XiaoMi-AI文件搜索系统
World File Search System准确率
结合感觉运动节律和运动相关皮质电位特征降低脑机接口效率低下
摘要 目的.脑机接口(BCI)低效性意味着将有10%到50%的用户无法操作基于运动想象的BCI系统。值得注意的是，之前对BCI低效性的研究几乎都是基于感觉运动节律(SMR)特征的测试。在本研究中，我们利用SMR和运动相关皮层电位(MRCP)特征评估了BCI低效性的发生情况。方法.在不同的日子里，对93名受试者记录了2个会话中的静息态和运动相关脑电信号数据集。采用公共空间模式(CSP)和模板匹配两种方法提取SMR和MRCP特征，并采用赢家通吃策略利用线性判别分析的后验概率来评估模式识别，以结合SMR和MRCP特征。主要结果.结果表明，两类特征表现出高度的互补性，与它们的弱相互相关性相符。在二分类问题（右脚 vs. 右手）中 SMR 特征准确率较差（< 70%）的受试者组中，SMR 和 MRCP 特征的组合将平均准确率从 62% 提高到了 79%。重要的是，特征组合获得的准确率超过了效率低下阈值。意义。SMR 和 MRCP 的特征组合在 BCI 解码中并不新鲜，但使用 SMR 和 MRCP 特征对 BCI 效率低下进行大规模可重复的研究是新颖的。MRCP 特征对 SMR 特征准确率较差（< 70%）和良好（> 90%）的两个受试者组提供相似的分类准确率。这些结果表明，SMR 和 MRCP 特征的组合可能是降低 BCI 效率低下的一种实用方法。然而，在本研究之后，“BCI 效率低下”可能更恰当地被称为“SMR 效率低下”。
通过 R3D Transformer 实现超声心动图矢量嵌入，推动自动超声心动图的发展
我们的模型性能接近为相同 EF 分类问题开发的当前 SOTA（最先进）分类器，这突显了其质量。例如，我们的准确率高于最新模型，同时与最佳 SOTA 准确率相差 5 分以内。我们的 AUC 也高于最新模型，与最佳 SOTA AUC 相差 6 分以内。a R3D Transformer，ResNet18 主干。b 未公开的算法。c 具有空洞卷积的 3D 卷积神经网络。d GSM，Inception 主干，32 帧超声心动图。e 移动 U-Net。
基于脑电信号的脑动态复杂网络特征提取及儿童癫痫判别框架
摘要：当前关于癫痫的复杂网络研究大多采用脑电图直接构建静态复杂网络进行分析，忽略了其动态特征。本研究采用滑动窗口法对儿童癫痫患者与儿童对照组睡眠状态下的脑电图构建动态复杂网络，提取动态特征并结合到各类机器学习分类器中探究其分类性能，并比较了静态与动态复杂网络的分类性能。在单变量分析中，静态复杂网络中原本不显著的拓扑特征在动态复杂网络中可以转化为显著特征。在大多数导联间连通性计算方法下，利用动态复杂网络特征进行判别的准确率均高于静态复杂网络特征。特别是在全频段下的相干函数虚部（iCOH）方法中，大多数机器学习分类器的判别准确率均高于95%，且在较高频段（β频段）和全频段的判别准确率高于较低频段。与使用静态复杂网络特征相比，我们提出的方法和框架可以有效地概括脑电信号中更多的时变特征，从而提高机器学习分类器的判别准确率。
利用EEG Beta反弹跟踪模式进行手部运动想象智能分类技术
摘要：要在康复过程中应用基于 EEG 的脑机接口，需要在运动想象 (MI) 期间分离各种任务并将 MI 融入运动执行 (ME)。先前的研究侧重于基于复杂算法对不同的 MI 任务进行分类。在本文中，我们实现了智能、直接、易懂、省时且减少通道的方法来对 ME 与 MI 以及左手与右手 MI 进行分类。记录了 30 名执行运动任务的健康参与者的 EEG，以研究两项分类任务。对于第一项任务，我们首先基于 beta 反弹提出一种“跟进”模式。该方法的平均分类准确率为 59.77% ± 11.95%，对于手指交叉可高达 89.47%。除了时域信息外，我们还使用包括统计、小波系数、平均功率、样本熵和常见空间模式在内的提取方法将 EEG 信号映射到特征空间。为了评估其实用性，我们采用支持向量机作为智能分类器模型，采用稀疏逻辑回归作为特征选择技术，实现了 79.51% 的准确率。第二次分类也采用了类似的方法，准确率达到了 75.22%。我们提出的分类器表现出很高的准确率和智能性。所取得的成果使我们的方法非常适合应用于瘫痪肢体的康复。
人工智能支持的实时生物医学系统的协作学习算法的优化和实施
摘要。近年来，人工智能 (AI) 在生物医学领域的发展迅速。然而，迫切需要一个准确、安全的肺炎检测和诊断系统。我们提出了一种用于 AI 支持的实时生物医学系统 (AIRBiS) 的协作学习算法的优化和实现，其中部署了卷积神经网络进行肺炎（即 COVID-19）图像分类。通过增强优化，联邦学习 (FL) 方法实现了 95.66% 的高准确率，优于传统学习方法的 94.08% 准确率。使用多个边缘设备还可以减少总体训练时间。
科技赋能下的供应链金融计算机化风险评估模型构建及应用
本研究旨在帮助中小企业摆脱传统融资模式的束缚，降低供应链金融风险。首先分析了供应链金融业务模式及信用风险，随后探讨了区块链在供应链金融信用风险管控中的应用原理，接下来探讨了解放个体、将金融科技应用于供应链金融风险管理。在计算机化风险评估模型开发的最后阶段，对模糊支持向量机（FSVM）进行了优化，并通过引入可变惩罚因子C来提高风险分类的有效性和效率。为检验C-FSVM风险评估模型的有效性，以中国汽车行业为研究对象。研究结果显示，C-FSVM模型对整个样本的分类准确率为96.35%，对信誉良好的企业分类准确率为96.45%，对违约企业的分类准确率为95.34%。 C-FSVM模型的训练时间为473.9s，远低于SVM和FSVM模型的训练时间1631.6s和1870.2s。综上所述，C-FSVM供应链财务风险评估模型是有效的，在银行实际中具有较大的应用价值。
使用卷积进行心算任务分类......
