XiaoMi-AI文件搜索系统
World File Search System准确率
使用人工智能量化战略业务
摘要 - 本文旨在测试作者基于深度学习、神经网络和机器学习、随机森林开发的人工模型和计算器。“Diab BITA 模型”和“Diab 计算器”的生成是为了使任何规模和任何行业的组织能够按照 7 度尺度计算战略业务-IT 一致性 (BITA) 的价值。主要是针对他之前的一篇论文中的同一样本，其中高层管理人员主观评估了 BITA 成熟度；本论文旨在通过模型和计算器来实证证明管理者看法的准确性。研究结果显示，使用该模型估计这些组织的 BITA 水平的准确率为 89%，使用计算器的准确率为 92%。关键词：深度学习、机器学习、diab BITA 模型、diab 计算器。
脑电图的深度学习方法（...
摘要：在深度学习中，由于时间序列数据的随机性和非线性特性，寻找最佳算法可能具有挑战性。本研究致力于解决采用深度学习算法的 10 类分类和二元分类问题所带来的挑战。我们收集了参与 Corsi Block Tapping 任务的参与者的脑电图 (EEG) 数据，利用多层卷积神经网络 (CNN)、长短期记忆 (LSTM) 和双向 LSTM (BiLSTM) 模型的各种组合，以在不同频带（即 beta 波段 (14-30 Hz)、alpha 波段 (8-13 Hz)、theta 波段 (4-8 Hz) 和 delta 波段 (0.5-4.35 Hz)）上实现最高精度。我们在 10 类分类问题中的研究结果突出了 1 CNN + 4 线性层模型的卓越性能，准确率高达 64.47%。在二元分类领域，1 LSTM + 4 线性层模型表现最佳，准确率高达 93.30%。值得注意的是，β 波表现出增强的预测能力。这些结果对脑机接口实验的设计具有重要意义，特定大脑区域可以以更高的准确率预测反应。此外，未来的应用可能包括认知系统的开发，其中时间和准确性都起着关键作用。
SemEval-2015 任务 14：临床文本分析
我们描述了两个针对临床文本的任务：命名实体识别（任务 1）和模板槽填充（任务 2）。这两个任务利用 ShARe 语料库中的注释，该语料库包含带有注释的临床记录，提及的疾病以及它们对医学术语和八个附加属性的规范化。这两个任务的目的是确定临床命名实体识别方面的进展，并确定疾病模板槽填充的最新技术。任务 2 包含两个子任务：根据黄金标准疾病跨度进行模板槽填充（任务 2a）以及端到端疾病跨度识别和模板槽填充（任务 2b）。对于任务 1（疾病跨度检测和规范化），有 16 支队伍参加。最佳系统的严格 F1 得分为 75.7，准确率为 78.3，召回率为 73.2。对于任务 2a（给定黄金标准无序跨度的模板槽填充），有六支队伍参与。最佳系统的槽填充综合总体加权准确率为 88.6。对于任务 2b（无序识别和模板槽填充），有九支队伍参与。最佳系统的综合宽松 F（跨度检测）和总体加权准确率为 80.8。
脑肿瘤分类联邦学习环境中聚合模型的权重共享优化
正确的肿瘤分类将极大地帮助脑肿瘤的临床诊断和治疗。如果放射科医生使用深度学习帮助专家和医生检查大量的脑部 MRI 图像，则可以更快、更准确地诊断出脑肿瘤。训练过程需要大量数据集，并且必须将所有这些数据集中起来才能通过此类技术进行处理。由于医疗数据隐私法规，有时无法在集中式数据服务器上收集和分发患者数据。本文提出了联邦学习（FL），由于患者隐私问题，数据不可共享。使用 FL 方法，我们提出了两种聚合方法：第一种涉及对每个客户端的权重百分比进行排名；第二种是平均权重法。为了评估建议的模型，除了 SVM 和 VGG-16 之外，我们还比较了排名权重百分比方法与 FL 环境中提出的 CNN 和预训练（VGG-16）的平均权重的性能。实验结果应用于两个数据集，结果表明我们的模型准确率结果在使用排序权重百分比法时与其他方法相比非常有效，在数据集 (BT_large-1c) 上达到了准确率 (98%)，在数据集 (BT-large-2c) 上达到了准确率 (97.14%)。
Alma Mater Studiorum 博洛尼亚大学档案馆......
