XiaoMi-AI文件搜索系统
World File Search Systemsoftmax
基于对数梅尔频谱图和卷积循环神经网络的脑电驾驶疲劳检测
驾驶员疲劳检测是减少事故、提高交通安全的重要手段之一，其主要挑战在于如何准确识别驾驶员的疲劳状态。现有的检测方法包括基于面部表情和生理信号的打哈欠、眨眼等，但基于面部表情的检测结果会受到光照和环境影响，而脑电信号是直接反应人的精神状态的生理信号，对检测结果的影响较小。本文提出一种基于EEG的对数梅尔语谱图和卷积循环神经网络(CRNN)模型来实现驾驶员疲劳检测，这种结构可以发挥不同网络的优势，克服单独使用各个网络的劣势。其流程为：首先将原始脑电信号经过一维卷积的方法实现短时傅里叶变换（STFT），并经过梅尔滤波器组得到对数梅尔谱图，然后将得到的对数梅尔谱图输入到疲劳检测模型中，完成脑电信号的疲劳检测任务。疲劳检测模型由6层卷积神经网络（CNN）、双向循环神经网络（Bi-RNN）和分类器组成。在建模阶段，将谱图特征输送到6层CNN自动学习高级特征，从而在双向RNN中提取时间特征，得到谱图-时间信息。最后，通过由全连接层、ReLU激活函数和softmax函数组成的分类器得到警觉或疲劳状态。本研究的实验是在公开可用的数据集上进行的。结果表明，该方法能够准确区分警觉与疲劳状态，且稳定性较高；此外，还将四种现有方法的性能与本文方法的结果进行了比较，均表明本文方法能够取得目前为止的最好效果。
评估运动监测的加速度计量和循环节奏数据
抽象运动模式分析使用多种方法来识别由可穿戴传感器，视频 - 摄像头和全球导航卫星系统记录的体育活动。本文使用来自心率监视器的数据，导航系统记录的加速度学信号和手机传感器进行了运动分析。在一个丘陵地区记录了实际的骑自行车实验，其路线约为12公里。信号，以发现地理和生理数据之间的关系，包括检测心率恢复延迟作为身体和神经状况的指标。所提出的算法利用了信号分析的方法和人体运动特征的提取方法，这些方法用于研究心率，路线效力，循环速度和循环节奏的对应关系，包括时间和频域。数据处理包括使用Kohonen网络和对运动模式进行分类的两层软计算模型的使用。获得的结果指向平均时间为22.7 s，在循环传感器检测到重负荷后的心率下降50％。进一步的结果指出，人体磨损加速度计记录的信号与从GNSSS数据评估的速度之间的信号之间的对应关系。基于加速度计量数据的下坡和上坡循环的分类分别为培训和测试数据集的精度分别为93.9％和95.0％。这些技术也可以应用于康复和神经系统疾病诊断中的广泛应用。提出的方法表明，可穿戴的传感器和人工智能方法构成了有效的工具，可在不同的运动活动中评估生理状况，包括骑自行车，跑步或滑雪时进行运动监测。
tumordetnet：一种用于脑肿瘤检测和分类的统一深度学习模型
在较早阶段对脑肿瘤类型的准确诊断对于治疗过程至关重要，并有助于挽救全球大量人的生命。因为他们是无创和备用的患者，因此经常使用磁共振成像（MRI）扫描来识别肿瘤。肿瘤的手动识别很困难，由于大量的三二次图像，需要大量时间，这是一个患者大脑从各个角度产生的MRI扫描。进一步，脑肿瘤的位置，大小和形状的变化也使检测和对不同类型的肿瘤进行分类的挑战。因此，已经提出了计算机辅助诊断系统（CAD）系统以检测脑肿瘤。在本文中，我们提出了一种新型的统一端到端深度学习模型，称为肿瘤肿瘤检测和分类。我们的Tumordetnet框架采用了48个带有漏水（LRELU）和RELU激活功能的卷积层来计算最独特的深度特征图。此外，平均合并和辍学层也用于学习区分模式并减少过度拟合。最后，使用一个完全连接的和软层层来检测并将脑肿瘤分为多种类型。我们在六个标准的kaggle脑肿瘤MRI数据集上评估了我们方法的表现，以将脑肿瘤检测和分类为（恶性和良性），以及（神经胶质瘤，垂体和脑膜瘤）。我们的模型成功地鉴定出了99.83％的明显精度，分类的良性和恶性脑肿瘤，理想的精度为100％，而脑膜化，垂体和胶质瘤肿瘤的精度为99.27％。这些结果揭示了对可靠鉴定和分类脑肿瘤的建议方法的效力。
