XiaoMi-AI文件搜索系统
World File Search Systemensemble
lst-ai：精确的MS病变分割的深度学习合奏
。cc-by-nc 4.0国际许可证可永久提供。是作者/资助者，他已授予Medrxiv的许可证，以显示预印本（未通过同行评审证明）预印版本的版权所有者此版本发布于2024年3月11日。 https://doi.org/10.1101/2023.11.23.23298966 doi：medrxiv preprint
基于序列表示驱动程序同义突变的基于集合学习的预测指标
曾经被认为是中性的同义突变，现在被认为对多种疾病，尤其是癌症具有重要意义。必须在人类癌症中识别这些驱动程序的同义突变是必不可少的，但是当前方法受数据限制的约束。在这项研究中，我们最初研究了基于序列特征的影响，包括DNA形状，物理化学特性和核苷酸的一式编码以及基于BERT的预训练的化学分子语言模型的深度学习衍生特征。随后，我们提出了EPEL，这是使用集合学习的同义突变的效应预测指标。EPEL结合了五个基于树的模型，并优化了效率选择，以提高预测精度。值得注意的是，从化学分子中掺入DNA形状的效果和深度学习的特征代表了评估同义突变对癌症的影响的开创性效果。与现有的最新方法相比，EPEL在独立的测试数据集上展示了出色的性能。此外，我们的分析揭示了各种癌症类型的效果评分与患者结局之间的显着相关性。有趣的是，虽然深度学习方法在其他领域显示出希望，但其DNA序列表示并不能显着增强本研究中驾驶员同义突变的识别。总体而言，我们预计EPEL将促进研究人员更精确地靶向驱动器同义词突变。EPEL的用户友好网络服务器可在http://ahmu.epel.bio/上获得。EPEL的设计具有灵活性，使用户可以重新训练预测模型，并为人类癌症中的同义突变产生效果分数。
基于多域特征和随机子空间集成的脑电信号分类
摘要 摘要 摘要：摘要：针对BCI系统中预处理特征提取和分类识别问题，提出一种基于多域特征随机子空间集成学习的运动想象脑电信号分类方法。在分析运动想象（MI）信号的ERD/ERS特征的基础上，提取效果最佳的时间和频段的多域特征作为特征向量，并自适应地选择带有交叉验证的随机子空间集成尺度，利用线性判别分析（LDA）分类器集成实现脑电信号分类。测试结果表明，多域特征和随机子空间集成的准确率可达90.71%，Kappa系数为0.63，优于比赛中第一名的算法，证明了该算法的有效性和先进性。
用于检测 MRI 脑肿瘤的集成深度学习技术
MRI（磁共振成像）的分类过程经常用于对垂体、神经胶质瘤、脑膜瘤和非肿瘤等疾病进行医学诊断。因此，确定 MRI 的类型及其数量是揭示大脑健康状况的重要且有价值的测量。为了对大脑分析进行分割和分类，实验室人员通过屏幕进行手动检查；这需要大量的劳动力和时间。另一方面，专家使用的设备对于每个医生或机构来说并不实用或便宜。近年来，已经开发了各种用于分割和分类的计算算法，并改进了结果以解决这个问题。人工神经网络（ANN）在这方面具有分类的能力和前景。本文的目的是创建并实施一个系统，用于对不同类型的脑肿瘤样本 MRI 图像进行分类。因此，本文集中研究了使用各种机器学习算法进行分割、特征提取、分类器构建和分类为四类的任务。作者使用基于三种模型的迁移学习算法的 VGG-16、ResNet-50 和 AlexNet 模型作为集成模型对图像进行分类。因此，MRI 脑肿瘤分割更加精确，因为现在每个空间特征点都可以参考所有其他上下文数据。具体来说，我们的模型在官方深度学习挑战赛中优于所有其他已发布的现代集成模型，无需任何后处理。集成模型的准确率为 99.16%，灵敏度为 98.47%，特异性为 98.57%，精确率为 98.74%，召回率为 98.49%，F 1 分数为 98.18%。这些结果明显超过了朴素贝叶斯、决策树分类器、随机森林和 DNN 模型等其他方法的准确率。
面向安全工业物联网设备的优化集成模型
