XiaoMi-AI文件搜索系统
World File Search Systemclassi
GPT-2 机器生成的合成生物信号通过数据增强改善 EEG 和 EMG 的分类
摘要 — 合成数据增强对于机器学习分类至关重要，特别是对于生物数据，因为生物数据往往是高维且稀缺的。机器人控制和增强在残疾人和健全人中的应用仍然主要依赖于针对特定对象的分析。这些分析很少能推广到整个人群，而且似乎使简单的动作识别（例如机器人假肢和操纵器的抓握和释放）过于复杂。我们首次展示了多个 GPT-2 模型可以机器生成合成生物信号（EMG 和 EEG）并改善真实数据分类。仅基于 GPT-2 生成的 EEG 数据训练的模型可以以 74.71% 的准确率对真实 EEG 数据集进行分类，而基于 GPT-2 EMG 数据训练的模型可以以 78.24% 的准确率对真实 EMG 数据进行分类。在对 EEG 和 EMG 模型进行基准测试时，在每个交叉验证折叠中引入合成数据和校准数据。结果表明，使用其中一种或两种附加数据都可以改进算法。随机森林对 EEG 的分类准确率平均为 95.81% (1.46)，当在训练期间引入合成的 GPT-2 EEG 信号时，该准确率上升到 96.69% (1.12)。同样，当训练数据通过合成 EMG 信号增强时，随机森林对 EMG 的分类准确率从 93.62% (0.8) 提高到 93.9% (0.59)。此外，正如预测的那样，使用合成生物信号进行增强还会提高训练期间未观察到的新受试者数据的分类准确率。最终使用 Robotiq 2F-85 夹持器进行实时手势控制，合成 EMG 数据增强显著提高了手势识别准确率，从 68.29% 提高到 89.5%。
基于快速 Walsh Hadamard 变换和投票分类器的 EEG 信号压力检测
摘要 精神压力目前是一个重大问题，尤其是在年轻人中。压力会对人们的整体工作表现产生不利影响，在某些情况下甚至会导致严重的健康问题。每个人在生活中都会经历压力。本文提出了一种基于脑电图 (EEG) 识别和分类压力水平的独特方法。在这项工作中，快速 Walsh Hadamard 变换用于生成 EEG 信号中存在的所有频率。在后续阶段计算索引值的 alpha、beta、gamma 和 delta 范围。主成分分析 (PCA) 用于特征降维，然后是标准缩放器。使用 Welch 方法计算了健康和不健康 EEG 信号组的 PSD 向量。PSD 向量用作投票分类器的输入，该分类器是 k-NN 和逻辑回归分类器的组合。实验结果发现，与现有方法相比，所提出的方法在准确度 (Acc) 和均方误差 (MSE) 方面提供了更好的结果。所提出的方法最高分类准确率达到 94.22%
使用机器学习技术从 MRI ADC 图像中提取特征以进行脑肿瘤分类
方法：这项前瞻性研究使用了 1599 个标记的 MRI 脑 ADC 图像切片，其中 995 个为恶性，604 个为良性，这些切片来自 195 名经放射学诊断并经组织病理学确诊为脑肿瘤的患者。从每位患者的 MRI ADC 图像中提取人口统计学信息、平均像素值、偏度、峰度、灰度共生矩阵 (GLCM) 特征、平均值、方差、能量、熵、对比度、同质性、相关性、突出度和阴影。在特征选择阶段，使用 ANOVA f 检验测量提取特征的有效性。然后，将这些特征用作几种机器学习分类算法的输入，并评估相应的模型。结果：根据 ANOVA f 检验特征选择过程的结果，两个属性：偏度（3.34）和 GLCM 同质性（3.45）的 ANOVA f 检验分数最低。因此，在继续实验时排除这两个特征。在测试的不同 ML 算法中，选择随机森林分类器来构建最终的 ML 模型，因为它具有最高的准确度。在超参数调整过程之后，最终模型能够以 90.41% 的准确率预测恶性和良性肿瘤。结论：本研究得出结论，上述特征（偏度和 GLCM 同质性除外）对于识别和区分恶性和良性脑肿瘤具有重要意义。此外，它们有助于开发一种高性能 ML 模型，该模型能够在尝试侵入性诊断程序（例如脑活检）之前协助脑肿瘤诊断过程的决策步骤。
