XiaoMi-AI文件搜索系统
World File Search Systemcoef
基于贝叶斯的分类置信度估计用于增强SSVEP检测
摘要 - 大脑计算机界面（BCI）使人们能够直接与外围设备进行通信和操作。由于其快速通信速率和高信号噪声比，近年来，基于稳态的视觉诱发电位（SSVEP） - 基于BCI的系统已被广泛研究。许多当前的SSVEP识别方法通过发现最大的相关系数来确定目标类别。但是，当最大的系数与其余值没有显着差异时，分类性能通常会降低。这项研究提出了一种基于贝叶斯的分类置信估计方法，以增强基于SSVEP的BCI系统的目标识别性能。在我们的方法中，使用基本目标识别方法产生的最大值和其他值之间的差异用于在训练过程中定义特征向量。使用高斯混合模型（GMM）来估计正确与错误分类的特征向量的概率密度函数。随后，在测试程序中通过贝叶斯推断计算出准确和错误分类的后验概率。基于两个后验概率提出了分类置信值（CCVALUE），以估计分类信心。最后，决策规则可以确定是否应接受或拒绝当前的分类结果。对开放式基准数据集和自收集的数据集进行了广泛的评估研究。实验结果证明了提出的方法提高基于SSVEP的BCI系统的可靠性的有效性和可行性。
用于检测电阻颜色代码的计算机视觉算法
摘要。识别人类操作员的电阻颜色代码是一项相对简单的任务，给定足够的经验，以便对颜色和位置进行记忆。都存在困难，更不用说当电阻器具有五个或六个频段时增加复杂性，在这种情况下，其中一些具有不同的含义和值。本文提出了一条计算机视觉图像处理管道，该管道试图预处理图像，检测，分割和旋转电阻器，检测和分割颜色带，并最终确定电阻器，耐受性和温度系数的名义值。结果表明，如果光条件适当，则检测准确。
可解释的人工智能质量框架......
摘要 — 第六代 (6G) 无线网络的核心愿景之一是积累人工智能 (AI)，以实现万物互联 (IoE) 的自主控制。特别是，必须通过分析人员、数据、流程和事物等 IoE 的上下文指标来维护 IoE 服务交付的质量。然而，当 AI 模型为网络服务提供商带来解释和直觉的缺失时，挑战就随之而来。因此，本文为质量感知的 IoE 服务交付提供了一个可解释的人工智能 (XAI) 框架，该框架同时支持智能和解释。首先，通过考虑网络动态和 IoE 的上下文指标来制定质量感知的 IoE 服务交付问题，其目标是最大化每个 IoE 服务用户的信道质量指数 (CQI)。其次，设计一个回归问题来解决所提出的公式问题，其中通过 Shapley 值解释估计上下文矩阵的可解释系数。第三，通过使用基于集成的回归模型来确保对矩阵之间上下文关系的解释以重新配置网络参数，实现了支持 XAI 的质量感知 IoE 服务交付算法。最后，实验结果表明，AdaBoost 和 Extra Trees 的上行链路改进率分别为 42 .43% 和 16 .32%，而下行链路改进率高达 28 .57% 和 14 .29% 。然而，基于 AdaBoost 的方法无法维持 IoE 服务用户的 CQI。因此，与其他基线相比，所提出的基于 Extra Trees 的回归模型在缓解准确性和可解释性之间的权衡方面表现出显着的性能提升。索引术语 — 万物互联、可解释人工智能、上下文矩阵、Shapley 系数、回归、服务质量。
京津冀可再生能源产业特征及空间集聚关联性
摘要：京津冀是我国重点发展区域，可再生能源产业尤受关注。本文旨在将空间信息与可再生能源产业相结合，揭示产业时空演变特征及其驱动因素。研究发现,京津冀产业表现出明显的集聚格局,京津冀区域可再生能源产业2005—2010年Moran’s I=0.385579,2010—2015年Moran’s I=0.319463,2015—2020年Moran’s I=0.329409。全局空间自相关分析显示,京津冀区域可再生能源产业集聚水平并未提高,但局部空间自相关显示,交通运输和商业水平较高的区域在空间上趋于显著集聚。通过Moran指数发现京津冀产业呈现出明显的集聚格局，通过热点分析发现产业集聚主要发生在北京、天津、石家庄和张家口，这可以用城市化带来的要素集聚效应来解释。但进一步计算区位商、赫尔曼系数和基尼系数，发现京津冀地区存在明显的区域差异，如单极集聚效应在减弱。进一步的三相空间椭圆更形象地揭示了京津冀地区可再生能源产业在过去20年中持续形成的良性产业扩张。产业从首都北京起步，向西南转移，带动了河北、天津等地可再生能源产业发展，促进了京津冀经济圈协同发展。
PassFlow：用于预测深部脑刺激结果的多模式工作流程
目的：深部脑刺激 (DBS) 是一种行之有效的帕金森病 (PD) 治疗方法，通常可增强运动功能。然而，DBS 后可能会出现一些不良副作用，从而降低患者的生活质量。因此，临床团队必须仔细选择要进行 DBS 的患者。在过去十年中，曾有人尝试将术前数据与 DBS 临床结果联系起来，其中大部分都集中在运动症状上。在本文中，我们提出了一种基于机器学习的方法，能够预测大量 PD 的 DBS 临床结果。方法：我们提出了一种多模式管道，称为 PassFlow，可预测 84 个临床术后临床评分。PassFlow 由一个用于压缩临床信息的人工神经网络、一种用于从 T1 成像中提取形态生物标志物的最先进的图像处理方法以及一个用于执行回归的 SVM 组成。我们在 196 名接受 DBS 的 PD 患者身上验证了 PassFlow。结果：PassFlow 的相关系数高达 0.71，能够显著预测 84 个评分中的 63 个，优于比较线性方法。还发现，利用这些术前信息预测的指标数量与可获得这些信息的患者数量相关，表明 PassFlow 方法仍在积极学习中。结论：我们提出了一种基于机器学习的新型流程，用于预测 PD 患者 DBS 术后的各种临床结果。PassFlow 考虑了来自不同数据模式的各种生物标志物，仅从术前数据中就显示出一些评分的高相关系数。这表明，DBS 的许多临床结果都可以预测，而与特定的模拟参数无关，因为 PassFlow 已在没有此类刺激相关信息的情况下得到验证。