摘要 — 物联网 (IoT) 设备部署的持续增长得益于不断增长的连接需求，尤其是在工业环境中。然而，由于潜在攻击面数量的增加，这导致与网络相关的攻击数量增加。工业物联网 (IIoT) 设备容易受到各种与网络相关的攻击，这些攻击会对制造过程以及制造厂工人的安全造成严重后果。近年来，一种用于攻击检测的有前途的解决方案是机器学习 (ML)。更具体地说，集成学习模型在提高底层 ML 模型的性能方面显示出巨大的潜力。因此，本文提出了一个基于贝叶斯优化-高斯过程 (BO-GP) 与基于集成树的学习模型相结合的框架，以提高 IIoT 环境中入侵和攻击检测的性能。使用新南威尔士大学 Cyber Range 和 IoT 实验室收集的 Windows 10 数据集评估所提出的框架的性能。实验结果表明，与标准树和集成树模型相比，检测准确度、精度和 F 分数均有所提高。索引术语 — 工业物联网、优化集成学习、贝叶斯优化
社区气氛模型6
摘要。本文记录了从扰动的参数集合（PPE）技术的方法和限制性的结果，其中多个参数是同时发生的，并且参数值是通过拉丁超管采样确定的。这是通过社区At-Mosphere模型6（CAM6）进行的，这是社区地球系统模型2版（CESM2）的大气组合。我们将PPE方法应用于CESM2-CAM6，以了解对大气物理学参数的气候敏感性。最初的模拟在Mi-Crophysics，对流，湍流和气溶胶方案中有45个参数，具有263个集合成员。这些大气参数通常是许多气候模型中最不确定的。控制模拟和有针对性的模拟，以了解由于气溶胶和快速气候反馈而引起的Climente强迫。在多维空间映射输入参数中探索了各种模拟器的使用来输出指标。参数对各种模型输出的影响，例如辐射，云和气溶胶特性。ma-Chine学习也用于针对观察探测最佳参数值。我们的发现表明，PPE是用于气候不确定性分析的有价值工具。此外，通过同时改变许多参数，我们发现，参数值的许多不同组合可以产生与观察结果一致的恢复，从而仔细的分析
深度学习模型的合奏，用于心跳心律不齐
心律不齐是全世界死亡的主要原因之一，由于生活方式的改变，其流行率急剧上升。由于其非侵入性，ECG信号通常被用于检测心律不齐。手动技术需要很长时间，并且容易出错。利用深度学习模型早期自动识别心律不齐是改善诊断和管理的首选替代方法。本文提出了一个独特的集合深层结构化学习模型，用于分类心律不齐，以整合注意力机制，双向长期记忆和卷积神经网络。它分为五个类别：非分解（n），上室异位（S），心室异位（V），融合（F）和未知（q）。MIT-BIH和St. Petersburg数据集集成为多模型数据集，用于培训，验证和测试建议的模型。还通过F1得分，回忆，准确性和精度测试了模型的性能。基于所有这些方法的合奏，该模型准确99％。
一个针对脑肿瘤分类的优化的集合深学习模型
* md。 div>Alamin Talukder电子邮件地址：Alamintalukder.cse.jnu@gmail.com（MD。 div>）Alamin Talukder），manowar@cse.jnu.ac.bd（Md。 div>） Manowarul Islam），Ashraf.uddin@deakin.edu.au（Md Ashraf Uddin） div>Alamin Talukder），manowar@cse.jnu.ac.bd（Md。 div>）Manowarul Islam），Ashraf.uddin@deakin.edu.au（Md Ashraf Uddin） div>Manowarul Islam），Ashraf.uddin@deakin.edu.au（Md Ashraf Uddin） div>
(G*) 置换不变自旋系综中任意状态的确定性构造
原子和固态自旋集合是有前途的量子技术平台，但实际架构无法解析单个自旋。不可解析的自旋集合的状态必须遵循置换不变性条件，但目前尚不清楚生成一般置换不变 (PI) 状态的方法。在这项工作中，我们开发了一种系统策略来生成任意 PI 状态。我们的协议首先涉及用工程耗散填充特定的有效角动量状态，然后通过改进的 Law-Eberly 方案创建叠加。我们说明了如何通过现实的能级结构和相互作用来设计所需的耗散。我们还讨论了可能限制实际状态生成效率的情况，并提出了脉冲耗散策略来解决这些问题。我们的协议解锁了以前无法访问的自旋集合状态，这可能有利于量子技术，例如更强大的量子存储器。