XiaoMi-AI文件搜索系统
World File Search Systemclassi
计算效率高的神经网络分类器，适用于下一代...
摘要 — 本研究探索了神经网络分类器在下一代响应性神经调节系统中实时分类基于场电位的生物标志物的潜在效用。与传统的基于滤波器的分类器相比，神经网络可以轻松调整特定于患者的参数，有望减轻临床医生的编程负担。本文探讨了一种紧凑的前馈神经网络架构，该架构仅由数十个单元组成，用于难治性癫痫的癫痫发作状态分类。所提出的分类器在临床医生标记的数据上提供与滤波器分类器相当的准确度，同时减少检测延迟。作为对传统方法的权衡，本文专注于将架构的复杂性保持在最低水平，以适应可植入脉冲发生器系统的板载计算约束。
基于量子态判别的多类分类
我们提出了一个通用框架，用于解决多类分类问题，该框架使用可以解释为模糊集的分类函数。我们在基于量子态鉴别技术的量子启发式分类器领域专门研究这些函数。具体来说，我们使用由给定数据集的训练集确定的模糊可观测量（正算子值测度）来构建这些分类函数。我们表明，一旦这些分类函数从训练数据集的量子编码中“提炼”（在经典平台上），就可以在近期的量子计算机上测试此类分类器。我们将这些实验结果与理论结果进行了比较，并提出了一些问题以供未来研究。© 2023 Elsevier BV 保留所有权利。
有效处理数据集中缺失值，用于使用机器学习方法进行分类
摘要：缺少值的存在减少了机器学习模型在训练阶段学习的知识量，从而对分类精度产生了负面影响。为了应对这一挑战，我们介绍了支持向量机（SVM）回归的使用来推出丢失值。此外，我们提出了一个两级分类过程，以减少错误的分类数量。我们对提出方法的评估是使用PIMA印度数据集进行糖尿病分类的。我们比较了五种不同的机器学习模型的性能：天真的贝叶斯（NB），支持向量机（SVM），K-Nearest邻居（KNN），随机森林（RF）和线性回归（LR）。我们的实验结果表明，SVM分类器的精度最高为94.89％。RF分类器的精度最高（98.80％），而SVM分类器的召回率最高（85.48％）。NB模型的F1得分最高（95.59％）。我们提出的方法通过解决数据集中缺失值的问题来在早期阶段检测糖尿病提供了有希望的解决方案。我们的结果表明，使用SVM回归和两级分类过程可以显着提高糖尿病分类的机器学习模型的性能。这项工作为糖尿病研究领域提供了宝贵的贡献，并突出了解决机器学习应用中缺失值的重要性。
使用滤波器组任务相关成分分析对上肢运动进行多类分类
摘要 — 肢体运动分类可为非侵入式脑机接口提供控制命令。以往对肢体运动分类的研究主要集中在左/右肢的分类；然而，尽管上肢运动的分类为脑机接口提供了更多主动诱发的控制命令，但上肢运动的不同类型分类却常常被忽视。尽管如此，很少有机器学习方法可以作为肢体运动多类分类的最新方法。本文重点研究上肢运动的多类分类，提出了多类滤波器组任务相关成分分析 (mFBTRCA) 方法，该方法包括三个步骤：空间滤波、相似性测量和滤波器组选择。空间滤波器，即任务相关成分分析，首次用于上肢运动的多类分类。
使用具有联合分布自适应和流形正则化的在线选择性传输 TSK 模糊分类器根据 EEG 信号对癫痫发作进行分类
为了识别癫痫患者的异常脑电图 (EEG) 信号，在本研究中，我们提出了一种基于联合分布自适应和流形正则化的在线选择性转移 TSK 模糊分类器。与大多数现有的转移分类器相比，我们的分类器有自己的特点：（1）来自源域的标记 EEG 时期不能准确表示目标域中的原始 EEG 时期。我们的分类器可以利用目标域中很少的校准数据来诱导目标预测函数。（2）联合分布自适应用于最小化源域和目标域之间的边缘分布距离和条件分布距离。（3）使用聚类技术选择源域，从而降低分类器的计算复杂度。我们根据波恩大学提供的原始 EEG 信号构建了六种传输场景来验证我们分类器的性能，并引入四个基线和一个传输支持向量机 (SVM) 进行基准研究。实验结果表明，我们的分类器获得了最佳性能并且对其参数不太敏感。
![arXiv:2001.04225v1 [eess.SP] 2020 年 1 月 10 日](/simg/g:\will\search\icon\source\2\237da1b44e6250d88436049db31719ee5e1c9cb5.webp)
arXiv:2001.04225v1 [eess.SP] 2020 年 1 月 10 日
摘要。深度神经网络 (DNN) 已在各种机器学习领域得到研究。例如，事件相关电位 (ERP) 信号分类是一项高度复杂的任务，可能适合 DNN，因为信噪比低，并且底层空间和时间模式显示出很大的主体内和主体间变异性。卷积神经网络 (CNN) 与基线传统模型（即线性判别分析 (LDA) 和支持向量机 (SVM)）进行了比较，使用大量多主体公开可用的学龄儿童 P300 数据集（138 名男性和 112 名女性）进行单次试验分类。对于单次试验分类，所有测试的分类模型的分类准确率保持在 62% 到 64% 之间。当将训练好的分类模型应用于平均试验时，准确率提高到 76-79%，分类模型之间没有显著差异。CNN 并未证明优于测试数据集的基线。讨论了与相关文献的比较、局限性和未来发展方向。