调查在国家过渡下的电池寿命预测的可解释的转移学习
摘要：超声（US）是骨骼肌分析的重要成像工具。我们的优点包括护理点的访问，实时成像，成本效益和电离辐射的缺失。但是，我们可以高度依赖运算符和/或美国系统，并且在图像形成中丢弃了原始超声数据数据的可能有用的信息，以供常规定性美国进行图像形成。定量超声（QUS）方法提供了原始或后处理数据的分析，揭示了有关正常组织结构和疾病状况的其他信息。可以在肌肉上使用四个QUS类别，并且很重要。首先，从B模式图像得出的定量数据可以帮助确定肌肉组织的宏观结构解剖结构和微观结构形态。第二，美国弹性图可以通过菌株弹性学或剪切波弹性图（SWE）提供有关肌肉弹性或刚度的信息。菌株弹性学测量通过在检查组织的B模式图像中使用可检测的斑点跟踪组织位移引起的诱导组织应变。swe测量通过组织中传播的诱导剪切波的速度以估计组织弹性。这些剪切波可以使用外部机械振动或内部“推动脉冲”超声刺激产生。第三，原始的射频信号分析提供了基本组织参数的估计，例如声音速度，衰减系数和反向散射系数，与有关肌肉组织显微组织和组成的信息相对应。最后，包络统计分析应用各种概率分布来估计散射器的数量密度并量化与不连贯的信号相干，从而提供了有关肌肉组织的微观结构特性的信息。本综述将检查这些QUS技术，对骨骼肌的Q评估结果以及骨骼肌肉分析中QUS的优势和局限性的评估。
使用光学相干断层扫描
摘要：紫外线（UV）辐射会导致90％的光损伤对皮肤，长期暴露于紫外线辐射是对皮肤健康的最大威胁。研究了紫外线引起的光损伤的机制和晒伤皮肤的修复，要解决的关键问题是如何非破坏性和连续评估对皮肤的UV诱导的光损伤。在这项研究中，提出了一种使用光学相干断层扫描（OCT）定量分析人工皮肤（AS）的结构和组织光学参数的方法，作为一种非损害和连续评估光损伤效果的一种方式。是根据OCT图像的强度信号的特征峰来实现表面粗糙度的，这是使用Dijkstra算法量化为角质层厚度的基础。通过灰级共发生矩阵法获得的本质本地纹理特征。一种经过修改的深度分辨算法用于量化基于单个散射模型的3D散射系数分布。对AS进行了光损伤的多参数评估，并将结果与MTT实验结果和H＆E染色进行了比较。紫外线发生损伤实验的结果表明，与正常培养的AS相比，光损伤模型的角质层较厚（56.5％），表面粗糙度（14.4％）。角第二矩更大，相关性较小，这与H＆E染色显微镜的结果一致。AS的组织散射系数与MTT结果良好相关，可用于量化生物活性的损害。角度时刻和相关性与紫外线辐射剂量有良好的线性关系，这说明了OCT在测量内部结构损伤中的潜力。实验结果还证明了维生素C因子的抗疫苗效率。对AS的结构和组织光学参数的定量分析可实现多个维度中AS的非破坏性和连续检测。
脑切片中扩散去极化的多尺度计算机建模
图 1：扩展的多尺度模型。组织尺度：脑切片中 36 · 10 3 个神经元（粉色圆圈）中的几个浸没在浴槽中；神经胶质细胞未明确建模，而是表示为每个 ECS 体素中的汇场。细胞尺度：每个神经元都有离子通道、2 个共交换器；Na + /K + 泵（星号表示 ATP/O 2 依赖性）离子在每个神经元内混合均匀（无细胞内扩散）。蛋白质尺度：表格（右）显示控制神经元和神经胶质细胞场中内在机制活动的物种。[离子] 尺度：离子根据菲克定律在 ECS 体素之间扩散，扩散系数见表 1。
i-Tree工具，用于绘制新的
T = Air temperature AH = Absolute humidity b = Mesoscale height ~ 200 m a = Urban canopy height ~ 2-10 m i = Grid land cover type C i = Fractional coverage, sum to 1 H = Sensible energy or heat flux LE = Latent energy or heat flux PLE = Potential LE R n = Net radiation, SW+LW ΔG = Ground heat flux Δt = Time step D = Depression storage on ground S = Interception storage in canopy a 1-3 =客观滞后M r a/b =空气动力阻力r s =表面或气孔抗性λ=汽化的潜热ρW=水的密度c p =特定的热恒定压力
Kalman滤波和期望最大化多阶段光谱unmixing
摘要 - 高光谱成像技术的最新演变和新的新兴应用程序的扩散按下了多个时间高光谱图像的处理。在这项工作中，我们提出了一种新型的频谱拆解（SU）策略，使用出色动机的参数末端记录来说明时间频谱变异性。通过使用状态空间公式来表示多个时空混合过程，我们能够利用贝叶斯过滤机制来估计末端的变异性系数。假设丰度的时间变化在短时间间隔很小，则采用了预期最大化（EM）算法的有效实施来估计丰度和其他模型pa-Rameters。仿真结果表明，所提出的策略优于最先进的多阶段算法。