加州集装箱港口互操作性补助计划
加州是美国最重要的全球货物运输门户，负责处理全国 40% 以上的集装箱进口和 30% 以上的集装箱出口。2022 年 6 月，加州州长加文·纽瑟姆签署了《2022 年加州预算法案》，其中包括一项具有历史意义和远见的数十亿美元的州投资，用于支持和加强货物运输和供应链，包括港口和货运基础设施、气候适应和恢复力、劳动力培训、零排放汽车部署、电网支持和电网可靠性以及港口数据系统开发。通过这项法案，州长和加州立法机构正在投资加强该州的供应链，以应对新冠疫情，这加剧了加州各行业共同面临的互操作性挑战。随着供应链变得越来越复杂，数据系统、软件和其他技术可以帮助所有为港口综合体提供便利和开展业务的各方更高效地运营。为推进这项工作，2023 年，加州通过该法案拨款 27,000,000 美元，通过加州集装箱港口互操作性计划（计划）向集装箱港口提供直接补助支持。利用美国陆军工程兵团和水运商业统计中心的现有数据，GO-Biz 确定了五个加州集装箱港口为该计划的合格申请人（申请人），以开发基于云的管理系统：休尼米港、长滩港、洛杉矶港、奥克兰港和圣地亚哥港。GO-Biz 委托 Build Momentum（Momentum）设计、构建和管理补助计划，并向计划的指定申请人颁发资金。Momentum 与 Insight Softmax Consulting（ISC）合作，在州和联邦层面对该领域现有的数据计划进行了研究，以将一致性纳入补助计划指南的结构中。 Momentum 和 ISC 成立了一个由行业专家组成的技术咨询委员会 (TAC)，代表包括 GO-Biz、ISC、DataCRT、Latacora 和 Cloud303，以支持资助计划框架的制定，包括编写资助征集和评分标准以及确定最终奖项。
独立于受试者的运动想象脑电图分类...
背景：脑机接口（BCI）系统帮助运动功能障碍患者与外界环境进行交互。随着技术的进步，BCI系统已在实践中得到应用，但其实用性和可用性仍然受到很大挑战。使用BCI系统前往往需要大量的校准时间，这会消耗患者的精力和耐心，并容易导致焦虑。针对这一问题，我们提出了一种与受试者无关的零校准方法。方法：提出一种双分支多尺度自编码网络（MSAENet）实现与受试者无关的运动想象分类，旨在实现BCI的即插即用。首先，该网络由一个多尺度分支和一个自动编码器（AE）组成，用于从不同角度进行特征学习。其次，以EEG信号与8-30 Hz频段内常见空间模式之间的协方差作为空谱特征，并将特征预提取信息作为MSAENet的输入。最后，网络引入中心损失函数提升分类能力。在三个公开数据集BCIV2a，SMR-BCI，OpenBMI上测试网络泛化能力。结果：结果表明，所提网络在三个数据集上均表现出良好的效果，在受试者独立的情况下，MSAENet在BCIV2a和SMR-BCI数据集上优于其他四种比较方法，而在OpenBMI数据集上F1得分值高达69.34%；分类性能最好的受试者相关结果明显优于其他四种先进的比较方法。我们的方法在保证较少的参数量和较短的预测时间的同时，能够保持较好的分类精度。结论：MSAENet验证了以下三点：（1）空间频域特征可以从原始EEG信号中提取有效信息。（2）双分支多尺度特征融合可以更全面地提取特征。 (3)中心损失函数的引入弥补了Softmax分类器只考虑类间距而忽略类内距离的缺陷，实现了零校准，有效解决了BCI应用中需要大量校准时间的问题。
使用图像处理检测阿尔茨海默病
