XiaoMi-AI文件搜索系统
World File Search Systemclassi
![arXiv:2006.15357v1 [cs.CV] 2020 年 6 月 27 日](/simg/g:\will\search\icon\source\a\aa25a206e2350e95792d60cffc94ef86d9a7bc51.webp)
arXiv:2006.15357v1 [cs.CV] 2020 年 6 月 27 日
摘要：视觉分类的新视角旨在从人类大脑活动中解码视觉对象的特征表示。从大脑皮层记录脑电图（EEG）已被视为了解图像分类任务的认知过程的常用方法。在本研究中，我们提出了一个由视觉诱发电位引导的深度学习框架，称为事件相关电位（ERP）-长短期记忆（LSTM）框架，由EEG信号提取用于视觉分类。具体而言，我们首先从多个EEG通道中提取ERP序列以响应与图像刺激相关的信息。然后，我们训练一个LSTM网络来学习视觉对象的特征表示空间以进行分类。在实验中，10名受试者从包含6个类别的图像数据集中记录了超过50,000次EEG试验，总共包括72个样例。我们的结果表明，我们提出的 ERP-LSTM 框架可以分别实现类别（6 类）和样本（72 类）的跨对象分类准确率 66.81% 和 27.08%。我们的结果优于使用现有的视觉分类框架，分类准确率提高了 12.62% - 53.99%。我们的研究结果表明，从 EEG 信号中解码视觉诱发电位是学习用于视觉分类的判别性大脑表征的有效策略。
使用卷积神经网络模型增强图像分类
近年来，随着当前分类系统在数字内容识别中的快速发展，图像的自动分类已成为计算机视觉领域中最具挑战性的任务。可以看出，与人类的愿景相比，系统对于系统自动理解和分析图像的视力非常具有挑战性。已经完成了一些研究论文来解决低级当前分类系统中的问题，但输出仅限于基本图像特征。类似地，这些方法无法准确对图像进行分类。对于此领域的预期结果，例如计算机视觉，本研究提出了一种使用深度学习算法的深度学习方法。在这项研究中，一个基于卷积神经网络（CNN）的建议模型，该模型是一种机器学习工具，可用于图像的自动分类。该模型与图像的分类有关，为此，它采用Corel Image Dataset（Corel Gallery Image DataSet）作为参考。用于培训的数据集中的图像要比图像的分类更难，因为它们需要更多的计算资源。在实验部件中，使用CNN网络训练图像的精度为98.52％，证明该模型在图像的分类中具有很高的精度。
输入形状对用于脑机接口的卷积神经网络的原始 EEG 运动想象信号分类性能的影响
摘要：许多研究人员对脑电信号进行解释、分析和分类，以用于脑机接口。尽管脑电信号采集方法有很多种，但最有趣的方法之一是运动想象信号。已经开发了许多不同的信号处理方法、机器学习和深度学习模型来对运动想象信号进行分类。其中，卷积神经网络模型通常比其他模型取得更好的效果。由于数据的大小和形状对于训练卷积神经网络模型和发现正确的关系非常重要，研究人员设计并试验了许多不同的输入形状结构。然而，在文献中还没有发现评估不同输入形状对模型性能和准确性影响的研究。在本研究中，研究了不同输入形状对脑电运动想象信号分类模型性能和准确性的影响，这在以前没有专门研究过。此外，没有使用信号预处理方法，因为在分类之前需要很长时间；而是开发了两个 CNN 模型，使用原始数据进行训练和分类。分类过程中使用了两个不同的数据集，BCI 竞赛 IV 2A 和 2B。对于不同的输入形状，2A 数据集获得了 53.03–89.29% 的分类准确率和 2–23 秒的 epoch 时间，2B 数据集获得了 64.84–84.94% 的分类准确率和 4–10 秒的 epoch 时间。这项研究表明，输入形状对分类性能有显著影响，当选择正确的输入形状并开发正确的 CNN 架构时，CNN 架构可以很好地完成特征提取和分类，而无需任何信号预处理。
结合多视角信息增强多模态 MRI 数据的特征表示，实现 MCI 分类
