XiaoMi-AI文件搜索系统
World File Search Systemclassi
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。
分析瞬时大脑相互作用对运动图像分类任务的贡献
这项研究的目的是分析电极之间的相互作用的贡献，即以相关性或jaccard距离测量，对运动成像范式中两种作用的分类，即左手运动和右手运动。分析是在两个分类模型中进行的，即静态（线性判别分析，LDA）模型和动态（隐藏的条件随机范围，HCRF）模型。还分析了在静态和动态模型中使用滑动窗口技术（SWT）的影响。The study proved that their combination with temporal features provides significant information to improve the classification in a two-class motor imagery task for LDA (average accuracy: 0.7192 no additional features, 0.7617 by adding correlation, 0.7606 by adding Jaccard distance; p < 0.001) and HCRF (average accuracy: 0.7370 no additional features, 0.7764 by adding相关性，通过添加Jaccard距离为0.7793；另外，我们表明，在相互作用度量或分类器本身的性质上，电极之间的相互作用显着提高了每个分类器的性能。
国家评估中心第六次会议记录 - 汽车、仪器和杂项
分析报告编号 46/2021-22，主题为“‘玩具气球’错误分类，导致 BCD 和 IGST 付款不足”。在该报告中，NCTC 告知，玩具气球可根据 CTH 9503 进行分类，且必须获得 BIS 认证。主席指示与所有 Nodal Pr. 专员/专员分享分析报告。3.3.1 鉴于两项不同的 CAAR 裁定（参考孟买海关区 II、NCTC 发布的分析报告编号 46/2021-22），主席指示工作组（分类和相关问题）详细研究商品“铝箔气球/装饰气球”的分类，并在下次 NAC 会议之前提交报告进行讨论。主席还指示联合专员、NCTC重新审查此事，并建议工作组（分类和相关问题）确保NCTC及时了解最新情况，因为该决定将由NAC与NCTC协商后做出。
谱与空间指数在特定类别中的应用...
在本文中，我们讨论了使用指标来应对机载棱镜实验 (APEX) 高光谱开放科学数据集 (OSD) 的维数缺点，并使用可能性 c 均值 (PCM) 算法提高分类精度。这用于制定光谱和空间指标，以较低的维度描述数据集中的信息。这种降低的维度用于分类，试图提高确定特定类别的准确性。光谱指标是根据目标的光谱特征编制的，空间指标是使用定义邻域上的纹理分析来定义的。为了评估光谱和空间指标在提取特定类别信息中的适用性，考虑了 20 个不同空间分布的类别的分类。数据集的分类分两个阶段进行；光谱和光谱与空间指数的组合分别作为 PCM 分类器的输入。除了降低熵之外，在考虑光谱空间指数方法的同时，实现了 80.50% 的整体分类准确率，而仅光谱指数为 65%，最佳确定的主成分为 59.50%。
使用人工神经网络从脑电图中检测ereg中风患者的错误相关电位
摘要：已提出了与错误相关的电位（ERRP）作为改善大脑 - 计算机界面（BCI）性能的一种手段，方法是纠正BCI执行的不正确操作或标记数据以连续适应BCI以改善性能。后一种方法可能在中风康复中相关，在这种康复中，通过使用在整个康复过程中持续个性化的广义分类器，可以将BCI校准时间最小化。如果数据正确标记，则可以实现这一目标。因此，这项研究的目的是：（1）对中风的个体产生的单次试验错误，（2）调查测试 - 重测可靠性，（3）比较不同的分类校准方案与不同的分类方法与人工新神经网络（ANN，ANN，ANN，和LINARINAL ANTIFERINAL，LDA）的不同分类方法（人工Neuratial网络）和LDA的含义。25个中风的人在两天的时间里试图执行运动，然后在记录连续脑电图时收到反馈（错误/正确）。脑电图分为时期：errps和nonerrps。根据时间特征或整个时期，将时期与多层感知器ANN分类。此外，将特征与收缩LDA分类。特征是来自感觉运动皮层的ERR和非ERRPS的波形，以改善分类器输出的解释性和解释。测试了三个校准方案：今天，日间和跨参与者。使用日期校准，将90％的数据与整个时期正确分类为ANN的输入；当使用时间特征作为ANN和LDA的输入时，它降至86％和69％。两天之间的测试可靠性较差，而其他校准方案导致准确性在63-72％的范围内，LDA表现最好。个人的损伤水平与分类精度之间没有关联。结果表明，可以在中风的个体中对错误进行分类，但是使用这种方法最佳解码需要使用用户和会话特定的校准。使用ERRP/NONERRP波形特征使对分类器输出的生理有意义解释成为可能。结果可能对在BCI中连续将数据进行标记以进行中风康复，从而有可能改善BCI性能。
