XiaoMi-AI文件搜索系统
World File Search System准确度
使用 EFFICIENTNET 架构的迁移学习方法治疗脑肿瘤
随着脑肿瘤的增多，研究人员正致力于实现脑肿瘤识别和诊断的自动化。众所周知，肿瘤的功能多种多样，因此多级脑肿瘤分类已成为一个突出的研究问题。由于手动执行肿瘤诊断过程非常繁琐。由于预测的有效性与放射科医生的专业知识有关，因此需要计算机辅助诊断系统。因此，我们需要一种需要较少预处理且能够有效实施的方法，而不是传统的机器学习方法。目前，迁移学习在深度学习中非常突出，因为它允许研究人员用很少的数据训练深度神经网络。EfficientNet 架构用于对脑肿瘤进行分类。在迁移学习的帮助下，EfficientNet 架构得到了训练。本研究工作基于 CNN 实施迁移学习，并使用 EfficientNet B0 和 EfficientNet B7 模型，该模型利用 ImageNet 数据集中的权重对 kaggle 公开数据集上的 4 种常见脑肿瘤类别（如无肿瘤、垂体、脑膜瘤、神经胶质瘤）进行分类。该数据集包含 3264 张脑 MRI 图像。使用这两种模型获得的准确度与各种性能指标（如准确度、精确度、F1 分数、特异性、灵敏度）一起计算。最高准确度为 98%。研究结果表明，该方法可用于将脑肿瘤分为几类。
用于预测汽车诊断故障代码的机器学习框架
2.1 预测性维护 . ... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.5.2.3 完全连接层 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.7.1 准确度 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.8 使用机器学习进行预测性维护的工作 . . . . . 21
使用多元解码方法评估精神分裂症 ERP 信号的信息内容
多元模式分类（解码）方法通常用于研究典型个体的神经认知处理机制，它们可用于量化单个参与者神经信号中存在的信息。这些解码方法在确定精神病和非精神病人群之间信息表示的差异方面也可能很有价值。在这里，我们检查了精神分裂症患者（PSZ）和健康对照受试者（HCS）的 ERP，他们在工作记忆任务中需要记住屏幕一侧的 1、3 或 5 个项目并忽略另一侧。我们使用 ERP 的空间模式来解码屏幕的哪一侧被保存在工作记忆中。人们可能会认为，由于噪音增加（即试验间变异性更大），PSZ 的解码准确度不可避免地会更低。然而，我们发现在记忆负荷 1 时，PSZ 中的解码准确度高于 HCS，这与之前的研究一致，在之前的研究中，在记忆负荷 1 时，PSZ 中的记忆相关 ERP 信号大于 HCS。我们还观察到，解码准确度与记忆相关 ERP 活动与噪声水平的比率密切相关。此外，我们发现 PSZ 和 HCS 中的噪声水平相似，这与 PSZ 会表现出更大的试验间变异性的预期相反。总之，这些结果表明，多变量解码方法可以有效地应用于个体参与者层面，以了解精神病人群认知功能受损的性质。
评估量子卷积神经网络的准确性和对抗鲁棒性
摘要 — 机器学习可以推动技术进步，造福不同的应用领域。此外，随着量子计算的兴起，机器学习算法已开始在量子环境中实现；现在称为量子机器学习。有几种尝试在量子计算机中实现深度学习。然而，它们并没有完全成功。然后，发现了一种结合了附加量子卷积层的卷积神经网络 (CNN)，称为量子卷积神经网络 (QNN)。QNN 的性能优于经典 CNN。因此，QNN 可以实现比经典神经网络更好的准确度和损失值，并显示出它们对从其经典版本生成的对抗性示例的鲁棒性。这项工作旨在评估 QNN 与 CNN 相比的准确度、损失值和对抗鲁棒性。索引术语 — 量子卷积神经网络、量子神经网络、卷积神经网络
AHRS500
