XiaoMi-AI文件搜索系统
World File Search Systemclassifying
一种利用计算机视觉对蚜虫进行计数和分类的方法
蚜虫是一种会直接危害农作物的昆虫，它通过吸食植物汁液和间接传播可引起疾病的微生物来造成损害。谷类作物是许多蚜虫物种的宿主，包括禾谷管蚜（一种具有重要经济价值的蚜虫物种）。记录和分类蚜虫对于评估和预测农作物损害是必要的。因此，可作为决策控制措施的基础。它还可用于评估植物对蚜虫的抗性。传统上，记录过程是手动的，依赖于放大和训练有素的工作人员。手动计数也是一个耗时的过程，容易出错。考虑到这一点，本文介绍了一种使用图像处理、计算机视觉和机器学习方法自动计数和分类禾谷管蚜的方法和软件。本文还对 40 个样本进行了专家手动计数与软件获得的值的比较。结果显示，计数分类 (rs = 0.92579) 和测量 (r = 0.9799) 具有很强的正相关性。总之，该软件被证明是可靠的，并且对蚜虫种群监测研究有用。
对不同风格的冥想方式进行心智流浪的脑电图
摘要。在现代世界中，很容易迷失思想，部分原因是我们通过智能手机触手可及的大量知识将我们的认知资源分开，部分原因是我们的内在思想。在这项工作中，我们旨在找到在不同冥想风格中常见的思维和冥想神经签名的差异。我们使用不同冥想风格的专家，即Shamatha，Zazen，Dzogchen和可视化的专家在冥想过程中进行的脑电图记录。我们使用剩余的验证技术评估模型，以训练三种冥想样式并测试第四个剩余样式。使用这种方法，我们达到了70％以上的平均分类准确性，这表明冥想技术的EEG信号在跨冥想方式上具有独特的神经特征，并且可以与流浪状态区分开。此外，我们使用T-SNE，PCA和LLE算法从较高维度产生较低的嵌入，并观察到冥想和思维方式之间嵌入的视觉差异。我们还解散了所提出的设计的一般流程以及对神经反馈支持思维的检测和校正设备的贡献。
对生物特征数据进行分类以实现虚拟现实中的音乐互动
摘要。自 2015 年以来，商业手势界面扩大了研究人员和艺术家使用新型肌电图 (EMG) 生物特征数据的范围。EMG 数据可测量肌肉幅度，并使我们能够通过与数字媒体进行自然手势交互来增强人机交互 (HCI)。虚拟现实 (VR) 是一种沉浸式技术，能够模拟现实世界及其抽象。然而，当前的商业 VR 技术不具备处理和使用生物特征信息的能力。与当前商业 VR 设备中使用光学传感器进行手势识别相比，在 VR 中使用生物特征识别技术可以更好地描述手势细节并使用复杂的自定义手势，例如器乐演奏中的手势。然而，EMG 数据很复杂，必须使用机器学习来使用它。本研究使用 Myo 臂带对 Wekinator 中的四种自定义手势进行分类，并观察它们的预测准确性和表示（包括或省略信号开始）以在 VR 中创作音乐。结果表明，根据手势表示类型，特定的回归和分类模型在对 VR 中高级音乐 HCI 的四种音乐手势进行分类时最为准确。我们应用并记录了我们的结果，表明 EMG 生物识别技术有望成为未来 VR 中交互式音乐创作系统的良方。
利用机器学习技术分类翻译和不翻译的公司年度
摘要全球化导致在国际市场中广泛采用翻译的公司年度报告。尽管如此，这些翻译的文档是否符合相同的功能并与非翻译的同行相同的功能并有效地与国际投资者进行有效交流。考虑到他们对利益相关者的意义，将这两种报告区分是必不可少的，但是在这一领域的研究不足。本研究试图通过利用机器学习算法来根据其翻译状态对企业年度报告进行分类来弥合这一差距。通过构建可比文本的语料库并采用13个句法复杂性指数作为特征，我们使用八种不同的算法分析了报告：幼稚的贝叶斯，逻辑回归，支持向量机，K-Nearest邻居，神经网络，随机森林，渐进森林，渐进，渐进，增强和深度学习。此外，通过组合三种最有效的算法来创建集合模型。我们研究中表现最佳的模型达到了曲线（AUC）的面积为99.3％。这种创新的方法证明了句法复杂性索引在机器学习中对企业报告中翻译语言进行分类的有效性，从而为文本分类和翻译语言研究提供了有价值的见解。我们的发现为多语言环境中的利益相关者带来了关键的影响，强调了该领域进一步研究的需求。
