XiaoMi-AI文件搜索系统
World File Search System准确性
机器学习的准确性以预测肩关节置换术的结果：系统评价
©作者2024。Open Access本文是根据Creative Commons Attribution 4.0 International许可获得许可的，该许可允许以任何媒介或格式使用，共享，适应，分发和复制，只要您对原始作者和来源提供适当的信誉，请提供与创意共享许可证的链接，并指出是否进行了更改。本文中的图像或其他第三方材料包含在文章的创意共享许可中，除非在信用额度中另有说明。如果本文的创意共享许可中未包含材料，并且您的预期用途不受法定法规的允许或超过允许的用途，则您需要直接从版权所有者那里获得许可。要查看此许可证的副本，请访问http://creativecommons.org/licenses/4.0/。
![为了有效解决人类所面临的日益复杂的问题，最新的发展趋势是应用大量不同类型的传感器收集数据，从而基于深度学习和人工智能建立有效的解决方案[1-4]。这不仅对传感器产生了巨大的需求，带来了商机，也为传感器设备及其相关应用的开发带来了新的挑战[5,6]。这些将人工智能与传感器相结合的技术发展正被积极地应用于医疗保健、制造业、农业和渔业、交通运输、建筑、环境监测等各个应用领域。例如，在环境监测方面，集成深度学习和人工智能算法的传感器能够快速分析大量数据集，实时识别模式、异常和趋势[7,8]。以天气预报为例，由人工智能驱动的传感器可以从卫星、气象站和无人机等各种来源收集数据，从而更精确地预测天气模式。通过深度学习模型，传感器可以动态调整和整合新数据，从而随着时间的推移提高预测准确性。此外，在工业环境中，通过人工智能增强的传感器在监控设备健康状况、预测潜在故障和安排维护方面发挥着优化制造运营的关键作用。](/simg/f/f35968dfeaed06f5c0286399ab4f1fb8e15e2e87.png)
为了有效解决人类所面临的日益复杂的问题，最新的发展趋势是应用大量不同类型的传感器收集数据，从而基于深度学习和人工智能建立有效的解决方案[1-4]。这不仅对传感器产生了巨大的需求，带来了商机，也为传感器设备及其相关应用的开发带来了新的挑战[5,6]。这些将人工智能与传感器相结合的技术发展正被积极地应用于医疗保健、制造业、农业和渔业、交通运输、建筑、环境监测等各个应用领域。例如，在环境监测方面，集成深度学习和人工智能算法的传感器能够快速分析大量数据集，实时识别模式、异常和趋势[7,8]。以天气预报为例，由人工智能驱动的传感器可以从卫星、气象站和无人机等各种来源收集数据，从而更精确地预测天气模式。通过深度学习模型，传感器可以动态调整和整合新数据，从而随着时间的推移提高预测准确性。此外，在工业环境中，通过人工智能增强的传感器在监控设备健康状况、预测潜在故障和安排维护方面发挥着优化制造运营的关键作用。
为了有效解决人类所面临的日益复杂的问题，最新的发展趋势是应用大量不同类型的传感器来收集数据，以便建立基于深度学习和人工智能的有效解决方案[1-4]。这不仅对传感器产生了巨大的需求，提供了商业机会，也为传感器设备及其相关应用的开发带来了新的挑战[5,6]。这些将人工智能与传感器相结合的技术发展正被积极地应用于医疗保健、制造业、农业和渔业、交通运输、建筑、环境监测等各个应用领域。例如，在环境监测中，集成了深度学习和人工智能算法的传感器能够快速分析大量数据集，实时识别模式、异常和趋势[7,8]。以天气预报为例，人工智能驱动的传感器可以从卫星、气象站和无人机等各种来源收集数据，从而更精确地预测天气模式。通过深度学习模型，传感器可以动态调整和整合新数据，从而随着时间的推移提高其预测准确性。此外，在工业环境中，人工智能增强的传感器在优化制造运营方面发挥着至关重要的作用，可以监测设备健康状况、预测潜在故障并提前安排维护 [ 9 – 12 ]。这种方法减少了运营停机时间并提高了整体效率。在此背景下，“传感器和应用中的人工智能和深度学习”特刊收集了关于人工智能（特别是深度学习）和传感器技术在各个领域的新发展的高质量原创贡献，以及分享想法、设计、数据驱动的应用程序以及生产和部署经验和挑战。本期特刊征文主题包括制造、机械和半导体的应用和传感器；建筑、施工、楼宇、电子学习的智能应用和传感器；推荐系统；自动驾驶汽车、交通监控和运输的应用和传感器；物体识别、图像分类、物体检测、语音处理、人类行为分析；以及其他相关传感应用 [ 13 , 14 ]。
