XiaoMi-AI文件搜索系统
World File Search Systemclassifying
应用人工智能技术的阴暗面...
研究阶段 描述 第 1 阶段 人工智能应用的文献综述及其在营销中的挑战、障碍和风险 第 2 阶段 准备和测试专家访谈 第 3 阶段 启动专家访谈并收集信息 第 4 阶段 对访谈内容和结果进行编码和分类 第 5 阶段 评估访谈结果和内容 第 6 阶段 展示分析的发现和结论 表 1：研究方法
研究人员创建基于机器学习的分类器，可帮助早期诊断精神病
在训练中，该工具对结果进行分类的准确率为 85%，而在使用新数据的最终测试中，该工具对哪些参与者患精神病的风险较高进行预测的准确率为 73%。根据结果，该团队认为，为被确定为临床高风险的人提供脑部 MRI 扫描可能有助于预测未来精神病的发病率。
三重科学 - 生物学
与三个域的分类。领域将生物分类为三个主要群体的现代思想：细菌，古细菌，Eukarya。细菌单细胞生物没有核，没有未使用的DNA切片。古细菌单细胞生物，没有核，但没有未使用的DNA部分。真核生物（通常）具有核和未使用的DNA部分的多细胞生物。包括植物，动物，真菌和生物。
食品生产中的人工智能
1. 数据收集：客户提供多样化的 X 射线图像数据集。这些图像由客户划分为不同的“类别”，通常为两到五个类别。这些类别对应具有特定细节的不同图像。例如，在对鸡肉部位进行分类的情况下，类别可能是“整只鸡”、“胸脯”、“翅膀”或“腿”。然后，该数据集将作为训练 AI 模型的基础。
EMD 和特征提取对脑电图分析的影响
摘要 — 脑机接口已被研究了 20 多年，并且具有巨大的开发应用潜力，可供医生诊断疾病或帮助患有严重神经系统疾病的患者恢复与社会互动。要达到这些目的，需要分析脑电图数据的技术以及训练模型以识别模式或控制设备的算法。TensorFlow 是 Google 团队为内部使用而开发的机器学习，于 2015 年向公众发布。由于它可以在深度学习神经网络上进行训练和测试，因此可以用于脑电图数据。该项目使用 TF-Keras 和 TensorFlow-DNN 来训练使用脑电图数据对大脑状态进行分类的模型。Neurosky Mindwave Mobile 耳机和由 Micro:bit 开发的新设备是该项目的脑电图信号记录器。采用了最小-最大归一化、集合经验模态分解 (EEMD)、提取等多种技术来分析记录的脑电图数据。结果表明，在对来自 Micro:bit 设备的 EEG 数据进行分类时，TensorFlow-Keras 和 TensorFlow - DNN 模型的准确率为 97%，而 XGBoost 的结果为 98%。结果证实了 TensorFlow 在识别 EEG 数据方面的应用能力。对上述结果有贡献的数据处理技术是最小最大规范化和数据提取。此外，我们还验证了记录数据中的低频漂移对于使用 EEG 数据识别大脑状态至关重要。结果还显示了使用 EEMD 技术生成的 IMF 作为特征来构建使用 EEG 数据对大脑状态进行分类的模型。索引词 —TensorFlow、EEG、XGBoost、TensorFlow-Keras (TF-Keras)、TensorFlow-DNN (TF-DNN)、集合经验模态分解 (EEMD)、Neurosky、Micro:bit、脑机接口 (BC I)
基于量子的多类图像分类...
a 计算机科学学院，加拿大国际学院 (CIC)，新开罗，埃及 b 计算机科学系，特洛伊大学科学技术学院，美国 摘要 多类图像分类被认为是计算机视觉中的一项具有挑战性的任务，需要将图像正确地分类到多个不同组之一。近年来，量子机器学习已成为研究人员关注的话题。利用叠加和纠缠等量子概念，量子机器学习算法提供了一种更有效的方法来处理和分类高维图像数据。本文提出了一种使用量子启发式卷积神经网络架构（简称 QCNN）的新图像分类模型。所提出的模型包括两个主要阶段；基于 QCNN 阶段的预处理和分类。采用具有不同特征的七个基准数据集来评估所提出模型的性能。实验结果表明，所提出的 QCNN 优于其经典版本。此外，与最先进的模型相比，结果证明了所提出的模型的有效性。 关键词 1 量子计算、卷积神经网络、图像分类、量子机器学习
命名和分类，
c lassification在英语中有两个含义：通过共享字符和这些类的排列将事物分为类的过程。识别是观察字符并从而对事物进行分类的过程。生物学分类是生物的布置。分类的能力对于所有动物来说都是共同的，为了生存动物，必须将其他生物分为至少三个类别：被避免食用的生物以及与之交往的人，尤其是自己班级的成员。对于科学家来说，分类被正式化为嵌套或分层的假设集：字符，群体（分类单元）和群体之间的关系的假设。观察到了器官的单个标本，并注意到了特征。因此，例如，我们可能会观察到有些人是黑色的，有些是黄色或白色的，并且像Linnaeus一样得出结论，有不同的人类（Homo Sapiens）。这是一个假设，即肤色是有用的特征。对该特征假设的进一步测试表明，人类的肤色不会界定天然群体。因此，我们拒绝肤色作为人类的角色以及该角色定义的那些群体。颜色对于对许多其他组进行分类是一个非常有用的字符。然后是一组的假设。组
基于一维卷积神经网络和长短期记忆估计视觉意图的智能眼控电动轮椅
摘要：当使用凝视运动操作电动轮椅时，检查环境和观察物体等眼球运动也会被错误地识别为输入操作。这种现象被称为“点石成金问题”，对视觉意图进行分类非常重要。在本文中，我们开发了一种实时估计用户视觉意图的深度学习模型，以及一种结合意图估计和凝视停留时间方法的电动轮椅控制系统。所提出的模型由 1DCNN-LSTM 组成，它从 10 个变量的特征向量估计视觉意图，例如眼球运动、头部运动和到注视点的距离。对四种视觉意图进行分类的评估实验表明，与其他模型相比，所提出的模型具有最高的准确性。此外，实施所提出模型的电动轮椅的驾驶实验结果表明，与传统方法相比，用户操作轮椅的努力减少了，轮椅的可操作性得到了提高。从这些结果中，我们得出结论，通过从眼球和头部运动数据中学习时间序列模式可以更准确地估计视觉意图。
多类脑肿瘤分类和分割...
摘要。脑肿瘤分类是一项重要的任务，用于评估肿瘤并根据其类别选择治疗类型。脑肿瘤的诊断需要多种成像技术。然而，MRI 经常被使用，因为它提供更高的图像质量并使用非电离辐射。深度学习 (DL) 是机器学习的一个子领域，最近表现出令人印象深刻的性能，特别是在分割和分类问题方面。基于卷积神经网络 (CNN)，本研究提出了一种混合深度学习网络 (HDLN) 模型，用于对多种类型的脑肿瘤进行分类，包括神经胶质瘤、脑膜瘤和垂体瘤。Mask RCNN 用于脑肿瘤分类。我们使用挤压和激励残差网络 (SE-ResNet) 进行脑肿瘤分割，这是一个带有挤压和激励块的残差网络 (ResNet)。使用公开的研究数据集测试所提出的模型进行实验分析，获得了 98.53% 的总体准确率、98.64% 的灵敏度和 98.91% 的特异性。与最先进的分类模型相比，所提出的模型获得了最好的准确率。对于多类脑肿瘤疾病，所提出的 HDLN 模型显示出其优于现有方法。