显着的连接对。此外，该研究试图通过使用四种分类算法（SVM，KNN，决策树和概率神经网络）来预测MI模式。研究使用从Physionet EEG数据库中提取的两类MI数据对所有分类方法进行了比较分析。基于概率神经网络（PNN）作为分类器和PDC作为特征集的提议技术优于其他分类，并且具有较高分类精度和较低差异率的其他分类和提取技术。研究发现表明，当PDC用作特征集时，PNN的总体平均准确性最高98.65％，而同一分类被用于达到DTF的最大精度为82.81％。本研究通过与常规特征相比，通过大脑连通性获得更好的分类结果来验证运动任务期间多个大脑区域的激活。由于PDC的表现优于DTF作为具有出色分类精度和低误差率的特征集，因此它具有在基于MI的脑部计算机接口中应用的巨大潜力。
沙特阿拉伯的糖尿病患病率分类的机器学习方法
摘要：机器学习算法已被广泛用于公共卫生中，用于预测或诊断流行病学慢性疾病，例如糖尿病，由于其较高的全球患病率，该疾病被归类为流行病。机器学习技术对于包括糖尿病在内的各种疾病的描述，预测和评估过程很有用。这项研究研究了沙特阿拉伯，根据相关的行为危险因素（吸烟，肥胖和不活动）对不同分类方法分类糖尿病患病率和预测趋势的能力。使用不同的机器学习算法（包括线性判别（LD），支持向量机（SVM），K -NER -NER -NEAR -最邻居（KNN）和神经网络模式识别（NPR））开发了用于糖尿病患病率的分类模型。使用了SVM的四个内核函数和两种类型的KNN算法，即线性SVM，Gaussian SVM，二次SVM，Cubic SVM，Finfine KNN和加权KNN。根据预测速度和培训时间，使用MATLAB中的分类学习者应用程序比较开发的分类器的性能评估，并使用分类学习者应用程序比较开发的分类器。分类模型的预测性能分析的实验结果表明，与其他分类方法相比，与其他分类方法相比，加权KNN在糖尿病患病率的预测中表现良好，最高平均准确性为94.5％，训练时间较少，男性和女性数据集则表现出色。
模拟量子变分嵌入分类器
量子机器学习有可能为人工智能提供强大的算法。在量子机器学习中追求量子优势是一个活跃的研究领域。对于目前有噪声的中型量子计算机，已经提出了各种量子-经典混合算法。一种先前提出的混合算法是基于门的变分嵌入分类器，它由经典神经网络和参数化的基于门的量子电路组成。我们提出了一种基于模拟量子计算机的量子变分嵌入分类器，其中控制信号随时间连续变化：我们特别关注的是使用量子退火器的实现。在我们的算法中，通过线性变换将经典数据转换为模拟量子计算机的时变哈密顿量的参数。非线性分类问题所需的非线性纯粹由模拟量子计算机通过最终量子态对哈密顿量控制参数的非线性依赖性提供。我们进行了数值模拟，证明了我们的算法对线性不可分数据集（例如同心圆和 MNIST 数字）进行二分类和多类分类的有效性。我们的分类器可以达到与最佳经典分类器相当的准确度。我们发现，通过增加量子比特的数量可以提高分类器的性能，直到性能饱和并波动。此外，我们的分类器的优化参数数量与量子比特的数量成线性关系。因此，当我们的模型大小增加时，训练参数数量的增加速度不如神经网络快。我们的算法提出了使用当前量子退火器解决实际机器学习问题的可能性，并且它还可用于探索量子机器学习中的量子优势。
基于余弦相似度的量子二元分类器 - IRIS
控制门 RY (0 . 49 π ) 所需的辅助量子位，q 5 是用于对数据进行幅度编码的 1 量子位寄存器，q 6 是编码标签的量子位。在 IBM 量子处理器 ibmq 16 melbourne 上运行该算法可提供 1024 次采样来对量子位 q 0 进行采样。获得的 P (1) 估计为 ˆ P = 490 / 1024 ≃ 0 . 48，则分配给 x = (0 . 884 , 0 . 468) 的标签为 y = − 1，正如预期的那样。尽管在此测试中分类正确，但与模拟器 ibm qasm simulator 的结果进行比较表明，所考虑的量子机过于嘈杂，无法通过算法 1 进行良好的分类。模拟器的输出统计数据提供 ˆ P = 273 / 1024 ≃ 0 . 27 。此结果与未分类数据向量 x 接近训练向量之间的中间点的事实一致。使用相同的训练点和新的未标记实例 x = (0 . 951 , 0 . 309)（其正确分类为 y = 1）重复实验，量子机失败。事实上 ibmq 16 melbourne 返回相对频率 ˆ P = 338 / 1024 ≃ 0 . 38 ，因此它将 x 归类为 y = − 1 。在同一个测试中，模拟器 ibm qasm simulator 返回 ˆ P = 244 / 1024 ≃ 0 . 24 正确分类。观察到的分类准确性不足取决于所考虑的量子处理器的低量子体积 1（QV = 8）。未来工作的内容可能是在更大、更可靠的硬件上进行测试（例如，具有 27 个量子比特和 QV=128 的 IBM 量子机器 ibmq montreal）。所提出的量子分类器的指数加速归因于在对数时间内有效准备量子态以及在恒定时间内执行分类本身（这取决于所需的准确性）。事实上，选择 QRAM 是出于对总体时间复杂度的明确估计，但允许使用其他有效的初始化来运行此量子分类器。
用于预测大脑的分类技术比较...
