XiaoMi-AI文件搜索系统
World File Search System准确率
事件相关电位的分类准确率……
a 蓝色字体显示不确定的分类。b 红色字体显示假阳性分类。缩写：BFP，脑指纹；IP，存在真实信息；IP C ，脑指纹分类为存在信息；IA，不存在真实信息；IA C ，脑指纹分类为不存在信息；IND，脑指纹分类为不确定。
通过准确率和召回率评估生成模型
生成模型的最新进展引起了人们对统计差异作为模型比较手段的研究兴趣。常用的评估方法，例如 Fréchet 初始距离 (FID)，与样本的感知质量有很好的相关性，并且对模式下降很敏感。然而，这些指标无法区分不同的失败案例，因为它们只产生一维分数。我们提出了一种新的分布精度和召回率定义，将差异分解为两个独立的维度。所提出的概念直观，保留了理想的属性，并自然而然地产生了一种可用于评估生成模型的有效算法。我们将这个概念与总变异以及最近的评估指标（如初始分数和 FID）联系起来。为了证明所提出方法的实用性，我们对生成对抗网络和变分自动编码器的几种变体进行了实证研究。在大量实验中，我们表明所提出的指标能够将生成样本的质量与目标分布的覆盖范围区分开来。
使用卷积神经网络提高四类自愿想象 fNIRS 信号的分类准确率
多类功能性近红外光谱 (fNIRS) 信号分类已成为光学脑机接口的一种便捷方式。当信号由同一肢体的自愿和想象运动产生时，高精度的 fNIRS 信号分类是一项具有挑战性的任务。由于自愿和想象运动在时间和空间上的激活表现出相似的模式，传统浅层分类器的分类精度无法达到可接受的范围。本文提出了一种利用卷积神经网络 (CNN) 提高精度的方法。在这项工作中，几位参与者进行了自愿和想象手部运动（左手和右手）。这些四类信号是利用 fNIRS 设备获取的。根据任务分离信号并进行过滤。通过手动特征提取，使用支持向量机和线性判别分析对信号进行分类。CNN 的自动特征提取和分类机制被应用于 fNIRS 信号。从结果来看，CNN 将分类精度提高到了可接受的范围，这是任何卷积网络都无法实现的。
寻找最佳时间窗口以提高运动想象过程中的分类准确率
近几十年来，脑机接口 (BCI) 已用于新型神经康复技术，在运动恢复方面取得了可喜的成果 (Cervera 等人，2018)。在神经康复中使用 BCI 可以通过运动想象 (MI) 招募和激活运动区域，而无需主动运动。这可能会导致被认为因中风而受损的区域发生神经可塑性变化 (Bai 等人，2020)。当与严肃游戏和虚拟现实 (VR) 相结合时，BCI 可以实现更密集的神经康复 (Putze，2019)，通过即时反馈鼓励患者 (Mubin 等人，2020) 并让他们沉浸在引人入胜的虚拟环境中 (Khan 等人，2020)。神经康复的一个重要挑战是 MI 反馈传递的时机和有效性。反馈传递在 BCI 中起着重要作用，而有效性
基于 CNN 的提高脑肿瘤图像分类准确率的方法 A. Muis a、S. Sunardi *b、A. Yudhana b
脑瘤是世界上最致命的疾病之一。这种疾病可以攻击任何人，无论性别或特定年龄段。脑瘤的诊断是通过手动识别计算机断层扫描或磁共振成像的图像进行的，因此可能会发生诊断错误。此外，可以使用活检技术进行诊断。这种技术非常准确，但需要很长时间，大约 10 到 15 天，并且需要大量设备和医务人员。基于此，需要能够根据 MRI 生成的图像进行分类的机器学习技术。这项研究旨在提高以前研究对脑瘤分类的准确性，从而避免在脑瘤诊断中出现错误。本研究使用的方法是使用 AlexNet 和 Google Net 架构的卷积神经网络。这项研究的结果显示，AlexNet 架构的准确率为 98%，GoogleNet 的准确率为 96%。与以前的研究相比，这个结果更高。这一发现可以减少模型训练期间的计算负担。该研究成果可以帮助医生快速准确地诊断脑肿瘤。
一种用于在线脉冲分类的神经网络，可提高解码准确率 Deepa Issar 1,2、Ryan C. Williamson 2,3,5、Sanjeev B. Khanna 1、a
1 美国宾夕法尼亚州匹兹堡大学生物工程系 2 美国宾夕法尼亚州匹兹堡大学医学院 3 美国宾夕法尼亚州匹兹堡卡内基梅隆大学机器学习系 4 美国宾夕法尼亚州匹兹堡卡内基梅隆大学生物医学工程系 5 美国宾夕法尼亚州匹兹堡卡内基梅隆大学神经科学研究所 6 美国宾夕法尼亚州匹兹堡大学医学院眼科系 #: 通讯地址： Matthew A. Smith 卡内基梅隆大学生物医学工程系和神经科学研究所 电子邮件： matt@smithlab.net 运行头：用于在线尖峰分类的神经网络
DNA测序数据比对软件BWA原理及应用