比较 AlexNet、Faster R-CNN 和 YOLOv4 在阿尔茨海默氏症脑部 MRI 扫描多类分类中的架构和性能
尽管磁共振成像 (MRI) 等诊断成像技术的进步使人们对阿尔茨海默病 (AD) 的诊断和治疗有了更深入的了解，但医疗专业人员仍然需要分析图像，这是一个耗时且容易出错的过程。借助神经网络模型，可以更准确、更有效地做出诊断。在本研究中，我们比较了三种著名的基于 CNN 的算法（AlexNet、Faster R-CNN 和 YOLOv4）的性能，以确定哪一种算法在对 AD 患者的脑部 MRI 扫描进行多类分类时最准确。所使用的数据集来自 Kaggle，包含 6400 个训练和测试 MRI 图像，分为四个类别（非痴呆、非常轻度痴呆、轻度痴呆和中度痴呆）。中度痴呆类别的代表性极低。为了获得更准确的结果，通过数据增强将图像添加到该类别中。实验是使用 Google Colab 的 Tesla P100 GPU 进行的。迁移学习应用于所有三个预训练模型，并根据各自的参数调整数据集。增强后，AlexNet 具有最高的 mAP（平均准确率），100% 的时间检测到感兴趣的对象，而 YOLOv4 和 Faster R-CNN 的 mAP 分别为 84% 和 99%。然而，YOLOv4 在混淆矩阵上表现最佳，尤其是对于 ModerateDemented 图像。正如我们的实验所揭示的，像 YOLOv4 这样的单阶段检测器比像 Faster R-CNN 这样的两阶段检测器更快、更准确。我们的研究成功实现了这些模型，并为医学图像诊断做出了宝贵贡献，为未来的研究和开发开辟了道路。
基于灰狼优化的隧道工程围岩挤压分类改进概率神经网络算法
围岩挤压变形是隧道工程中常见且突出的病害，常在TBM掘进过程中诱发盾构卡洞灾害。本文基于139组历史挤压变形案例，建立了混合PCA-IWGO-PNN挤压分类模型。根据挤压变形的影响因素及特点，选取强度应力比、隧道埋深、隧道等效直径、岩体质量指数、支护刚度等建立挤压程度预测指标体系。由于概率神经网络（PNN）要求输入变量独立，因此采用主成分分析（PCA）对原始数据进行预处理，消除预测指标间的相关性并实现降维。扩展系数是PNN中关键的超参数，采用改进的灰狼优化（IGWO）算法实现其高效的自动寻优。然后，将PNN模型应用于工程实际，20个试验样本中仅有1个误判，预测精度达到95%。最后，与人工神经网络（ANN）模型、支持向量机（SVM）模型、随机森林（RF）模型进行对比分析，其中PNN模型的预测精度最高，其次是人工神经网络（85%）、RF（85%）、SVM（80%）。此外，PNN模型的运行速度最快，仅耗时5.6350 s，而ANN、SVM、RF的运行时间分别为8.8340、6.2290、6.9260 s。本研究提出的混合PCA-IWGO-PNN模型为围岩挤压分类提供了一种有效的方法，在预测精度和运行速度方面均具有优势。
声纳浮标处理声学系统 SPAS 为战术任务系统和声学传感器操作员提供手段，通过分析部署的被动和主动声纳浮标获取的声学信号，对潜艇和水面舰艇进行检测、分类、定位和跟踪。
- SPAS 处理特殊用途声纳浮标、模拟声纳浮标（被动和主动）和新型数字声纳浮标。- 声学性能预测计算，提供射线追踪和最大检测范围（MDR 和 PDR）。- 通过窄带分析、宽带分析、瞬态、恶魔、双恶魔、扫描带分析和交互式 ACINT 数据库进行检测和接触分类。- 以不同格式显示的声学信息：ALI、LFI、BFI、ARI、DRI、BRI。- 与部署的声纳浮标相关的战术信息显示在地理图上，允许使用定位辅助工具： - 被动声纳浮标的能量图 - 主动声纳浮标的多静态图 - 手动交叉固定、LOFIX、HYFIX、CPA 和 Lloyd 镜像工具。- 自动交叉定位、卡尔曼滤波器、TMA 和 DOP-CPA 工具。- 根据威胁过滤器自动发出本地接触警报。- CSG 和 CFS 命令发射。- 大型数字存储设备，允许记录任务数据和信号，用于飞行后分析。
使用卷积神经网络进行面部情绪识别，结合多类分类和贝叶斯优化进行超参数调整