摘要 — 运动想象 (MI) 脑机接口 (BMI) 使我们只需想象执行运动动作即可控制机器。实际用例需要一种可穿戴解决方案，其中使用嵌入在节能微控制器单元 (MCU) 上的机器学习模型在传感器附近本地对脑信号进行分类，以确保隐私、用户舒适度和长期使用。在这项工作中，我们为嵌入式 BMI 解决方案的准确性与成本权衡提供了实用见解。我们的多光谱黎曼分类器在 4 类 MI 任务上达到 75.1% 的准确率。通过针对每个受试者调整不同类型的分类器，准确率进一步提高，达到 76.4%。我们进一步缩小模型，将其量化为混合精度表示，准确率损失分别仅为 1% 和 1.4%，但仍比最先进的嵌入式卷积神经网络高出 4.1%。我们在低功耗 MCU 上实现了该模型，能量预算仅为 198 µ J，每次分类仅需 16.9 毫秒。连续对样本进行分类，将 3.5 秒样本重叠 50% 以避免遗漏用户输入，这样仅需 85 µ W 即可运行。与嵌入式 MI-BMI 中的相关工作相比，我们的解决方案在近传感器分类的准确度-能量权衡方面树立了新的领先地位。
研究论文基于双向LSTM和注意力机制的表情脑电多模态情绪识别方法
由于人类情绪的复杂性，不同的情绪特征之间存在一定的相似性，现有的情绪识别方法存在特征提取困难、准确率不高的问题，为此提出一种基于双向长短期记忆和注意机制的表情脑电多模态情绪识别方法。首先基于双线性卷积网络（BCN）提取面部表情特征，将脑电信号变换为三组频带图像序列，利用BCN对图像特征进行融合，得到表情脑电多模态情绪特征。然后通过带有注意机制的长短期记忆在时序建模过程中提取重要数据，有效避免采样方法的随机性或盲目性。最后，设计一种具有三层双向长短期记忆结构的特征融合网络，将表情与脑电特征进行融合，有助于提高情绪识别的准确率。在MAHNOB-HCI和DEAP数据集上，基于MATLAB仿真平台对所提方法进行测试。实验结果表明,注意机制可以增强图像的视觉效果;且与其他方法相比,所提方法可以更有效地从表情和脑电信号中提取情感特征,情绪识别的准确率更高。
基于强化学习的皮层内脑机接口快速自校准解码器
摘要：背景：由于皮层内脑机接口中神经记录的非平稳性，需要每天以监督的方式进行再训练以保持解码器的性能。使用基于强化学习（RL）的自校准解码器可以改善此问题。然而，在保持良好性能的同时快速探索新知识仍然是基于RL的解码器的挑战。方法：为了解决这个问题，我们提出了一种基于注意力门控RL的算法，该算法结合了迁移学习、小批量和权重更新方案来加速权重更新并避免过度拟合。所提出的算法在两只猴子的皮层内神经数据上进行了测试，以解码它们的伸手位置和抓握姿势。结果：解码结果表明，与未再训练的分类器相比，我们提出的算法的分类准确率提高了约20％，甚至比每日再训练的分类器取得了更好的分类准确率。此外，与传统的RL方法相比，我们的算法将准确率提高了约10%，在线权重更新速度提高了约70倍。结论：本文提出了一种自校准解码器，该解码器具有良好且稳健的解码性能，权重更新速度快，可能有助于其在可穿戴设备和临床实践中的应用。
使用人工神经网络预测公司破产。
本文提出了一个深度学习模型，挑战了公司破产这一金融领域的已知知识。具体来说，我们构建了一个用于预测公司破产的多层感知器 (MLP) 模型，并对其进行了分析，以直观地显示哪些输入参数对模型的准确性最重要。该模型使用大约 55,000 行数据、数据清理和超参数优化，在 120 个时期和 30 次试验后实现了 82.8% 的平均准确率和 0.0678% 的标准差，这是一个出色的结果。该模型优于两个进行比较的支持向量机 (SVM) 模型，并表现出良好的泛化能力。然而，非线性 SVM 模型产生了 20.48% 的假阳性，准确率为 71.96%，而 MLP 模型产生了 25.1% 的假阳性。因此，如果减少假阳性的数量更重要，那么尽管准确率较低，但 SVM 模型可能是更可取的。分析输入参数后发现，员工人数、离职组和股权比例是对破产预测影响最大的输入参数。由此得出结论，这些参数可能是分析一家公司是否会破产时最重要的因素。
使用基于表面肌电信号的用户独立分类方法控制电动轮椅
摘要 轮椅因其舒适性和机动性而成为运动障碍人士中最受欢迎的辅助技术 (AT) 之一。手指有问题的人可能会发现使用传统的操纵杆控制方法操作轮椅很困难。因此，在本研究中，开发了一种基于手势的控制方法来操作电动轮椅 (EPW)。本研究选择了基于舒适度的手部位置来确定停止动作。还进行了额外的探索以研究四种手势识别方法：线性回归 (LR)、正则化线性回归 (RLR)、决策树 (DT) 和多类支持向量机 (MC-SVM)。前两种方法 LR 和 RLR 的准确率分别为 94.85% 和 95.88%，但每个新用户都必须接受培训。为了克服这个限制，本研究探索了两种独立于用户的分类方法：MC-SVM 和 DT。这些方法有效地解决了手指依赖性问题，并在识别不同用户的手势方面取得了显著的成功。MC-SVM 的准确率和准确度约为 99.05%，DT 的准确率和准确度约为 97.77%。所有六名参与者都成功控制了 EPW，没有发生任何碰撞。根据实验结果，所提出的方法具有很高的准确性，并且可以解决手指依赖性问题。
基于高效深度网络模型的智能工厂机器视觉关键技术
现有的智能空间机器视觉技术大多面向具体应用，不利于知识共享和重用，大部分智能设备需要人参与控制，不能主动为人提供服务。针对以上问题，本研究提出基于深度网络模型的智能工厂，能够基于庞大的数据库进行数据挖掘和分析，使工厂具备自学习能力，在此基础上完成能耗优化、生产决策自动判断等任务。基于深度网络模型，提高了模型对图像分析的准确率。增加隐层数会导致神经网络出现误差，增加计算量，可根据模型特点选择合适的神经元个数。当IoU阈值取0.75时，其性能同比提升1.23%。由非对称多个卷积核组成的残差结构，不仅增加了特征提取层数，还可以让非对称图像细节得到更好的保留。训练好的深度网络模型识别准确率达到99.1%，远高于其他检测模型，其平均识别时间为0.175s。在机器视觉技术研究中，基于深度网络模型的智能工厂不仅保持了较高的识别准确率，还满足了系统的实时性要求。