XiaoMi-AI文件搜索系统
World File Search Systemclassification
在黎曼流形上对复杂 EEG 数据分布进行建模，以实现异常值检测和多模态分类
摘要 — 目的：近年来，黎曼几何在脑机接口 (BCI) 中的应用势头强劲。为黎曼 BCI 提出的大多数机器学习技术都认为流形上的数据分布是单峰的。然而，由于高数据变异性是脑电图 (EEG) 的一个关键限制，因此分布可能是多峰的而不是单峰的。在本文中，我们提出了一种新颖的数据建模方法，用于考虑 EEG 协方差矩阵的黎曼流形上的复杂数据分布，旨在提高 BCI 的可靠性。方法：我们的方法黎曼谱聚类 (RiSC) 使用基于测地距离的相似性测量的图来表示流形上的 EEG 协方差矩阵分布，然后通过谱聚类对图节点进行聚类。这允许灵活地在流形上对单峰和多峰分布进行建模。可以以 RiSC 为基础设计异常值检测器（即异常值检测黎曼谱聚类 (oden-RiSC)）和多模态分类器（即多模态分类器黎曼谱聚类 (mcRiSC)）。odenRiSC/mcRiSC 的所有必需参数均以数据驱动的方式选择。此外，无需预设异常值检测阈值和多模态分类模式数。结果：实验评估表明，odenRiSC 可以比现有方法更准确地检测 EEG 异常值，并且 mcRiSC 的表现优于标准单模态分类器，尤其是在高变异性数据集上。结论：odenRiSC/mcRiSC 有望使实验室外的真实 BCI 和神经人体工程学应用更加稳健。意义：RiSC 可以用作稳健的 EEG 异常值检测器和多模态分类器。
对Riemannian歧管上的复杂EEG数据分布进行建模朝外检测和多模式分类
摘要 - 目的：riemannian几何形状用于脑部计算机界面（BCIS）已在纪念百年中获得了动力。针对Riemannian BCIS提出的大多数机器学习技术都会考虑一个人的数据分布是单峰的。但是，由于高数据可变性是脑电图（EEG）的关键限制，因此该分布可能是多模式的，而不是单峰。在本文中，我们提出了一种新型的数据建模方法，用于考虑在EEG协方差矩阵的Riemannian歧管上考虑复杂的数据分布，旨在提高BCI可靠性。方法：我们的方法，riemannian光谱聚类（RISC），代表使用基于地质距离提出的模拟测量的图形上的eeg协方差矩阵分布，然后通过光谱群集将图形节点组成。这允许在歧管上建模单峰和多模式分布。RISC可以用作设计名为Outier检测的离群检测器Riemannian光谱聚类（ODEN-RISC）和名为多模式的多模式分类器Riemannian Spectral spectral clustering（MCRISC）的基础。以数据驱动方式选择Odenrisc/Mcrisc的所有必需参数。越过，无需预先设置离群检测的阈值和多模式分类的模式的数量。结果：实验评估表明，与现有方法相比，Odenrisc可以更准确地检测EEG异常值，而Mcrisc进行了标准的单峰分类器，尤其是在高变异性数据集上。结论：预计Odenrisc/Mcrisc将有助于使现实生活中的BCI在实验室外和神经学应用程序外应用更强大。明显：RISC可以用作强大的EEG Outier检测器和多模式分类器。
深度学习和可解释的土豆叶疾病分类的AI
马铃薯叶疾病的准确分类在确保作物的健康和生产力方面起着关键作用。本研究通过利用可解释的AI（XAI）和在深度学习框架内转移学习的力量来解决这一挑战的统一方法。在这项研究中，我们提出了一种基于转移学习的深度学习模型，该模型是针对马铃薯叶疾病分类而定制的。转移学习使该模型能够受益于经过训练的神经网络架构和权重，从而增强了其从有限标记的数据中学习有意义表示的能力。此外，将可解释的AI技术集成到模型中，以提供对其决策过程的可解释见解，从而有助于其透明度和可用性。我们使用公开可用的马铃薯叶病数据集训练该模型。获得的验证精度为97％，测试精度为98％。本研究应用梯度加权类激活映射（Grad-CAM）来增强模型的解释性。这种可解释性对于提高预测绩效，促进信任和确保无缝融合到农业实践至关重要。
