XiaoMi-AI文件搜索系统
World File Search Systemclassi
新闻稿编号523 致一年级学生家长...
请注意，2020年7月23日，2020/2021学年各地址（技术与专业学院，各地址）第一批入学学生名单将在学院布告栏上公布。家庭将能够查看这些列表，从中他们将能够获得有用的信息以继续购买教科书。我们提醒您，目前由于学院人员重组的原因，您无法得知您的孩子被安排在哪个班，学院仍有待处理的额外第一批课程请求，这些请求已转发给博洛尼亚地区学校办公室，旨在防止班级分裂并限制远程学习的使用，根据教育部的指示和可用性。一旦此阶段结束，将会立即公布实际一年级班级的组成情况。感谢您的合作
变分自动编码器学习更好的特征表示，用于基于脑电图的肥胖分类
摘要 — 肥胖是当今现代社会的一个常见问题，可导致各种疾病并显著降低生活质量。目前，已经开展了研究以调查静息状态脑电图 (EEG) 信号，目的是识别与肥胖相关的可能的神经系统特征。在本研究中，我们提出了一个基于深度学习的框架来提取静息状态脑电图特征，以对肥胖和瘦弱人群进行分类。具体而言，采用一种新颖的变分自动编码器框架从原始脑电图信号中提取受试者不变特征，然后通过一维卷积神经网络对其进行分类。与传统的机器学习和深度学习方法相比，我们证明了使用 VAE 进行特征提取的优势，这反映在特征表示中分类准确率的显著提高、可视化效果的改善和杂质测量的减少。未来的工作方向可以从神经学角度深入了解所提出的模型所学习的空间模式，以及通过允许其发现任何与时间相关的信息来提高所提出的模型的可解释性。索引术语——深度学习、EEG、分类、变分自动编码器
分层加密签名映射勒索软件分类：一种结构分解方法
摘要 - 基于吸附的网络威胁继续发展，利用越来越复杂的加密技术来逃避检测并在受损的系统中持续存在。旨在分析结构加密特性的层次分类框架提供了一种新颖的方法，可将恶意加密与合法的加密操作区分开。通过系统地分解加密工作，分类方法会增强识别跨二经域威胁变体的不同模式的能力，从而降低了对经常不受快速突变威胁的预定签名的依赖。该研究研究了密码学特征映射如何促进分类精度的提高，突出了熵，钥匙交换机制和算法依赖性在区分有害加密活动中的作用。通过实验验证，该框架在多个攻击家族中表现出高度的精度，超过了调用分类技术，同时保持了适合大规模网络安全应用的计算效率。分层的结构分析进一步增强了法医调查，使安全分析师能够解剖加密工作流程，以追踪攻击起源并确定跨不同运动的共同点。该方法论加强了主动的威胁减轻工作，提供了可扩展且适应性的解决方案，该解决方案既是已知和新兴加密的网络威胁。比较评估说明了结构分解在减轻假阳性和负面因素方面的优势，从而增强了在实际安全环境中加密签名分类的可靠性。
寻找最佳时间窗口以提高运动想象过程中的分类准确率
近几十年来，脑机接口 (BCI) 已用于新型神经康复技术，在运动恢复方面取得了可喜的成果 (Cervera 等人，2018)。在神经康复中使用 BCI 可以通过运动想象 (MI) 招募和激活运动区域，而无需主动运动。这可能会导致被认为因中风而受损的区域发生神经可塑性变化 (Bai 等人，2020)。当与严肃游戏和虚拟现实 (VR) 相结合时，BCI 可以实现更密集的神经康复 (Putze，2019)，通过即时反馈鼓励患者 (Mubin 等人，2020) 并让他们沉浸在引人入胜的虚拟环境中 (Khan 等人，2020)。神经康复的一个重要挑战是 MI 反馈传递的时机和有效性。反馈传递在 BCI 中起着重要作用，而有效性
滑动窗口通用空间模式用于增强 EEG-BCI 中的运动想象分类
摘要 — 脑电图 (EEG) 信号的准确二元分类是开发运动想象 (MI) 脑机接口 (BCI) 系统的一项艰巨任务。本研究提出了两种滑动窗口技术来增强运动想象 (MI) 的二元分类。第一种方法计算所有滑动窗口预测序列的最长连续重复 (LCR)，称为 SW-LCR。第二种方法计算所有滑动窗口预测序列的模式，称为 SW-Mode。公共空间模式 (CSP) 用于提取特征，线性判别分析 (LDA) 用于对每个时间窗口进行分类。SW-LCR 和 SW-Mode 都应用于公开可用的 BCI 竞赛 IV-2a 健康个体数据集和中风患者数据集。与现有的最先进技术相比，SW-LCR 在健康个体的情况下表现更好，SW-Mode 在左手与右手 MI 的中风患者数据集上表现更好，标准差更低。对于这两个数据集，分类准确率 (CA) 约为 80%，kappa (κ) 为 0.6。结果表明，使用 SW-LCR 和 SW-Mode 的基于滑动窗口的 MI 预测对于试验内激活时间的试验间和会话间不一致具有很强的鲁棒性，因此可以在神经康复 BCI 环境中实现可靠的性能。
基于深度第二代小波自动编码器的曲波池化脑病理分类