轻度认知障碍 (MCI) 是阿尔茨海默病的早期阶段，与大脑结构和功能变化有关，其分类仍然是一项具有挑战性的任务。最近的研究表明，通过结合多种结构和功能特征（例如灰质体积和聚类系数）有望提高 MCI 分类的性能。然而，提取哪些特征以及如何组合多种特征来提高 MCI 分类的性能一直是一个具有挑战性的问题。为了解决这些问题，在本研究中，我们提出了一种新方法，通过结合多视图信息来增强多模态 MRI 数据的特征表示，以提高 MCI 分类的性能。首先，我们基于自动解剖标记 (AAL) 图谱从每个受试者的 T1w MRI 和 rs-fMRI 数据中提取每个皮质大脑区域的两个结构特征（包括灰质体积和皮质厚度）和两个功能特征（包括聚类系数和最短路径长度）。然后，为了获得更有助于区分 MCI 受试者的特征，提出了一种改进的多任务特征选择方法，即 MTFS-gLASSO-TTR。最后，采用多核学习算法将多个特征组合起来执行 MCI 分类任务。我们针对来自阿尔茨海默病神经影像计划 (ADNI) 数据库的 315 名受试者（包括 105 名 LMCI 受试者、105 名 EMCI 受试者和 105 名 NC）评估了我们提出的 MCI 分类方法，这些受试者的 T1w MRI 和 rs-fMRI 数据均来自阿尔茨海默病神经影像计划 (ADNI) 数据库。实验结果表明，我们提出的方法对 LMCI/NC 分类的准确率为 88.5%，受试者工作特征 (ROC) 曲线下面积 (AUC) 为 0.897，对 EMCI/NC 分类的准确率为 82.7%，AUC 为 0.832，对 LMCI/EMCI 分类的准确率为 79.6%，AUC 为 0.803。此外，通过比较，我们提出的方法在 MCI 分类中的准确率和 AUC 值优于一些现有的最先进方法。总的来说，我们提出的 MCI 分类方法是有效的，并且有望在临床实践中用于 MCI 的自动诊断。
基于多子域自适应网络的单源到单目标跨受试者运动想象分类
摘要：在基于脑电图 (EEG) 的跨受试者运动想象 (MI) 分类任务中，设备和受试者问题会导致与时间相关的数据分布偏移问题。在单源到单目标 (STS) MI 分类任务中，这种偏移问题必然会导致源域和目标域之间整体数据分布差异的增加，从而导致分类准确率下降。本文提出了一种新颖的多子域自适应方法 (MSDAN) 来解决偏移问题并提高传统方法的分类准确率。在所提出的 MSDAN 中，通过测量源子域和目标子域之间的分布差异来获得与类相关和与时间相关的子域（由不同的数据标签和会话标签划分）中的自适应损失。然后，同时最小化 MSDAN 损失函数中的自适应和分类损失。为了说明所提方法的应用价值，我们的方法被用于解决脑机接口 (BCI) 竞赛 III-IVa 数据集的数据分析的 STS MI 分类任务。实验结果表明，与其他方法相比，
使用简约机器学习CT扫描图像中的脑出血分类
摘要：随着时间的流逝，已为模式分类生成了无数的应用。几个案例研究包括参数分类器，例如多层感知器（MLP）分类器，这是当今使用最广泛的分类器之一。其他人使用非参数分类器，支持向量机（SVM），K-Nearest邻居（K-NN），幼稚的贝叶斯（NB），Adaboost和Random Forest（RF）。但是，仍然几乎没有针对人工智能（AI）的新趋势的工作，该趋势被称为可解释的人工智能（X-AI）。这种新趋势旨在使机器学习（ML）算法越来越简单且易于理解用户。因此，在这项工作中，在这项工作中，作者基于新型极简主义机器学习（MML）范式的实现以及更高的相关性属性选择算法，开发了一种新的模式分类方法，我们称之为DMeans。我们检查并比较了该方法的性能与MLP，NB，KNN，SVM，ADABOOST和RF分类器，以执行计算机断层扫描（CT）脑图像的分类任务。这些灰度图像的面积为128×128像素，并且数据集中有两个类别可用：CT无出血和CT，具有室内出血（IVH）的CT，使用剩余的交叉验证方法对它们进行了分类。大多数通过一对一的交叉验证测试的模型的精度在50％至75％之间，而灵敏度和灵敏度在58％至86％之间。使用我们的方法进行的实验与观察到的最佳分类器相匹配，其精度为86.50％，并且它们的表现优于特定的所有最先进的算法，而91.60％的算法的表现。这种性能是通过简单且实用的方法齐头并进的，这些方法与这种易于解释的算法的趋势并驾齐驱。
基于对齐的对抗训练 (ABAT) 可提高基于 EEG 的 BCI 的稳健性和准确性