DeepTumor：脑 MR 图像分类、分割和肿瘤检测框架
摘要：由于人脑的敏感性，从图像中正确分割脑肿瘤对于患者和医务人员都非常重要。手术干预需要医生非常谨慎和精确地瞄准大脑所需的部位。此外，分割过程对于多类肿瘤分类也很重要。这项工作主要集中在脑磁共振图像处理的三个主要领域进行分类和分割，即：脑磁共振图像分类、肿瘤区域分割和肿瘤分类。提出了一个名为DeepTumor的框架，用于将多阶段多类胶质瘤肿瘤分类为四类；水肿、坏死、增强和非增强。对于脑磁共振图像二元分类（肿瘤和非肿瘤），提出了两个深度卷积神经网络 (CNN) 模型用于脑磁共振图像分类； 9层模型，共有217,954个可训练参数，以及一个改进的10层模型，共有80,243个可训练参数。在第二阶段，提出了一种基于增强模糊C均值（FCM）的技术用于脑MRI图像中的肿瘤分割。在最后阶段，提出了一个增强的CNN模型3，该模型具有11个隐藏层，共有241,624个可训练参数，用于将分割后的肿瘤区域分为四个胶质瘤肿瘤类。实验使用BraTS MRI数据集进行。将提出的CNN模型用于二分类和多类肿瘤分类的实验结果与现有的CNN模型（如LeNet，AlexNet和GoogleNet）以及最新文献进行了比较。
使用 LiDAR 数据得出的地形属性对城市地区数字土壤测绘的地貌进行分类：以德国柏林为例
摘要：本研究采用基于知识的模糊分类方法，通过分析从数字高程模型 (DEM) 获得的形态参数 (地形属性) 对城市地区可能的土壤地貌进行分类。以柏林市区为例，比较了两种不同分辨率的 DEM 在寻找地貌、土壤类型之间的特定关系以及这些 DEM 用于土壤制图的适用性方面的潜力。几乎所有的地形参数都是从高分辨率光探测和测距 (LiDAR)-DEM (1 m) 和先进星载热发射和反射辐射计 (ASTER)-DEM (30 m) 获得的，这些参数被用作对选定研究区域内地貌进行分类的阈值，总面积约为 39.40 km 2 。通过将地面点样本作为地面真实数据与分类结果进行比较，评估了两种分类的准确性。基于 LiDAR-DEM 的分类在将城市地区的地貌分类为地貌（子）类别方面表现出良好的效果。总体准确度为 93%，这说明该分类结果令人满意。而基于 ASTER-DEM 的分类准确度为 70%。基于 ASTER-DEM 的分类较为粗糙，需要与土壤形成因素直接相关的更多详细信息来提取地貌参数。在对地貌进行分类时，使用 LiDAR-DEM 分类的重要性尤为明显
基于深度卷积神经网络的癫痫脑电图（EEG）信号分类
脑电图 (EEG) 信号包含有关大脑电活动的重要信息，被广泛用于辅助癫痫分析。癫痫诊断中一个具有挑战性的要素，即对不同癫痫状态的准确分类，尤其令人感兴趣并得到了广泛的研究。本文提出了一种基于深度学习的新型分类方法，即癫痫脑电信号分类 (EESC)。该方法首先将癫痫脑电信号转换为功率谱密度能量图 (PSDED)，然后应用深度卷积神经网络 (DCNN) 和迁移学习从 PSDED 中自动提取特征，最后对四类癫痫状态进行分类 (发作间期、发作前持续时间至 30 分钟、发作前持续时间至 10 分钟和癫痫发作)。它在准确性和效率方面优于现有的癫痫分类方法。例如，在 CHB-MIT 癫痫脑电图数据的案例研究中，它实现了超过 90% 的平均分类准确率。
基于脑电图感知的视觉和振动触觉引导的运动意象分类
摘要：运动想象 (MI) 是一种无需实际使用肌肉即可想象运动任务执行的技术。当用于由脑电图 (EEG) 传感器支持的脑机接口 (BCI) 时，它可以用作人机交互的成功方法。本文使用 EEG MI 数据集评估了六种不同分类器的性能，即线性判别分析 (LDA)、支持向量机 (SVM)、随机森林 (RF) 和来自卷积神经网络 (CNN) 系列的三种分类器。该研究调查了这些分类器在静态视觉提示、动态视觉引导以及动态视觉和振动触觉 (体感) 引导的组合指导下对 MI 的有效性。还研究了数据预处理过程中滤波通带的影响。结果表明，在检测不同方向的 MI 时，基于 ResNet 的 CNN 在振动触觉和视觉引导数据上的表现都明显优于竞争分类器。事实证明，使用低频信号特征对数据进行预处理是实现更高分类准确度的更好解决方案。研究还表明，振动触觉引导对分类准确度有显著影响，而相关改进对于结构更简单的分类器尤其明显。这些发现对于基于 EEG 的 BCI 的开发具有重要意义，因为它们提供了有关不同分类器在不同使用环境中的适用性的宝贵见解。