神经系统疾病代表与人类神经系统相关的异常。它们还包含中枢神经系统、脊髓或大脑的生化、解剖或电改变。这些疾病会引发不同的症状。及早诊断此类变化对于治疗是必要的，目的是限制疾病进展。本文介绍了一种精确的 CAD 系统来对脑 MRI 进行分类，该系统克服了模式分类中的关键问题，例如在训练阶段提取某些特征。我们的贡献是融合第二代小波 (SGW) 网络和深度学习架构，从而提出了用于模式分类的新型监督特征提取方法。我们的新型架构允许通过重建深度堆叠的第二代小波自动编码器来对数据集类别进行分类。将曲波池化 (CP) 与 Adam 梯度计算方法相结合可以提高自动编码器的准确性。在本研究中，我们利用 Haar 曲线波 (CurvPool-AH) 和 Shannon 曲线波 (CurvPool-AS) 构建了 Adam CP。该网络可以通过多个 SGW 自动编码器实现，最终在最后一层使用一个 Softmax 分类器。我们还发现 CurvPool 表现相当不错
基于切线空间的逻辑回归跨学科学习，用于增强运动想象分类
摘要 — 脑机接口 (BCI) 的性能通常会受到影响，因为记录的 EEG 信号本身具有非平稳性，且不同受试者之间存在高度差异。本研究提出了一种新方法，使用基于切线空间的迁移学习 (LR-TSTL) 的逻辑回归来解决基于运动想象 (MI) 的 BCI 分类问题。从 EEG 信号计算出的单次试验协方差矩阵 (CM) 特征被转换为黎曼几何框架，并且通过考虑下三角矩阵来计算切线空间特征。然后使用逻辑回归模型对它们进行进一步分类，以提高分类准确性。在健康受试者的数据集以及中风患者的数据集上测试了 LR-TSTL 的性能。与现有的受试者内学习方法相比，所提出的方法在平均分类准确率 (78.95 ± 11.68%) 方面给出了相同或更好的性能，同时应用于健康受试者的留一跨受试者学习。有趣的是，对于患者数据集，LR-TSTL 显著（p < 0.05）超越了当前基准性能，平均分类准确率为 81.75 ± 6.88%。结果表明，所提出的跨学科学习方法有可能实现下一代无校准 BCI 技术，并具有增强的实用性，尤其是在针对中风患者的神经康复 BCI 设计的情况下。
脑电图信号评估和分类的混合技术是神经和脑部疾病诊断的一步
脑电图 (EEG) 信号通常用于识别和诊断脑部疾病。每个 EEG 正常波形由以下波形组成：伽马 (γ) 波、贝塔 (β) 波、阿尔法 (α)、西塔 (θ) 和德尔塔 (δ)。神经系统疾病一词“NurDis”用于描述影响神经的各种疾病，癫痫、神经感染（细菌和病毒）、脑肿瘤、脑血管疾病、阿尔茨海默病和各种痴呆症都是神经系统疾病的例子。脑炎是影响大脑的疾病之一。本文使用的 EEG 信号来自 CHB-MIT 头皮 EEG 数据库。离散小波变换 (DWT) 用于从滤波后的 EEG 数据中提取特征。最后，使用 K 近邻 (KNN) 和支持向量机 (SVM) 等分类器根据所有计算出的特征将 EEG 信号分为正常和病理信号类。为了将信号归类为正常和异常组，使用了 KNN 和 SVM 分类器。对于这两个分类器，都确定了性能评估（准确度、灵敏度和特异性）。KNN 分类器准确率为 71.88%，而 SVM 分类器准确率为 81.23%。KNN 和 SVM 的灵敏度分别为 80.14% 和 77.31%。KNN 分类特异性为 69.62%，SVM 分类特异性为 98%。使用混淆矩阵评估两个分类器的性能。关键词：离散小波变换（DWT）、支持向量机（SVM）、脑电图（EEG）信号、K-最近邻（KNN）
文章 Neuroscope：用于卷积神经网络语义分割和图像分类的可解释 AI 工具箱
摘要：对人工智能 (AI) 预测的信任是广泛接受新技术的关键点，尤其是在自动驾驶等敏感领域。因此，对用于深度学习图像的解释 AI 的工具的需求迫在眉睫。我们提出的工具箱 Neuroscope 通过提供用于图像分类的最先进的可视化算法和用于卷积神经网络 (CNN) 语义分割的新方法来满足这一需求。凭借其易于使用的图形用户界面 (GUI)，它可在 CNN 的所有层上提供可视化。由于其开放的模型视图控制器架构，使用 Keras 和 PyTorch 生成和训练的网络是可处理的，并且具有允许扩展到其他框架的接口。我们以交通场景分析为例展示了 Neuroscope 提供的解释能力。
使用基于表面肌电信号的用户独立分类方法控制电动轮椅
摘要 轮椅因其舒适性和机动性而成为运动障碍人士中最受欢迎的辅助技术 (AT) 之一。手指有问题的人可能会发现使用传统的操纵杆控制方法操作轮椅很困难。因此，在本研究中，开发了一种基于手势的控制方法来操作电动轮椅 (EPW)。本研究选择了基于舒适度的手部位置来确定停止动作。还进行了额外的探索以研究四种手势识别方法：线性回归 (LR)、正则化线性回归 (RLR)、决策树 (DT) 和多类支持向量机 (MC-SVM)。前两种方法 LR 和 RLR 的准确率分别为 94.85% 和 95.88%，但每个新用户都必须接受培训。为了克服这个限制，本研究探索了两种独立于用户的分类方法：MC-SVM 和 DT。这些方法有效地解决了手指依赖性问题，并在识别不同用户的手势方面取得了显著的成功。MC-SVM 的准确率和准确度约为 99.05%，DT 的准确率和准确度约为 97.77%。所有六名参与者都成功控制了 EPW，没有发生任何碰撞。根据实验结果，所提出的方法具有很高的准确性，并且可以解决手指依赖性问题。