图 1：阿尔茨海默病各年龄段分布 2. 文献综述 阿尔茨海默病可被提前发现，通过对 MRI 扫描进行图像处理可以预测患病的可能性。 “在图像处理技术中，多种算法用于提取灰质和白质，包括 k 均值聚类、强度调整和区域提取算法”。使用相同算法计算物质中灰质和白质的近似比例。用于临床文献分析和定量分析的工具是 MATLAB，该分析是针对不同视角的脑部 MRI 图像进行的。 “图像处理是一种使用不同算法从图像中提取感兴趣区域的技术。不同的算法包括分水岭、阈值和 K 均值聚类方法。所述分割方法用于分割 X 射线焊接图像，以检测穿孔和减少缺陷、不完全穿透和虫洞等缺陷。该方法用于识别故障区域。它们广泛应用于医学成像。计算机视觉、光学字符识别、工业射线照相术 [3]。 K-Means 算法是广泛使用的聚类算法之一。本文介绍了一种改进的 K-Means 算法。该算法通过首先对图像应用部分拉伸来提高图像质量。主观聚类用于生成聚类的初始中心，主观聚类是一种为数据点生成可能值的方法。生成的中心可供图像分割算法使用 [4]。深度学习架构已被提出用于检测阿尔茨海默病，这可以克服用于检测的机器学习算法的不足。它可用于检测轻度认知障碍和 AD。我们提供了一种深度学习架构，它使用自动编码器堆栈和输出级 SoftMax 来检测 AD 和 MCI 前身的阶段”。该架构领域可以使用先验知识来检测和分析几类学习样本和学习样本
NeuroInsight：一种革命性的自适应框架，用于医学成像中精确的脑肿瘤分类，使用自适应深度学习
摘要 - 本研究提出了一个强大的脑肿瘤分类框架，首先是对 233 名患者的细致数据整理。该数据集包含各种 T1 加权对比增强图像，涵盖脑膜瘤、神经胶质瘤和垂体瘤类型。采用严格的组织、预处理和增强技术来优化模型训练。所提出的自适应模型采用了一种尖端算法，利用了自适应对比度限制直方图均衡化 (CLAHE) 和自适应空间注意。CLAHE 通过根据每个区域的独特特征调整对比度来增强灰度图像。通过注意层实现的自适应空间注意动态地为空间位置分配权重，从而增强对关键大脑区域的敏感性。该模型架构集成了迁移学习模型，包括 DenseNet169、DenseNet201、ResNet152 和 InceptionResNetV2，从而提高了其稳健性。 DenseNet169 充当特征提取器，通过预训练权重捕获分层特征。批量归一化、dropout、层归一化和自适应学习率策略等组件进一步丰富了模型的适应性，减轻了过度拟合并在训练期间动态调整学习率。技术细节（包括使用 Adam 优化器和 softmax 激活函数）强调了模型的优化和多类分类能力。所提出的模型融合了迁移学习和自适应机制，成为医学成像中脑肿瘤检测和分类的有力工具。它对脑肿瘤图像的细致理解，通过自适应注意力机制的促进，使其成为神经成像计算机辅助诊断的一项有希望的进步。该模型利用具有自适应机制的 DenseNet201，超越了以前的方法，实现了 94.85% 的准确率、95.16% 的精确率和 94.60% 的召回率，展示了其在具有挑战性的医学图像分析领域提高准确率和泛化的潜力。关键词：NeuroInsight、脑肿瘤分类、医学影像、自适应深度学习、自适应框架。1. 简介通过整合最先进的技术，特别是在深度学习领域，医学诊断领域经历了前所未有的进步。这一进步的一个显著例子是使用自适应深度学习进行脑肿瘤分期分类，这是一种新颖的方法，它不仅利用了深度学习的能力，而且还能动态适应脑肿瘤分期固有的复杂性，在诊断中呈现出更高的精确度和个性化水平。在医疗保健领域，脑肿瘤因其表现形式多样、严重程度各异而成为一项艰巨的挑战。传统的肿瘤分类方法经常难以准确描述肿瘤分期的细微细节。在此背景下引入自适应深度学习标志着一种范式转变，它赋予诊断过程一种自学习机制，该机制会随着遇到的每个数据集不断发展和完善自身[1] – [4]。这种开创性方法的基础要素是一种先进的深度学习算法，其特点是动态和自适应性。自适应深度学习方法与典型的深度学习模型不同，它不断修改其参数以响应输入数据的独特特征，而不是依赖于固定的、预定的架构。这种自适应能力确保了对与脑肿瘤分期相关的复杂性的更细致入微和针对具体情况的理解[5] – [7]。