XiaoMi-AI文件搜索系统
World File Search Systemneighbour
通过脑电图检测微睡眠状态
摘要 微睡眠是指意识短暂丧失，完全停止工作。它们是许多需要持续注意力的交通领域（尤其是驾驶）发生致命事故的原因。使用无线 EEG 电极的微睡眠警告装置可用于将用户从即将发生的微睡眠中唤醒。高维数据集（尤其是在基于 EEG 的分类中）带来了挑战，因为通常存在大量潜在有用的特征来检测感兴趣的现象。因此，在训练分类器之前降低原始数据的维度通常很重要。在本研究中，将线性降维方法——主成分分析 (PCA) 和概率 PCA (PPCA)——与八种非线性降维方法（核 PCA、经典多维缩放、等距映射、最近邻估计、随机邻域嵌入、自动编码器、随机邻近嵌入和拉普拉斯特征图）进行了比较，这些数据来自八名健康、未睡眠不足的志愿者，他们执行了 1 小时的 1D 视觉运动跟踪任务。通过目视检查 3D 散点图上的类别分离、可信度得分以及基于堆叠泛化的线性判别分析 (LDA) 系统上的微睡眠检测性能来评估特征减少算法的有效性，该系统基于减少的特征估计 1 Hz 下的微睡眠/响应状态。在可信度方面，PPCA 优于 PCA，但 PCA 优于所有非线性技术。每种特征减少方法的可信度得分也与微睡眠状态检测性能密切相关，有力地验证了可信度在预测性能方面估计特征减少方法的相对有效性的能力，以及独立于黄金标准的能力。
Kintyre Rainforest Alliance（KRA） - 其他信息
几个世纪以来，温带雨林覆盖了我们的Kintyre半岛。这与遍布英国和爱尔兰西部边缘的巨大森林有关。丰富的树木覆盖着稀有的苔藓，地衣和蕨类植物，包括世界上最稀有的物种，这些森林仍然存在于Kintyre的小碎片口袋中。与当地社区合作，将这些雨林碎片恢复和再生为健康，充满活力的林地，并与我们的北部邻居Knapdale相连。这将在Kintyre的东海岸创建一个雨林走廊，使原生野生动植物自由旅行，繁殖和繁荣。此外，我们还将恢复和再生在金蒂尔（Kintyre）南部和西部存在的较小碎片，那里的隐藏的古老林地碎片仍在附着在陡峭的沟渠上。在我们的社区，当地的土地所有者，农民和克罗弗斯，拥护者和政治家的支持下，在金特耶尔内外，我们将确保我们的金特雷雨林林的雨林将变得更大，状态更大，并且在碎片之间自然而然地扩展和连接，可以在碎片之间进行更多的增长，并在碎片之间进行更多的恢复和多样化的树木和其他植物的培养，而他们却可以养成新的植物和其他新的植物。确保我们稀有的苔藓，肝脏和地衣有生长和扩展的空间。我们将为当地社区创造新的就业机会，带来新的技能，培训新一代的当地人在雨林管理中，并为我们的孩子和年轻人创造机会，以在Kintyre Peninsula上过着富有成效的生活。
沙特阿拉伯的糖尿病患病率分类的机器学习方法
摘要：机器学习算法已被广泛用于公共卫生中，用于预测或诊断流行病学慢性疾病，例如糖尿病，由于其较高的全球患病率，该疾病被归类为流行病。机器学习技术对于包括糖尿病在内的各种疾病的描述，预测和评估过程很有用。这项研究研究了沙特阿拉伯，根据相关的行为危险因素（吸烟，肥胖和不活动）对不同分类方法分类糖尿病患病率和预测趋势的能力。使用不同的机器学习算法（包括线性判别（LD），支持向量机（SVM），K -NER -NER -NEAR -最邻居（KNN）和神经网络模式识别（NPR））开发了用于糖尿病患病率的分类模型。使用了SVM的四个内核函数和两种类型的KNN算法，即线性SVM，Gaussian SVM，二次SVM，Cubic SVM，Finfine KNN和加权KNN。根据预测速度和培训时间，使用MATLAB中的分类学习者应用程序比较开发的分类器的性能评估，并使用分类学习者应用程序比较开发的分类器。分类模型的预测性能分析的实验结果表明，与其他分类方法相比，与其他分类方法相比，加权KNN在糖尿病患病率的预测中表现良好，最高平均准确性为94.5％，训练时间较少，男性和女性数据集则表现出色。
通过欧洲不同城市的城市生活实验室共享和空间共享知识