摘要 — 机器学习在基于脑电图 (EEG) 的脑机接口 (BCI) 中取得了巨大成功。现有的大多数 BCI 研究都侧重于提高解码精度，只有少数研究考虑了对抗安全性。尽管在计算机视觉等其他应用领域已经提出了许多对抗性防御方法，但先前的研究表明，将它们直接扩展到 BCI 会降低良性样本的分类精度。这种现象极大地影响了对抗性防御方法对基于 EEG 的 BCI 的适用性。为了缓解这个问题，我们提出了基于对齐的对抗性训练 (ABAT)，它在对抗性训练之前执行 EEG 数据对齐。数据对齐将来自不同领域的 EEG 试验对齐以减少它们的分布差异，而对抗性训练进一步增强了分类边界的鲁棒性。数据对齐和对抗性训练的结合可以使训练后的 EEG 分类器同时更准确、更鲁棒。在两种不同的 BCI 范式（运动想象分类和事件相关电位识别）的五个 EEG 数据集、三个卷积神经网络分类器（EEGNet、ShallowCNN 和 DeepCNN）和三种不同的实验设置（离线受试者内跨块/会话分类、在线跨会话分类和预训练分类器）上进行的实验证明了其有效性。非常有趣的是，通常用于破坏 BCI 系统的对抗性攻击可以在 ABAT 中使用，以同时提高模型准确性和鲁棒性。
使用黎曼概率的贝叶斯积累的端到端 P300 BCI
摘要 — 在脑机接口 (BCI) 中，大多数基于事件相关电位 (ERP) 的方法都侧重于 P300 的检测，旨在对拼写任务进行单次试验分类。虽然这是一个重要的目标，但现有的 P300 BCI 仍然需要多次重复才能达到正确的分类准确率。P300 BCI 中的信号处理和机器学习进步主要围绕 P300 检测部分，而字符分类不在范围之内。为了在保持良好字符分类的同时减少重复次数，解决完整的分类问题至关重要。我们引入了一个端到端流程，从特征提取开始，由使用概率黎曼 MDM 的 ERP 级分类组成，该分类使用跨试验的贝叶斯置信度积累提供字符级分类。现有方法仅在字符闪现时增加其置信度，而我们新的管道，称为黎曼概率贝叶斯累积 (ASAP)，在每次闪现后更新每个字符的置信度。我们提供了此贝叶斯方法的正确推导和理论重新表述，以便无缝处理从信号到 BCI 字符的信息。我们证明我们的方法在公共 P300 数据集上的表现明显优于标准方法。
基于 Gram–Schmidt 正交化的白化技术用于脑机接口应用的运动想象分类
摘要：为降低脑机接口（BCI）的准确率差异，提出了一种新的运动想象（MI）分类白化技术。该方法旨在提高脑电图特征脸分析对 BCI 的 MI 分类的性能。在 BCI 分类中，为了获得优异的分类结果，受试者之间的准确率差异对准确率本身很敏感。因此，借助 Gram-Schmidt 正交化，我们提出了一种 BCI 通道白化（BCICW）方案来最小化受试者之间的差异。新提出的 BCICW 方法改善了真实数据中 MI 分类的方差。为了验证和检验所提出的方案，我们使用 MATLAB 仿真工具对 BCI 竞赛 3 数据集 IIIa（D3D3a）和 BCI 竞赛 4 数据集 IIa（D4D2a）进行了实验。对于 D3D3a，使用基于 Gram–Schmidt 正交化的 BCICW 方法时，方差数据 (11.21) 远低于使用 EFA 方法 (58.33) 时，对于 D4D2a，方差数据从 (17.48) 降至 (9.38)。因此，所提出的方法可有效用于 BCI 应用的 MI 分类。
使用卷积神经网络解码三种不同的消费者偏好水平：功能性近红外光谱研究
本研究使用卷积神经网络（CNN）在神经市场中解码消费者的偏好水平。神经营销中的分类准确性是评估消费者意图的关键因素。功能性近红外光谱（FNIRS）被用作神经成像模态来测量脑血流动力学反应。在这项研究中，设计一种称为基于CNN的FNIRS-DATA分析的特定解码结构，旨在达到高分类的准确性。与其他方法相比，自动化特征，数据集的持续培训以及所提出方法的学习效率是主要优点。实验程序需要八名健康参与者（四名女性和四名男性）来观看不同持续时间（15、30和60 s）的商业广告视频。参与者的脑血液动力学反应。为了比较偏好分类性能，CNN用于提取最常见的特征，包括均值，峰，方差，峰度和偏度。考虑三个视频持续时间，平均分类精度为15、30和60 s的视频分别为84.3、87.9和86.4％。其中，30 s视频的分类准确性为87.9％。女性和男性三个偏好的平均分类精度分别为86.2和86.3％，每组没有差异。最后，成对分类性能如下：对于女性，为86.1％（如SO-SO），87.4％（如对不喜欢的人），85.2％（SO-SO vs. vs.不喜欢）和男性85.7，85.7，88.4，88.4，85.1％。通过比较两组之间的三种不同组合的分类性能（例如与So-So，如so-so，如不喜欢和So-so vs.的不喜欢），观察到男性参与者对商业广告具有针对性的偏好，分类性能和“ live” vs.“ live” vs。