研究论文 随机森林算法在 CancerLips 数据分类中的有效性评估
摘要：唇癌虽然较少被讨论，但仍然是肿瘤学领域的一个重大问题。早期发现和诊断对于改善患者的治疗效果至关重要。这项研究评估了 RandomForest 算法对 CancerLips 数据集进行分类的有效性，该数据集是使用 Canny 分割方法处理并使用 Hu 矩描述的唇部图像集合。使用 5 倍交叉验证方法，该算法的平均准确率约为 70.96%。结果凸显了机器学习技术（特别是 RandomForest）在辅助唇癌检测方面的潜力。然而，预处理方法和特征提取的选择在确定结果方面起着至关重要的作用。这项研究强调了进一步研究的必要性，重点是算法优化和与其他数据集或特征提取方法的比较，以提高医学成像的诊断精度。
注意与否：对视觉选择性注意频率特征进行分类和解释
摘要：选择性注意是指在处理对实现我们的行为目标很重要的事物（目标事物）而不是对那些目标不重要的事物（干扰事物）的能力。先前的研究表明，选择性注意的机制有助于提高对简单的日常任务和需要学习新信息的更复杂活动的感知能力。最近，使用逻辑回归 (LR) 和支持向量机 (SVM) 分类，已经验证了对目标事物和干扰事物的选择性注意在频域中是可分离的。然而，在选择性注意的背景下，辨别目标和干扰事物的动态尚未完成。本文扩展了仅依靠神经活动（频率特征）对干扰和意图进行可能的分类和解释的研究。具体来说，本文 (i) 对干扰对象与目标对象进行分类，复制先前研究中的 LR 分类，通过 (ii) 解释与所有特征相关的系数权重（重点是 N2PC 特征）来扩展分析，以及 (iii) 使用解释分析认为重要的特征重新训练 LR 分类器。通过解释方法，我们成功地将特征大小减少到总特征的 7.3% - 即从 19,072 个特征减少到 1,386 个特征 - 同时仅记录了 0.04 的性能准确度得分损失 - 即从 0.65 减少到 0.61。此外，对分类器系数权重的解释揭示了有关频率的新证据，这已与本文一起讨论过。
一种结合 SqueezeNet 模型与 SVM 和微调的脑肿瘤分类新方法
摘要：脑癌在老年人和年轻人中最为常见，并且对老年人和年轻人都可能是致命的。如果能迅速诊断和治疗，脑肿瘤可以更好地治愈。在处理医学图像时，深度学习方法对于帮助人类诊断各种疾病至关重要。对脑肿瘤进行分类是一个必不可少的步骤，它在很大程度上依赖于医生的经验和培训。一个用于检测和分类这些肿瘤的智能系统对于使用 MRI（磁共振成像）图像进行脑肿瘤的非侵入性诊断至关重要。这项工作提出了一种基于 CNN 的新型混合深度学习结构，通过 MRI 扫描区分三种不同类型的人脑肿瘤。本文提出了一种使用深度学习和 CNN 进行分类的双重方法。第一种方法将用于模式分类的 SVM 无监督分类与用于特征提取的预训练 CNN（即 SqueezeNet）相结合。第二种方法将监督式软最大分类器与精细调整的 SqueezeNet 相结合。为了评估所提方法的有效性，使用脑部 MRI 扫描分析了总共 1937 张胶质瘤肿瘤图像、926 张脑膜瘤肿瘤图像、926 张垂体肿瘤图像和 396 张正常脑部图像。根据实验结果，精细调整的 SqueezeNet 模型的准确率为 96.5%。然而，当使用 SqueezeNet 作为特征提取器并应用 SVM 分类器时，识别准确率提高到 98.7%。