文章通过集成上下文门网络提高分类准确性：功能性近红外光谱的深度学习方法
摘要：脑机接口 (BCI) 系统包括信号采集、预处理、特征提取、分类和应用阶段。在 fNIRS-BCI 系统中，深度学习 (DL) 算法在提高准确性方面起着至关重要的作用。与传统的机器学习 (ML) 分类器不同，DL 算法无需手动提取特征。DL 神经网络会自动提取数据集中的隐藏模式/特征来对数据进行分类。在本研究中，从 20 名健康参与者那里获取了手握（闭合和张开）两类运动活动数据集，并将集成上下文门网络 (ICGN) 算法（提出）应用于该数据集以提高分类准确性。所提出的算法从过滤后的数据中提取特征，并根据网络中先前单元的信息生成模式。因此，基于数据集内生成的类似模式进行分类。将所提出的算法的准确性与长短期记忆 (LSTM) 和双向长短期记忆 (Bi-LSTM) 进行了比较。所提出的 ICGN 算法的分类准确率为 91.23 ± 1.60%，显著（p < 0.025）高于 LSTM 和 Bi-LSTM 分别实现的 84.89 ± 3.91 和 88.82 ± 1.96。使用 30 名受试者的开放访问三类（右手和左手手指敲击和优势脚敲击）数据集来验证所提出的算法。结果表明，ICGN 可有效用于基于 fNIRS 的 BCI 应用中二类和三类问题的分类。
使用基于梯度的优化来提高锂电池健康估算的准确性：电动汽车应用中的案例研究
摘要：眼睛疲劳对眼部肌肉具有疲劳作用，而眼动性能是对眼睛疲劳状态的宏观反应。为了提前检测和防止眼睛疲劳的风险，这项研究设计了眼疲劳检测实验，收集了实验数据样本并构建了实验数据集。在这项研究中，完成了眼睛追踪特征提取，并通过双向重复测量ANOVA ANOVA讨论了不同疲劳状态下的眼睛跟踪特征的显着性差异（方差分析）。实验结果证明了眼睛跟踪信号的眼睛疲劳检测的可行性。此外，本研究还考虑了不同特征提取方法对眼睛疲劳检测准确性的影响。本研究研究了基于手动特征计算（SVM，DT，RM，ET）的机器学习算法的性能和基于自动特征提取（CNN，自动编码器，变压器，变压器）的深度学习算法。基于方法的组合，本研究提出了特征联合自动编码器算法，并且在实验数据集上进行眼疲劳检测的算法的准确性从82.4％提高到87.9％。
引用：Govender, R. G. (2024)。我的 AI 学生：评估三个 AI 聊天机器人在完整性和准确性方面的熟练程度。当代教育技术，16 (2)，ep509。https://doi.org/10.30935/cedtech/14564
人工智能 (AI) 的新时代已经开始，它可以从根本上改变人类与技术的互动方式以及从技术中获益的方式。聊天界面与大型语言模型的融合使人类可以编写自然语言查询并从机器接收自然语言响应。这项实验设计研究测试了三种流行的 AI 聊天机器人服务（称为我的 AI 学生）在完整性和准确性方面的功能：Microsoft Bing、Google Bard 和 OpenAI ChatGPT。使用李克特量表分别对完整性和准确性进行评分，分别为三分和五分。使用描述性统计和非参数检验来比较分数和量表评级。结果显示，AI 聊天机器人的总体得分为 80.0%。然而，他们在回答布鲁姆较高分类级别的问题时遇到了困难。在所有布鲁姆分类学问题（n=128）中，完整性中位数为 3.00，平均值为 2.75，准确度中位数为 5.00，平均值为 4.48。总体而言，由于响应有限（76.2%），解决方案的完整性被评为大多不完整，而准确度被评为大多正确（83.3%）。在某些情况下，生成文本被发现冗长而空洞，缺乏透视性和连贯性。在提供正确答案方面，Microsoft Bing 在三种 AI 文本生成工具中排名第一（92.0%）。Kruskal-Wallis 检验显示，三个 AI 聊天机器人在完整性（渐近sig.=0.037，p<0.05）和准确性（渐近sig.=0.006，p<0.05）方面存在显著差异。进行了一系列 Mann 和 Whitney 检验，结果显示 AI 聊天机器人在完整性方面没有显著差异（所有 p 值 > 0.015 和 0 sig.=0.002，p<0.05，r=0.3 中等效应）。 研究结果表明，虽然 AI 聊天机器人可以生成全面而正确的响应，但它们在处理更复杂的认知任务时可能存在局限性。sig.=0.002，p<0.05，r=0.3 中等效应）。研究结果表明，虽然 AI 聊天机器人可以生成全面而正确的响应，但它们在处理更复杂的认知任务时可能存在局限性。