摘要 虽然欧洲城市住房和公共空间的日益商品化正在产生城市不平等，主要影响到移民和弱势群体，但也有多种小规模的以社区为基础的合作过程，旨在共同生产共享的城市资源，为更具弹性的城市发展做出贡献。作为 ProSHARE 研究项目的一部分，该项目调查了共享发生的条件以及可以扩展到代表性较低的人群，我们在此重点关注城市生活实验室内的共享和空间共享实践。城市生活实验室被认为是具有强大城市变革潜力的多利益相关方创新、测试和学习场所，近年来受到越来越多的学术关注。然而，关于实验室是否以及如何促进知识主张的交换和协商过程并产生空间知识的问题在很大程度上仍未得到探索。我们通过研究城市生活实验室在社区重建中的作用来解决这一空白，询问共享和空间共享实践如何产生可用于规划过程的空间知识，以及哪些类型的设置和方法可以促进此类过程。这些问题是在位于柏林、巴黎（巴纽）、伦敦和维也纳的四个 ProSHARE 实验室的背景下解决的，通过对这些中心的运作进行跨案例分析、在每种情况下应用的研究方法以及这些平行经验产生的跨地域学习和升级可能性。
使用机器的糖尿病患者的进餐算法
随着社会快速发展的速度，人们的生活变得更加复杂，因此他们没有时间注意自己的食物模式和健康习惯。因此，许多人患有糖尿病，压力和胆固醇等非传染性疾病。因此，该提出的系统基本上考虑了2型糖尿病患者，并且作为主要目的，该系统使用建议的算法为用户提供了三种餐食计划。此外，该系统还提供了患者的日常活动习惯监测系统，该系统的最终输出是作为Android移动应用程序开发的，以将产品介绍给市场，并将其命名为U-Health。用于生成算法过程的进餐计划，已被使用随机森林和k-nearest邻居（KNN）机器学习算法。和食品数据集是为斯里兰卡食品风格创建的，以生成算法和KNN用于对食物数据集的过程进行分类，并使用随机森林来创建餐食计划准备的决定，进餐准备树的准确性为84.33％，与其他饮食准备模型进行比较时，与其他饮食量相比[3]，请诊断三个主要的饮食量[3]，分别供您使用，以备为晚餐的饮食量[3]，相比之下。关于用户健康事实，食品崇拜，食物过敏，营养含量，性别，年龄和用户BMI，BMR计数被用作KNN算法中的K值，用于食品分类过程。关键字：决策树，绝热患者，食物扫描，健康监测系统，K-Nearest邻居算法（KNN）。
心脏病风险预测：一种流动应用集成机器学习模型
简介：存在许多不同的方法来识别心脏病。本文讨论了使用机器学习算法来预测心脏病风险的心脏病预测应用。该应用程序旨在为用户提供预测，帮助他们评估心脏病风险并就其健康做出明智的决定。方法：心脏病预测应用利用KAG GLE的“心脏病UCI”数据集。数据经过预处理，转换并分成70％的培训和30％的测试集。使用三种机器学习算法（即支持向量机（SVM），天真的贝叶斯和K-Nearest邻居（K-NN）。结果：K-NN的准确率达到81.82％，幼稚的贝叶斯达到83.44％，而SVM的准确率达到了84.74％的最高准确率。结果表明SVM的表现优于其他算法。然后开发了一个AP贴合以实现SVM预测模型。该应用程序具有各种用户接口，包括用于用户注册和身份验证的注册和登录页面。用户可以输入其医疗信息，该应用程序使用训练有素的SVM模型来预测其心脏病的风险。结果以百分比的风险提交给用户，并伴随着适当的健康建议。结论：该应用程序可以帮助用户评估心脏病风险并提供建议，以最大程度地减少心脏病风险。马来西亚医学与健康科学杂志（2024）20（SUPP10）：10-17。 doi：10.47836/mjmhs.20.s10.2马来西亚医学与健康科学杂志（2024）20（SUPP10）：10-17。 doi：10.47836/mjmhs.20.s10.2
2024 年 5 月 14 日 - 报告编号 151/24 - 事先批准申请
2.1 建议批准该申请，理由和条件在本报告第 10 部分中。3. 引言 3.1 申请人寻求事先批准在 Monifieth，Victoria 街，前 Ashludie 医院旁边的巴士总站的土地上，为 MBNL（EE UK Ltd & Hutchison UK Ltd）安装一个 20 米高的单极电信桅杆，其中包括天线、碟形天线和辅助设备柜。显示站点位置的平面图载于附录 1。3.2 该站点位于维多利亚街以东的巴士停车区内的草地上。该地块主要是住宅区，但公共道路的行车道和巴士停车区将该站点与附近的住宅隔开。维多利亚街以东，在前 Ashludie 医院的场地内有树木。3.3 该提案涉及安装一个 20 米高的单极式电信桅杆，其中包括 1 号天线。 600 毫米碟形天线、1 个 300 毫米碟形天线和辅助设备柜。这些设备将提供 4G 和 5G 移动电话覆盖。 3.4 根据法律要求，该申请已成为法定邻居通知的对象。 4. 相关规划历史 4.1 2020 年 5 月 22 日，安格斯市议会拒绝了一项申请 (20/00228/PRIORN)，该申请寻求事先批准在当前申请地点安装 20 米高的单极天线杆和相关设备。该申请被拒绝，因为官员认为拟议设备的选址和外观不会将对视觉舒适度的影响或对周边地区特色或外观的影响降到最低，违反了安格斯地方发展计划的政策 TC13 和安格斯市议会建议书 5/2018。当时主要担心的是
