XiaoMi-AI文件搜索系统
World File Search Systemdogra
如何引用本文：Trede Filho RG，Rodrigues TCP，Brant AC，Rodrigues NLM，Brant AC，Rodrigues NLM。从构图分类
使用钢铁法（8）或构图（9）的方法。视觉检查是一种评估拱形和脚对准的方法，并被医生广泛使用；但是，它们的分类是主观的，并且具有较高的评价者变异性（10）。关于定量方法，与钢铁测量法（11）相比，podographs是低成本且更易于应用的；阶数的变异性低于VI（12）。构图的解释可以基于不同的方法，例如VI，Arch Index（AI），Arch足迹角（AFA），足迹索引（FI），Arch-Length Index（Ali），截短的Arch Index（Tai）和Chippaux-Smirak Index（CSI）（CSI）（CSI）（12-17）。但是，每种技术都使用不同的参数来对脚姿势进行分类，并且有些技术不会在分类之间呈现截止阈值。此外，用于对每种绘画方法进行分类的脚的参数是不同的（12-17）；重要的是要阐明技术之间的协议是否令人满意，以便医生可以使用他们的首选选择。因此，这项研究的目的是比较文献中用于对脚摄影图像进行分类的不同参数的效率，并确定它们之间的一致性水平。
使用单次脑电图周期图进行基于视觉刺激的反应时间估计的深度神经网络
摘要：多路复用深度神经网络 (DNN) 已经产生了高性能预测模型，这些模型在解码以脑电图 (EEG) 信号形式广泛收集的脑电波方面越来越受欢迎。在本文中，据我们所知，我们介绍了一种基于 DNN 的通用方法，该方法使用 48 名参与者的视觉刺激反应实验中单次试验 EEG 的周期图表示来估计反应时间 (RT)。我们设计了一个全连接神经网络 (FCNN) 和一个卷积神经网络 (CNN) 来预测和分类每次试验的 RT。虽然深度神经网络因分类应用而广为人知，但我们通过将 FCNN/CNN 与随机森林模型级联，设计了一个基于回归的稳健估计器来预测 RT。使用 FCNN 模型，二分类和三类分类的准确率分别为 93% 和 76%，使用 CNN 后准确率进一步提高（分别为 94% 和 78%）。基于回归的方法预测了 RT，FCNN 和 CNN 的相关系数 (CC) 分别为 0.78 和 0.80。进一步研究发现，左中叶以及顶叶和枕叶对于预测 RT 至关重要，在 theta 和 alpha 频带中有显著活动。