一种脑启发的高维计算方法，用于分类癌症的大量DNA甲基化数据
摘要：癌症基因组学的最新进展置于聚光灯DNA甲基化之下，这是一种调节基因组功能的遗传修饰，其修饰在肿瘤发生和肿瘤抑制中具有重要作用。由于下一代测序中的最后进步产生的高维和大量基因组数据，有效地利用DNA甲基化数据在诊断应用中，例如在健康VS患病样本中，有效地利用DNA甲基化数据。此外，最先进的技术不足以快速产生可靠的结果或有效地管理大量数据。因此，我们建议通过分析其DNA甲基化数据来分析肿瘤与非肿瘤样本的HD分类器，这是一种基于内存认知的高维（HD）监督机学习算法。该方法从人的大脑能够通过采用过度向量而没有单个数值值来记忆和区分简单概念的灵感。完全按照大脑的工作，这允许编码复杂的模式，这使整个架构都可以通过嘈杂的数据来解决故障和错误。我们设计和开发一种算法和一个能够使用HD方法执行监督分类的软件工具。我们对不同类型癌症的三个DNA甲基化数据集进行了实验，以证明我们的算法的有效性，即乳腺浸润性癌（BRCA），肾脏肾脏乳头状细胞癌（KIRP）和甲状腺癌（THCA）。，我们在准确性和计算时间方面获得了出色的结果，其计算资源量较低。此外，我们通过将其（i）与BigBiocl进行比较，该方法基于一个基于随机森林的软件，用于对分布式计算环境中的大型OMICS数据集进行分类，（ii）支持向量机（SVM）和（iii）与决策树的最新分类方法。最后，我们在GitHub上自由发布数据集和软件。
使用多帧脑电图图像对工作记忆负荷进行跨学科领域自适应分类
工作记忆 (WM) 表示暂时存储在大脑中的信息，是人类认知领域的基础研究课题。脑电图 (EEG) 可以监测大脑的电活动，已广泛应用于测量 WM 水平。然而，一个关键挑战是个体差异可能会导致无效的结果，特别是当建立的模型遇到不熟悉的受试者时。在本文中，我们提出了一种具有空间注意的跨受试者深度适应模型 (CS-DASA)，以推广跨受试者的工作量分类。首先，我们将 EEG 时间序列转换为包含空间、光谱和时间信息的多帧 EEG 图像。首先，CS-DASA 中的受试者共享模块从源受试者和目标受试者接收多帧 EEG 图像数据并学习共同的特征表示。然后，在特定主题模块中，实施最大平均差异来测量再生核希尔伯特空间中的域分布差异，这可以为域自适应添加有效的惩罚损失。此外，采用主题到主题的空间注意机制来关注目标图像数据中的判别性空间特征。在包含 13 个主题的公共 WM EEG 数据集上进行的实验表明，所提出的模型能够实现比现有最先进方法更好的性能。
使用脑电图信号和机器学习算法对不稳定和稳定的步行模式进行分类
摘要：分析脑电图（EEG）信号的不稳定步态模式对于开发实时脑部计算机界面（BCI）系统至关重要，以防止跌倒和相关的伤害。本研究研究了分类算法利用EEG信号检测步行不稳定的可行性。使用64通道的大脑视觉脑电图系统从13位健康成年人中获取脑电图信号。参与者对四个不同稳定和不稳定的条件进行了步行试验：（i）正常步行，（ii）正常步行，内侧 - 外侧扰动（MLP），（iii）正常行走双重任务（stroop），（iv）正常步行，正常步行与质量视觉反馈中心。使用小波能量和EEG信号的熵提取数字生物标志物。算法，例如Chrononet，SVM，随机森林，梯度增强和复发性神经网络（LSTM），可以以67％至82％的精度分类。分类结果表明，使用基于EEG的数字生物标志物可以准确地对不同的步态模式（从稳定到不稳定）进行分类。本研究使用具有潜在应用的EEG数据集开发了各种基于机器的分类模型，该模型在检测不稳定的步态神经信号方面，并通过防止跌倒和伤害进行干预。