背景：在日常生活中，交流和互动是每个生物非常重要的方面。情绪是增强人类交流过程的重要因素之一。面部表情和手势传达了非语言交流线索，在人际关系中起着至关重要的作用。因此，在建立关系时，了解人类的情绪是非常简单的。面部情绪识别在识别情绪方面起着至关重要的作用，因为它能够模仿人类的编码技能。它可以帮助实时了解用户正在经历哪些情绪，并且它在当代也获得了巨大的重要性，因为它应用于医学、计算机视觉和图像识别等各个领域。可以利用深度学习技术的优势构建情绪识别系统。为了开发具有更高精度的情绪识别模型，用于构建它的算法类型、训练集的大小、使用的参数调整算法等各种因素都很重要。对于良好的精度模型，超参数调整是深度学习过程的一个重要方面。超参数优化的良好选择确实可以使模型成功达到所需的精度。使用贝叶斯优化等超参数调整算法研究、实验和训练模型将有助于开发良好的面部情绪识别模型，并展示深度学习领域的显著科学进步。
使用结构 MRI 图像对阿尔茨海默病中的渐进性 MCI 进行分类的多流卷积神经网络
摘要 — 早期诊断阿尔茨海默病及其前驱期（也称为轻度认知障碍 (MCI)）至关重要，因为一些患有进行性 MCI 的患者会患上这种疾病。我们提出了一种多流深度卷积神经网络，该网络以基于块的图像数据为输入，以对稳定性 MCI 和进行性 MCI 进行分类。首先，我们将阿尔茨海默病的 MRI 图像与认知正常受试者的 MRI 图像进行比较，以使用多元统计检验识别不同的解剖标志。然后使用这些标志提取块，并将其输入到所提出的多流卷积神经网络中以对 MRI 图像进行分类。接下来，我们使用来自阿尔茨海默病图像的样本在单独的场景中训练架构，这些样本在解剖学上与进行性 MCI 图像和认知正常图像相似，以弥补进行性 MCI 训练数据的不足。最后，我们将训练好的模型权重转移到所提出的架构，以便使用进行性 MCI 和稳定 MCI 数据对模型进行微调。在 ADNI-1 数据集上的实验结果表明，我们的方法优于现有的 MCI 分类方法，F1 分数为 85.96%。
噪声数据集的二元分类器：现有量子机器学习框架和一些新方法的比较研究
量子机器学习是最有希望获得实际优势的研究领域之一，它是量子计算和传统机器学习思想相互影响的产物。在本文中，我们应用量子机器学习 (QML) 框架来改进金融数据集中普遍存在的噪声数据集的二元分类模型。我们用来评估量子分类器性能的指标是受试者工作特征曲线下面积 (ROC/AUC)。通过结合混合神经网络、参数电路和数据重新上传等方法，我们创建了受 QML 启发的架构，并利用它们对非凸二维和三维图形进行分类。对我们的新 FULL HYBRID 分类器与现有量子和经典分类器模型进行广泛的基准测试表明，与已知的量子分类器相比，我们的新模型对数据集中的非对称高斯噪声表现出更好的学习特性，并且对于现有的经典分类器表现同样出色，并且在高噪声区域内比经典结果略有改善。
通过开发自动图像分类a
生物学入侵正在影响全球生物多样性，生态系统和社会经济。海洋非土著物种（MNIS）可以通过人类活动（例如海上运输和粗心丢弃水族馆物种）引入。尽管为防止引入MNI的努力做出了重大努力，但仍会出现事件，包括紫s，甲壳类动物，沿海，anthozoans，bryozoans，bryozoans，sponges，acraalgae，acroalgae，seagrasses and Mangroves（Alidoost Salimi Salimi等，2021）。一旦MNI在接收者地区建立，控制和消除它们就成为一项艰巨的任务。早期对MNIS的认识可以提高早期反应的有效性，特别是在引入阶段，这对于减少MNIS的影响至关重要。因此，必须在成功建立新栖息地并对当地生物多样性构成威胁之前，制定可靠且具有成本效益的策略来对MNI的早期发现进行早期检测。公众在海洋保护中扮演着重要角色（EARP和LICONTI，2020年），例如检测和监视Acanthaster SPP的爆发和监测。（Dumas等，2020），以及管理侵入性狮子弯曲势力（Clements等，2021）。为了监视MNIS的存在，已采取行动来帮助公众熟悉并有效地认识这些物种，例如使用手表清单和指南。然而，由于海洋物种的生物多样性，准确识别标本