摘要：基于 P300 的脑机接口 (BCI) 性能易受延迟抖动影响。为了研究延迟抖动对 BCI 系统性能的影响，我们提出了基于分类器的延迟估计 (CBLE) 方法。在我们之前的研究中，CBLE 基于最小二乘 (LS) 和逐步线性判别分析 (SWLDA) 分类器。在这里，我们旨在使用稀疏自动编码器 (SAE) 扩展 CBLE 方法，以将基于 SAE 的 CBLE 方法与基于 LS 和 SWLDA 的 CBLE 进行比较。新开发的基于 SAE 的 CBLE 和以前使用的方法也应用于新收集的数据集，以降低出现虚假相关的可能性。我们的结果显示，BCI 准确度和估计的延迟抖动之间存在显着 (p < 0.001) 负相关性。此外，我们还研究了电极数量对每种分类技术的影响。我们的结果表明，总体而言，无论分类方法和电极数量如何，CBLE 都能发挥作用；相比之下，电极数量对 BCI 性能的影响则取决于分类器。
心理功能近红外光谱研究
1 数据集信息 [1]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 2 使用均值、方差和三阶矩 Σ nt 的 1-back、2-back、3-back 任务的分类准确率 . . . . . . . . . . . . . . . . . . . . . . 42 3 使用 Σ n (t) 的均值、方差和三阶矩，对数据集 1 的 1-back、2-back、3-back 任务与 RELAX 任务之间的分类准确度 43 4 使用均值和方差以及不同的机器学习算法，对数据集 2 的不同 n-back 任务之间的分类准确度。 .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
通过量子机学习的图像分类
摘要。量子计算，尤其是在短时间内学习的量子计算，通过世界各地的研究组引起了很多兴趣。这可以在一定程度上应用量子原理的模式分类的拟议模型数量越来越多。鄙视越来越多的模型，在实际数据集上测试这些模型，而不仅仅是在合成数据集上的空隙。这项工作的目的是使用量子分类器用二进制属性对模式进行分类。特别是，我们显示了应用于图像数据集的完整量子分类器的结果。实验在处理平衡的分类问题以及少数群体最相关的不平衡类时表现出了有利的输出。这在医疗领域是有希望的，通常重要的班级也是少数群体。
研究论文 3D 输入卷积神经网络在患者用户脑机接口设计中的 SSVEP 分类
本研究旨在展示三维输入卷积神经网络在基于无线EEG的脑机接口系统中进行稳态视觉诱发电位分类的性能。脑机接口系统的整体性能取决于信息传输速率。信号分类准确率、信号刺激器结构和用户任务完成时间等参数都会影响信息传输速率。在本研究中，我们使用了三种信号分类方法，即一维、二维和三维输入卷积神经网络。根据使用三维输入卷积神经网络的在线实验，我们分别达到了93.75%的平均分类准确率和平均信息传输率58.35 bit/min。这两个结果都明显高于我们在实验中使用的其他方法。此外，使用三维输入卷积神经网络还可以缩短用户任务完成时间。我们提出的方法是一种新颖且最先进的稳态视觉诱发电位分类模型。