文章 茂密森林覆盖下机载激光扫描 (ALS) 数据的地面插值精度
摘要：地表数字模型在林业中具有许多潜在应用。如今，光检测和测距 (LiDAR) 是收集形态数据的主要来源之一。通过激光扫描获得的点云用于通过插值对地表进行建模，该过程受到各种误差的影响。使用 LiDAR 数据收集地表数据用于林业应用是一个具有挑战性的场景，因为森林植被的存在会阻碍激光脉冲到达地面的能力。因此，地面观测的密度将降低且不均匀（因为它受到冠层密度变化的影响）。此外，森林地区通常位于山区，在这种情况下，地表的插值更具挑战性。本文对九种算法的插值精度进行了比较分析，这些算法用于在茂密森林植被覆盖的山区地形中从机载激光扫描 (ALS) 数据生成数字地形模型。对于大多数算法，我们发现总体精度方面的性能相似，RMSE 值在 0.11 到 0.28 m 之间（当模型分辨率设置为 0.5 m 时）。其中五种算法（自然邻域、Delauney 三角剖分、多层 B 样条、薄板样条和 TIN 薄板样条）对超过 90% 的验证点的垂直误差小于 0.20 m。同时，对于大多数算法，主要垂直误差（超过 1 m）与不到 0.05% 的验证点相关。数字地形模型 (DTM) 分辨率、地面坡度和点云密度会影响地面模型的质量，而对于冠层密度，我们发现与插值 DTM 的质量之间的联系不太明显。
分析音乐对脑波模式的影响
摘要 — 最近，情感神经科学领域的研究人员对识别与特定情绪相对应的大脑活动模式产生了浓厚的兴趣。由于音乐对大脑活动的影响存在争议，音乐刺激与脑电波之间的关系尤其令人感兴趣。虽然音乐可以对大脑产生抗惊厥作用并充当治疗刺激，但它也可能产生促惊厥作用，例如引发癫痫发作。在本文中，我们采用计算方法来了解不同类型的音乐对人脑的影响；我们分析了 3 种不同类型的音乐对参与者脑电图 (EEG) 的影响。使用 14 通道耳机记录了 24 名参与者在聆听不同音乐刺激时的大脑活动。从信号中提取统计特征，并使用各种特征选择技术识别有用的特征和通道。利用这些特征，我们建立了基于 K 近邻 (KNN)、支持向量机 (SVM) 和神经网络 (NN) 的分类模型。我们的分析表明，NN 与遗传算法 (GA) 特征选择相结合，在对 3 种音乐流派进行分类时可以达到 97.5% 的最高准确率。该模型在根据参与者的情绪主观评分对音乐进行分类时也达到了 98.6% 的准确率。此外，记录的脑电波可识别出不同的伽马波水平，这对于检测癫痫发作至关重要。我们的结果表明，这些计算技术可根据音乐对人脑的影响有效地区分音乐流派。索引词 — 脑活动、脑电图、情感神经科学、特征提取、分类、音乐疗法
文章 茂密森林覆盖区机载激光扫描 (ALS) 数据地表插值的精度
摘要：地表数字模型在林业中具有许多潜在应用。如今，光探测和测距 (LiDAR) 是收集形态数据的主要来源之一。通过激光扫描获得的点云用于通过插值对地表进行建模，这一过程受到各种误差的影响。使用 LiDAR 数据收集地表数据用于林业应用是一个具有挑战性的场景，因为森林植被的存在会阻碍激光脉冲到达地面的能力。因此，地面观测的密度将降低且不均匀（因为它受到冠层密度变化的影响）。此外，森林地区通常位于山区，在这种情况下，地表的插值更具挑战性。在本文中，我们对九种算法的插值精度进行了比较分析，这些算法用于在茂密的森林植被覆盖的山区地形中从机载激光扫描 (ALS) 数据生成数字地形模型。对于大多数算法，我们发现在总体精度方面性能相似，RMSE 值在 0.11 到 0.28 米之间（当模型分辨率设置为 0.5 米时）。其中五种算法（自然邻域、Delauney 三角剖分、多层 B 样条、薄板样条和基于 TIN 的薄板样条）对于超过 90% 的验证点具有小于 0.20 米的垂直误差。同时，对于大多数算法，主要垂直误差（超过 1 米）与不到 0.05% 的验证点相关。数字地形模型 (DTM) 分辨率、地面坡度和点云密度影响地面模型的质量，而对于冠层密度，我们发现与插值 DTM 的质量之间的联系不太显著。