平衡质量和数量：合成数据对计算机视觉中烟雾检测准确性的影响
我们使用了两个合成的烟雾管道：1）质量较低，但很快产生了用虚幻发动机产生的烟雾，2）质量较高，但会产生NVIDIA Omniverse的烟雾缓慢。在两个管道中，当合成数据构成约30％的初始训练数据的30％时，我们发现半决器的表现达到峰值。此外，较高质量的数据提高了训练精度约5％，而质量较低的数据则增加了2.5％。然而，Omniverse的一代速度比虚幻的速度慢约12％。最后，与非合成烟相比，我们剖析了产生的烟雾特征的质量。这些结果证明了开发方法的有用性，这些方法可以通过分析其在烟雾检测和类似应用中提高模型性能的能力来确定合成数据的价值。
使用CAD/CAM技术实现牙齿修复的准确性和精度
肺癌是一种威胁生命的疾病，是由于肺部细胞不受控制而引起的。吸烟是肺癌的主要原因[1]。全球死亡的主要原因之一，癌症具有200多种不同的种类。所有与癌症相关的死亡中的18.4％是由肺癌引起的，肺癌也是全球最常见的预后最常见的类型。在诊断时，约有70％的肺癌患者患有患疾病，诊断后只有15％的患者还活着[2]。肺癌在所有恶性肿瘤的发病率和死亡率方面排名第三，在男性中比女性更为常见。20％的肺癌病例是小细胞肺癌（SCLC），而非小细胞肺癌（NSCLC）共同占所有肺癌病例的80％[3，4]。组合的PET-CT扫描通常用于确定肺部肿瘤的位置和大小，促进准确的疾病分期并确定不清楚的肺结核[5]。根据世界卫生组织（WHO）的最新报告，肺癌是第六大流行的死亡原因，约占所有死亡人数的1.8％[6]。 许多治疗方法，包括手术，放疗，放射外科，化疗和免疫疗法，通常用于治疗肺癌。 肺癌可以通过几种基本方法进行治疗，每种方法都有其局限性。 可以用任何这些疗法治疗晚期肺癌[7]。根据世界卫生组织（WHO）的最新报告，肺癌是第六大流行的死亡原因，约占所有死亡人数的1.8％[6]。许多治疗方法，包括手术，放疗，放射外科，化疗和免疫疗法，通常用于治疗肺癌。肺癌可以通过几种基本方法进行治疗，每种方法都有其局限性。可以用任何这些疗法治疗晚期肺癌[7]。此外，癌细胞和健康组织受到放射治疗和化学疗法的损害。药物纳米技术的最新进展有效地克服了传统化学疗法药物的缺点。人造颗粒，称为纳米颗粒，通常小于100 nm，源自金，脂质或聚合物等金属[8，9]。纳米颗粒在肺癌治疗中的不同应用如图1.
诊断阿尔茨海默氏病：迈向准确性和可及性
阿尔茨海默氏病（AD）是一种严重的痴呆症，遭受了衰老的衰老，其特征是认知能力下降，淀粉样蛋白β斑块和神经原纤维缠结。大大损害了受害者的生活质量，并为整个社会造成了沉重的负担。由于AD，Promal AD和临床前广告而引起的痴呆症患者的数量估计分别为全球约3.2、69和3.15亿。当前的临床诊断基于临床症状，临床研究表明，正电子发射断层扫描（PET）和脑脊液（CSF）生物标志物具有出色的诊断性能。但是，CSF生物标志物测试和PET的应用受到侵入性和高成本的限制。临床症状的存在意味着AD病理已经发展了很多年，并且只有少数药物被批准用于AD的创伤。因此，早期诊断对于控制AD引起的结果极为重要。在这篇综述中，我们提供了开发临床诊断标准，临床研究下的诊断策略，开发基于血液的双性异物测定法以及有希望的基于纳米技术的测定法。
协变性下的公平性：通过几乎没有标记的测试样本改善公平 - 准确性的权衡
协变性转移是一种常见的实践现象，可以显着降低模型的准确性和公平性能。在协变量转变下确保不同敏感群体的公平性至关重要，因为诸如刑事司法等社会意义。我们在无监督的制度中运行，其中只有一组未标记的测试样本以及标记的训练集。在这种高度挑战但现实的情景下提高公平性，我们做出了三项贡献。首先是一个基于新型的复合加权熵的目标，以实现预测准确性，并通过代表匹配的损失进行了优化。我们通过实验验证，在帕累托意义上，相对于几个标准数据集的公平性 - 准确性权衡，在帕累托意义上，使用损失配方优化优于最先进的基线。我们的第二个贡献是一个新的环境，我们称之为不对称的协变量转变，据我们所知，以前尚未研究过。与其他组相比，当一个组的协变量显着转移时，发生不对称的协变量转移发生时，当一个主体群体过分代表时，就会发生这种情况。虽然这种设置对当前基线非常挑战，但我们表明我们提出的方法显着胜过它们。我们的第三个贡献是理论，我们表明我们的加权熵项以及训练集的预测损失近似于协变量下的测试损失。通过经验和正式的复杂性界限，我们表明，与看不见的测试损失的近似不取决于影响许多其他基线的重要性采样方差。