研究文章 人工智能和神经网络在教学中的应用
本研究旨在探索人工智能与网络技术在教学中的应用。通过研究基于人工智能的智慧课堂教学模式以及利用网络技术进行网络教学的优缺点，以数学课堂为例，对教学过程中课堂教师的提问环节进行智能分析。针对教师提出的问题，采用卷积神经网络（CNN）和长短期记忆（LSTM）网络分类模型，按照问题内容和类型对问题进行分类，并进行实验验证。结果表明，在教师提问内容维度的分类结果上，CNN模型整体表现优于LSTM模型。CNN具有更高的准确率，关键知识点分类准确率达到86.3%。LSTM只有79.2%，CNN提升了8.96%。在教师问题类型的分类结果中，CNN的准确率更高。提示问题的分类准确率最高，达到了87.82%。LSTM只有83.2%，CNN提升了4.95%。CNN在教师问题分类结果中表现更好。
![arxiv：2502.13080v1 [cs.lg] 2025年2月18日](/simg/g:\will\search\icon\source\7\78a73d211cfea610677f328c8a47b1c1de992e03.webp)
arxiv：2502.13080v1 [cs.lg] 2025年2月18日
摘要。基因表达分类是生物信息学中的一项关键但具有挑战性的任务，这主要是由于高度数据的高维度和过度拟合的风险。为了弥合这一差距，我们提出了Bolimes，这是一种新型特征选择算法，旨在通过系统地重新发现特征子集来增强基因表达分类。与仅依赖统计排名或分类特定选择的常规方法不同，我们将Boruta的稳健性与石灰的可解释性相结合，从而确保只保留最相关和最相关的基因。Bolimes第一位使用Boruta通过比较每个特征与其持有的对应物进行比较，从而释放了非信息性基因，从而保留了有价值的信息。然后，它使用石灰根据其对分类器的局部重要性来对剩余基因进行排名。最后，迭代分类评估通过选择最大化预测精度的基因数来确定最佳特征子集。通过将详尽的特征选择与可解释性驱动的重新结合结合，我们的解决方案有效地平衡了维数的降低与高分类性能，从而为高维基因表达分析提供了强大的解决方案。
基于线性unmixing
摘要：高光谱成像是一种多维光学技术，具有提供快速，准确的组织分类的潜力。主要的挑战是足够的处理多维信息，通常与较长的处理时间和显着的计算成本有关，这需要昂贵的硬件。在这项研究中，我们解决了体内脑组织术中高光谱图像的组织分类问题。为此，引入了两种方法，这些方法依赖于实用组织分类的盲线性乌不混合（BLU）方案。两种方法都通过BLU从训练数据集中识别与所研究组织类别相关的特征端成员，并通过最小距离方法对像素进行分类。将所提出的方法与基于监督支持向量机（SVM）分类器的机器学习方法进行了比较。与SVM方案相比，基于BLU的方法实现了〜459×和〜429×的加速因子，同时保持恒定甚至稍微改善分类性能。
![arXiv:2007.09260v1 [eess.IV] 2020 年 7 月 17 日](/simg/g:\will\search\icon\source\e\ed6e2d11fcc1a271a7986fb7330794c297956414.webp)
arXiv:2007.09260v1 [eess.IV] 2020 年 7 月 17 日
摘要 心理健康、神经发育和学习障碍的脑成像与机器学习相结合，仅根据患者的脑部活动来识别患者，并最终识别出从较小样本数据推广到较大样本的特征。然而，机器学习分类算法在神经功能数据上的成功仅限于数十名参与者的更同质的数据集。最近，更大的脑成像数据集允许应用深度学习技术，仅根据神经功能特征对脑状态和临床组进行分类。深度学习技术为医疗保健应用中的分类提供了有用的工具，包括结构化 3D 脑图像的分类。最近的方法提高了较大功能性脑成像数据集的分类性能，但它们无法提供有关潜在状况的诊断见解或提供分类所依据的神经特征的解释。我们通过利用多种网络可视化技术来应对这一挑战，以表明在负责学习高级特征的卷积神经网络层中使用此类技术，我们能够为专家支持的对被分类状况的见解提供有意义的图像。我们的结果表明，不仅能够仅通过大脑成像对发展性阅读障碍进行准确分类，而且还能够自动可视化所涉及的特征，与当代神经科学知识相匹配，这表明视觉解释确实有助于揭示被分类疾病的神经学基础。