摘要 — 近年来，神经科学家一直对脑机接口 (BCI) 设备的开发很感兴趣。运动障碍患者可能受益于 BCI 作为一种交流方式和运动功能恢复。脑电图 (EEG) 是评估神经活动最常用的方法之一。在许多计算机视觉应用中，深度神经网络 (DNN) 显示出显着的优势。为了最终使用 DNN，我们在此介绍一种浅层神经网络，它主要使用两个卷积神经网络 (CNN) 层，具有相对较少的参数并能快速从 EEG 中学习频谱时间特征。我们将此模型与其他三种具有不同深度的神经网络模型进行了比较，这些模型应用于适合患有运动障碍和视觉功能下降患者的闭眼状态心算任务。实验结果表明，浅层 CNN 模型优于所有其他模型，并实现了 90.68% 的最高分类准确率。它在处理跨主题分类问题时也更加强大：准确率标准差仅为 3%，而传统方法的准确率标准差为 15.6%。
使用卷积神经网络对 MRI 图像中的脑肿瘤进行分类
摘要：脑肿瘤是一种由细胞不受控制和异常分裂引起的严重癌症疾病。深度学习领域的最新进展帮助医疗行业在医学成像领域对许多疾病进行医学诊断。对于视觉学习和图像识别，任务 CNN 是最普遍和最常用的机器学习算法。同样，在我们的论文中，我们引入了卷积神经网络 (CNN) 方法以及数据增强和图像处理，将脑部 MRI 扫描图像分为癌症和非癌症。使用迁移学习方法，我们将我们的划痕 CNN 模型与预训练的 VGG-16、ResNet-50 和 Inception-v3 模型的性能进行了比较。由于实验是在非常小的数据集上测试的，但实验结果表明，我们的模型准确率结果非常有效，复杂度率非常低，实现了 100% 的准确率，而 VGG-16 实现了 96%，ResNet-50 实现了 89%，Inception-V3 实现了 75% 的准确率。与其他预训练模型相比，我们的模型需要的计算能力非常少，并且准确度结果要好得多。
将合成临床数据迁移到常规临床数据以检测脑部 T1 加权 MRI 中的运动伪影
临床数据仓库 (CDW) 包含数百万患者的医疗数据，为开发计算工具提供了绝佳机会。MRI 对图像采集过程中的患者运动特别敏感，这将导致重建图像中出现伪影（模糊、重影和振铃）。因此，CDW 中的大量 MRI 因被这些伪影破坏而无法使用。由于扫描次数太多，无法手动检测，因此有必要开发一种工具来自动排除带有运动的图像，以充分利用 CDW。在本文中，我们提出了一种 CNN 来自动检测 3D T1 加权脑部 MRI 中的运动。我们的迁移学习方法基于合成运动生成，包括两个步骤：使用合成运动对研究数据进行预训练，然后进行微调步骤，将我们的预训练模型推广到临床数据，依靠 5500 张图像的手动标记。目标是 (1) 能够排除具有严重运动的图像，(2) 检测轻微的运动伪影。我们的方法在第一个目标上实现了出色的准确率，平衡准确率几乎与注释者的准确率相似（平衡准确率 > 80%）。然而，对于第二个目标，其表现较弱，远低于人类评分者。总体而言，我们的框架将有助于在医学成像中利用 CDW，并强调对基于研究数据训练的模型进行临床验证的重要性。
使用合成数据自动检测临床数据仓库中脑 T1 加权磁共振图像中的运动伪影
临床数据仓库 (CDW) 包含数百万患者的医疗数据，为开发计算工具提供了绝佳的机会。磁共振图像 (MRI) 对图像采集过程中的患者运动特别敏感，这将导致重建图像中出现伪影（模糊、重影和振铃）。因此，CDW 中的大量 MRI 被这些伪影破坏，可能无法使用。由于扫描次数太多，无法手动检测它们，因此有必要开发工具来自动排除（或至少识别）带有运动的图像，以充分利用 CDW。在本文中，我们提出了一种从研究到临床数据的新型迁移学习方法，用于自动检测 3D T1 加权脑 MRI 中的运动。该方法包括两个步骤：使用合成运动对研究数据进行预训练，然后进行微调步骤，以将我们的预训练模型推广到临床数据，这依赖于 4045 张图像的标记。目标是 (1) 能够排除具有剧烈运动的图像，(2) 检测轻微的运动伪影。我们的方法在第一个目标上实现了出色的准确率，平衡准确率几乎与注释者的准确率相似（平衡准确率 > 80 %）。然而，对于第二个目标，其表现较弱，远低于人类评分者。总体而言，我们的框架将有助于在医学成像中利用 CDW，并强调对基于研究数据训练的模型进行临床验证的重要性。