STAR （ Spliced Transcripts Alignment to a Reference ）是用于将 RNA-seq 读取数据与 参考基因组序列进行高度准确和超快速的剪接感知（ splice aware ） 比对的工具。注意， STAR 是一个专门针对 RNA-seq 数据映射的比对工具，这意味着不能用于比对 DNA 数据。与 其它的 RNA-seq 比对工具相比，其具有较高的准确率，映射速度较其他比对软件高 50 多 倍。 STAR 在识别经典和非经典剪接位点方面具有很高的精确性，还可以检测到嵌合（融 合）转录本。除了映射短读取数据（例如 ≤ 200 bp ）， STAR 还可以准确地映射长读取数据 （例如来自 PacBio 或 Ion Torrent 的数 Kbp 读取数据）。 STAR 在变异检测（ SNP 和 INDEL ） 方面具有更好的灵敏度，因此， STAR 被用于 GATK 最佳实践工作流程，用于从 RNA-seq 数据 中识别短变异。
在常见的基于 EEG 的被动式 BCI 实验设计中，k 倍交叉验证可能会显著高估真实分类准确率：一项实证研究
摘要：在被动 BCI 研究中，一种常见的方法是在相对较长的试验期间收集感兴趣的心理状态数据，并将这些试验划分为较短的“时期”，以作为分类中的单个样本。虽然众所周知，在这种情况下使用 k 倍交叉验证 (CV) 会导致心理状态可分离性的估计不可靠（由于来自同一试验的样本存在自相关），但 k 倍 CV 仍在被动 BCI 研究中广泛使用和报告。尚不清楚的是 k 倍 CV 在多大程度上歪曲了真正的心理状态可分离性。这使得很难解释使用它的研究结果。此外，如果清楚地知道问题的严重性，也许更多的研究人员会意识到他们应该避免它。在这项工作中，一个新颖的实验探索了类内样本之间的相关程度如何影响通过 k 倍 CV 估计的基于 EEG 的心理状态分类准确性。将结果与真实值 (GT) 准确度和“块级”CV（k 折的替代方法，旨在缓解自相关问题）进行了比较。还探讨了诸如真实类别可分度以及使用的特征集和分类器等因素。结果表明，在某些条件下，k 折 CV 使 GT 分类准确度增加高达 25%，但块级 CV 低估了 GT 准确度高达 11%。我们建议，在单受试者分析中，应尽可能减少来自同一次试验的样本数量，并报告 k 折和块级 CV 结果。
使用朴素贝叶斯和 n-gram 字符选择对具有人工智能相机技术的智能手机进行情绪分析评论
摘要。手机现在已成为一种基本必需品。根据日常需要，每个人都肯定有一部手机。只需一只手即可捕捉连接并开展各种活动。本研究的对象是评测具有最佳人工智能相机的智能手机。研究中使用的数据处理方法使用朴素贝叶斯算法。朴素贝叶斯被认为是文本挖掘分类准确度最好的方法之一。研究目的是方便那些购买具有最佳人工智能相机的智能手机的客户，而无需阅读产品评论。这样它就可以根据正面文本的分类来查看并标记负面文本分类。在本研究中，n-gram 用作字符选择器以提供更好的准确性结果。根据研究结果，Na¨ıve Bayes 的准确率为 72.00%，那么 Na¨ıve Bayes 的 n-gram 选择准确率为 N-gram = 2，准确率为 72.00%，n-gram = 3，准确率为 75.00%，n-gram = 4，准确率为 74.50%。本研究进行了 10 次实验，以测量 n-gram 的加入对准确率的提高。从而得出结论，n-gram 特性的应用可以提高 Na¨ıve Bayes 算法的准确率。
语音回忆过程中脑电图回忆间隔的估计
图4显示了使用20倍交叉验证估计每个受试者的回忆间隔的结果。在图 4 中，横轴是时间，纵轴是来自 5 个受试者的 200 个样本（总共 1000 个样本）的准确率。红框内是语音回忆部分。前文研究 [2] 中的方法（图 4 中的蓝线）的准确率在语音回忆片段之间下降到 0.2，而本文提出的方法（图 4 中的橙线）则达到了 0.8 的稳定准确率。 从这些结果可以看出，可以说所提出的方法对于估计回忆间隔是有效的。然而，当我们观察所提出的方法在语音回忆部分之外的准确度时，我们发现与以前的研究相比，该方法将语音回忆部分之外的部分估计为回忆率的情况更为常见。这被认为是由于大脑中噪音的影响。因此，我们旨在通过将增加的 10 个样本应用于所提出的方法来减少这种噪音。结果就是图4中的绿线。在保持回忆部分的准确度的同时，非回忆部分的准确度得到了提高。基于这些结果，我们研究了所提出方法的最佳添加次数。结果如图5所示。图 5 显示了所有受试者对每个加法数字的准确率。蓝线表示整个时间内的平均准确率，橙线表示回忆期间的最大准确率。横轴是添加的样本数量，纵轴是准确率。通过添加 sigma，回忆部分的准确率得到了提高，达到了约 90%。另外，10 次添加等于 1 个样本。