EEG电极设置优化了新生儿睡眠状态分类的特征提取技术
1 1智能医学电子电子学中心，电子工程系，信息科学技术学院，富丹大学，上海，上海，2号，2 2号电气工程系，纳马尔大学米安瓦利，米安瓦利，米安瓦利，巴基斯坦，巴基斯坦3号上海，中国上海，中国5号新生儿学系，中国上海，上海，中国，伯明翰伯明翰大学电子，电气和系统工程系6，英国伯明翰大学，7人类现象学院，上海，上海，上海，中国，中国，8号，生物培训学院1智能医学电子电子学中心，电子工程系，信息科学技术学院，富丹大学，上海，上海，2号，2 2号电气工程系，纳马尔大学米安瓦利，米安瓦利，米安瓦利，巴基斯坦，巴基斯坦3号上海，中国上海，中国5号新生儿学系，中国上海，上海，中国，伯明翰伯明翰大学电子，电气和系统工程系6，英国伯明翰大学，7人类现象学院，上海，上海，上海，中国，中国，8号，生物培训学院
基于突发 c-VEP 的 BCI：优化刺激设计，以最少的校准数据增强分类并改善用户体验
利用代码调制视觉诱发电位 (c-VEP) 形式的非周期性闪烁视觉刺激代表了反应性脑机接口 (rBCI) 领域的一项关键进步。c-VEP 方法的主要优势在于模型的训练与目标的数量和复杂性无关，这有助于减少校准时间。尽管如此，现有的 c-VEP 刺激设计可以在视觉用户体验方面进一步改进，同时实现更高的信噪比，同时缩短选择时间和校准过程。在本研究中，我们介绍了一种创新的代码 VEP 变体，称为“突发 c-VEP”。这种原创方法涉及以故意缓慢的速率呈现短暂的非周期性视觉闪光，通常每秒闪光两次到四次。这种设计背后的原理是利用初级视觉皮层对低级刺激特征的瞬时变化的敏感性来可靠地引发一系列独特的视觉诱发电位。与其他类型的快节奏代码序列相比，突发 c-VEP 表现出良好的特性，可以使用卷积神经网络 (CNN) 实现高按位解码性能，从而有可能在需要更少校准数据的情况下实现更快的选择时间。此外，我们的研究重点是通过减弱视觉刺激对比度和强度来降低 c-VEP 的感知显着性，以显著提高用户的视觉舒适度。通过涉及 12 名参与者的离线 4 类 c-VEP 协议测试了所提出的解决方案。按照因子设计，参与者被指示关注 c-VEP 目标，其模式（突发和最大长度序列）和幅度（100% 或 40% 幅度深度调制）在实验条件下被操纵。首先，全幅突发 c-VEP 序列表现出更高的准确度，范围从 90.5%（使用 17.6 秒的校准数据）到 95.6%（使用 52.8 秒的校准数据），而 m 序列的准确度为 71.4% 到 85.0%。两种代码的平均选择时间（1.5 秒）与之前研究报告相比更为有利。其次，我们的研究结果表明，降低刺激强度仅会稍微降低突发代码序列的准确度至 94.2%，同时会显着改善用户体验。总之，这些结果证明了所提出的突发代码在性能和可用性方面推进反应式 BCI 的巨大潜力。收集的数据集以及所提出的 CNN 架构实现均通过开放存取存储库共享。
利用机器学习得出的解剖 MRI 图谱对痴呆症进行放射学分类
与本文无关的竞争性经济利益：OC 报告称，他已收到 AskBio（2020 年）的咨询费，已收到 Expression Santé（2019 年）的撰写普通观众短文的费用，已收到 Palais de la découverte（2017 年）的普通观众演讲演讲费，并且他的实验室已收到 Qynapse（2017 年至今）的资助（支付给该机构）。他的实验室成员与 myBrainTechnologies（2016 年至今）共同指导了一篇博士论文。OC 的配偶是 myBrainTechnologies（2015 年至今）的员工。OC 已向世界知识产权组织国际局提交了一项专利（PCT/IB2016/0526993、Schiratti JB、Allassonniere S、Colliot O、Durrleman S、一种确定生物现象时间进程的方法以及相关方法和设备）（2016 年）。
亚太地区体重指数分类及新...