性能更新率 (Hz) 25 或 100 请参阅订购信息完整准确度数据 (秒) < 90 航向范围 (°) 0 至 360 准确度 (°) ± 2 FAA TSO C6d 测试条件分辨率 (°) 0.1 姿态滚转范围 (°) ± 180 俯仰范围 (°) ± 90 准确度 (°) ± 2.5 FAA TSO C4c 测试条件垂直度 (°) < 1.0 分辨率 (°) 0.1 环境 1 FAA DO-160D 测试条件工作温度 (°C) -40 至 +70 非工作温度 (°C) -55 至 +85 工作振动 (g rms) DO-160D，第 8 部分 S 类，曲线 M； U 类 EMI DO-160D，第 20 节 W 类 DO-160D，第 21 节 M 类 防水/防潮密封外壳 海拔 (ft) 35,000 最大角速率 ( °/秒) 200 滚动、俯仰或偏航 最大加速度范围 (G) 10 电气输入电源电压 (VDC) 12V 或 24V 电气。系统 DO-160D 第 16 节，类别。B 输入功率 (W) < 4 @ 12 VDC 数字输出格式 RS-232 物理尺寸 (英寸) 4.66 x 4.53 x 4.863 不包括安装法兰 (厘米) 11.84 x 11.51 x 12.35 不包括安装法兰 重量 (磅) 3.5 (千克) 1.6 连接器 15 针 Sub-Min DB 公头
基于多目标优化的癫痫发作分类脑电图通道选择方法
我们提出了一种基于非支配排序遗传算法 (NSGA) 的癫痫发作分类脑电图 (EEG) 通道选择的多目标优化方法。我们在来自 CHB-MIT 公共数据集的 24 名患者的 EEG 数据上测试了该方法。该过程首先使用经验模态分解 (EMD) 或离散小波变换 (DWT) 将来自每个通道的 EEG 数据分解为不同的频带，然后为每个子带提取四个特征；两个能量值和两个分形维数值。然后通过 NSGA-II 或 NSGA-III 迭代测试获得的特征向量以解决两个无约束目标；最大限度地提高分类准确率并减少癫痫发作分类所需的 EEG 通道数量。我们的结果表明，仅使用一个 EEG 通道就能实现高达 1.00 的准确率。有趣的是，当使用所有可用的 EEG 通道时，与使用 NSGA-II 或 NSGA-III 选择 EEG 通道的情况相比，获得的准确度较低；即，在患者 19 中，我们使用所有通道获得的准确度为 0.95，而使用 NSGA-III 仅选择的两个通道获得的准确度为 0.975。获得的结果令人鼓舞，并且已经表明可以使用少量电极对癫痫发作进行分类，这为未来开发便携式 EEG 发作检测设备提供了证据。
Avey：一种用于自我诊断的精确 AI 算法
医疗自我诊断算法（或症状检查器）正日益成为数字健康和我们日常生活中不可或缺的一部分。在本文中，我们介绍了基于人工智能 (AI) 的症状检查器 Avey。同时，我们提出了一种全面的实验方法，利用标准临床插图方法来评估症状检查器。基于此方法，我们编制并同行评审了迄今为止该领域最大的基准插图套件。之后，我们定义了七个准确度指标，并利用这个插图套件从不同角度评估 Avey 和其他五种流行症状检查器的性能。此外，我们将 Avey 的准确度与三名平均经验为 16.6 年的经验丰富的初级保健医生进行了比较。结果显示，Avey 的表现明显优于五种症状检查器，并且比医生的表现更佳。
脑外伤患者经过约 6 个月的训练后，数字搜索 > 视觉记忆 > 注意力处理能力有所提高
创伤性脑损伤 (TBI) 会产生身体、认知和情绪症状，称为脑震荡后综合症 (PCS)。认知康复可能有助于恢复或延缓受损的能力。澄清这一点很重要，因为保险公司可能不愿意支付这种治疗费用。为了测试认知康复的有效性，8 名轻度创伤性脑损伤患者同意参加这项实验。每个人都接受了约 6 个月的注意力处理训练、视觉记忆和数字搜索训练，并测量了每个参与者在每次试验中的延迟和准确度。从训练前到训练后，延迟显著减少，准确度提高，效果大小大于 2.0。总之，这些数据表明，6 个月的认知康复显着且强劲地提高了所有患者的表现。
WoodNews-Nov-Dec-2012.pdf
Felder-Group 机器提供最先进的技术，为小型企业和大型企业提供木工解决方案。Felder-Group 用一个出色的机器概念重新定义了精度、准确度、耐用性和使用寿命！欢迎参观我们的展厅，观看现场演示。