此预印本的版权所有者于 2025 年 1 月 25 日发布此版本。；https://doi.org/10.1101/2024.01.06.23300566 doi: medRxiv preprint
增强垃圾分类的Resnet-50
随着人们的物质生活水平继续提高，房屋的类型和数量 - 持有垃圾的类型和数量迅速增加。因此，迫切需要开发一种合理有效的垃圾分类方法。这对于资源回收和环境改进非常重要，并有助于生产和经济的可持续发展。但是，由于大量模型参数，现有的基于深度学习的垃圾图像分类模型通常会遭受低分类精度，鲁棒性不足和慢速检测速度的影响。为此，提出了一个新的垃圾图像分类模型，并以Resnet-50网络为核心架构。特别是，首先提出了一个冗余特征融合模块，使该模型能够充分利用有价值的功能信息，从而提高其性能。同时，该模块从多尺度功能中滤除了冗余信息，从而减少了模型参数的数量。第二，Resnet-50中的标准3×3卷积被替换为深度分离的卷积，从而显着提高了模式的计算效率，同时保留了原始卷积结构的特征提取能力。最后，为了解决阶级不平衡问题，加权因素被添加到焦点损失中，旨在减轻类不平衡对模型性能的负面影响并增强模型的鲁棒性。trashnet数据集的实验结果表明，所提出的模型有效地减少了大小的数量，提高检测速度并达到94.13％的准确性，超过了现有的基于深度学习的废物图像分类模型的绝大多数，表明其固定实用值。
时间序列分类和深层模型Hassan Tanveer 1*，Namoos Zahra 2，Nimra Batool 3 1 DePaul University，芝加哥，
抽象时间序列异常检测曾经以一种基本分析方法存在。早期序列异常检测技术主要是统计和机器学习。对于深度神经网络的实际过程，实验者不断地探讨了深度神经网络在异常检测任务中的结果，比传统方法更有帮助。传统模型使用指挥机器学习算法。在拟议的应用程序中，组织和注释如此大量的数据集是具有挑战性的，耗时的或太昂贵的，并且需要从该领域的专业人员学习专业化。因此，对于研究人员和从业者来说，异常检测已成为一个重大挑战。异常检测是指检测异常数据实例的过程。在此分析中，我们为时间序列数据中的异常检测提出了一个无监督和可扩展的框架。所提出的技术是在各种自动编码器上建立的。一种深厚的，富有生产力的模型，将各种信念与深度学习结合在一起。此外，还为时间序列数据执行了实时分析。我们使用LSTM网络来处理，进行预测和基于时间序列数据进行分类。关键字：时间序列，深度学习，神经网络，异常检测，LSTM，深神经网络，无监督学习
增材制造工艺对零件缺陷和性能的影响：分类综述
摘要 增材制造 (AM) 是一种成熟的制造技术，它允许更大的设计自由度。在现有的七种 AM 工艺中，由于每种制造工艺的物理特性不同，我们观察到打印部件中存在各种缺陷。如果没有清晰的几何-工艺-缺陷深度相互作用的概述，这种各种各样的缺陷会使设计步骤变得复杂。这些缺陷可能是基于工艺或机器的，其分类通常会引发方法和术语问题。本文建议使用基于工艺的方法回顾 AM 一般部件缺陷。本文的目的是为设计师提供一种分类，通过考虑所选工艺，通过评估影响最终部件的不同缺陷，让他们能够在部件设计中做出选择。对于 ISO/ASTM 52900 中定义的每个工艺类别，都会审查零件的主要属性和缺陷，并将其分为四类：几何形状和尺寸、表面质量、微观结构和机械性能。本审查特别关注影响缺陷和属性的工艺参数，以便设计师根据工艺或零件的预期要求做出相关选择。