XiaoMi-AI文件搜索系统
World File Search System分类器
量子机器学习分类器的性能分析
近年来，研究人员开始研究量子计算中的数据转换。他们想看看量子计算如何影响机器学习方法的稳健性和性能。量子力学成功地解释了一些过去经典公式无法解释的现象。因此，多年来，它在量子机器学习 (QML) 等分析研究领域得到了扩展。不断发展的 QML 学科已经证明了与传统机器学习解决的问题相同（或相当）的解决方案，包括使用量子分类器的分类和预测问题。由于这些因素，量子分类器分析已成为 QML 中最重要的主题之一。本文研究了四种量子分类器：带量子核的支持向量分类 (SVCQK)、量子支持向量分类器 (QSVC)、变分量子分类器 (VQC) 和电路量子神经网络分类器 (CQNNC)。我们还报告了案例研究成果和利用生成的线性和非线性可分离数据集的结果分析。我们的研究旨在探索量子信息是否有助于学习或融合。
使用朴素贝叶斯分类器对 FASD 儿童脑电信号进行分析的初步研究
1 圣路易斯儿童医院，31-503 克拉科夫，波兰；katarzyna.dylag@dzieciecyszpital.pl (KAD)；krasnoludki11a@poczta.onet.pl (BB) 2 克拉科夫雅盖隆大学医学院病理生理学系，31-121 克拉科夫，波兰 3 克拉科夫雅盖隆大学医学院生物信息学和远程医疗系，30-688 克拉科夫，波兰；wiktoria.wieczorek@student.uj.edu.pl (WW)； piotr.walecki@uj.edu.pl（PW）4 AGH 科技大学自动控制与机器人系，30-059 克拉科夫，波兰 5 VSB 俄斯特拉发技术大学控制论与生物医学工程系，708 00 俄斯特拉发-波鲁巴，捷克共和国；radek.martinek@vsb.cz 6 奥波莱理工大学电气工程学院，45-758 奥波莱，波兰* 通信地址：bauer@agh.edu.pl（WB）；kawala84@gmail.com（AK-S.）† 这些作者对本文的贡献相同。
裂缝实验中用于表面裂纹检测的机器学习分类器
在进行机械实验时，正确确定断裂的发作至关重要。通常是通过视觉检查进行的，这里提出了一种基于图像的机器学习方法来对破裂和未裂缝的标本进行分类。它产生了客观化和自动化裂纹检测的潜力，从而消除了实验后处理中的不确定性和错误来源。评估了从77个实验获得的三个试样几何形状的30'000以上斑点图案。它们包括单轴张力，缺口张力以及轴对称V弯曲实验。统计纹理特征是从所有图像中提取的。它们包括第一阶（方差，偏度，峰度）和高阶统计纹理特征，即Haralick功能。根据Fisher的判别比率评估纹理信息的歧视能力，并确定并量化特征相关性。高歧视能力的图像纹理特征子集用于解析从简单的ceptron到feed-fordward和cascade神经网络的不同复杂性的神经网络体系结构。发现，对于所有实验，研究的纹理特征的一小部分是高度重要的。获得了多层，非线性和低复杂性馈送网络体系结构的分类精度，以99％的顺序使用。同时，即使使用了高歧视性功能特征，也表明线性分类器不足以鲁棒区分样品的状态。图形摘要：
基于快速 Walsh Hadamard 变换和投票分类器的 EEG 信号压力检测
摘要 精神压力目前是一个重大问题，尤其是在年轻人中。压力会对人们的整体工作表现产生不利影响，在某些情况下甚至会导致严重的健康问题。每个人在生活中都会经历压力。本文提出了一种基于脑电图 (EEG) 识别和分类压力水平的独特方法。在这项工作中，快速 Walsh Hadamard 变换用于生成 EEG 信号中存在的所有频率。在后续阶段计算索引值的 alpha、beta、gamma 和 delta 范围。主成分分析 (PCA) 用于特征降维，然后是标准缩放器。使用 Welch 方法计算了健康和不健康 EEG 信号组的 PSD 向量。PSD 向量用作投票分类器的输入，该分类器是 k-NN 和逻辑回归分类器的组合。实验结果发现，与现有方法相比，所提出的方法在准确度 (Acc) 和均方误差 (MSE) 方面提供了更好的结果。所提出的方法最高分类准确率达到 94.22%
使用随机森林分类器对癫痫发作类型进行分类
癫痫是一种因脑部异常电活动而出现的病理状况 [1]。它是影响全球约 6500 万人（占世界人口的 1%）的重要问题之一 [2]。在阿拉伯国家，癫痫的发病率估计为每 100,000 人中有 174 人。在沙特阿拉伯王国，癫痫的患病率为每 1,000 人中有 6.54 人 [3]。然而，三分之一的癫痫患者无法获得医疗服务。他们必须找到生活和管理日常生活的方法。即使癫痫患者可以获得医疗服务，医疗质量也达不到标准 [4]。癫痫患者的诊断和治疗取决于癫痫发作的类型 [4]。脑电图 (EEG) 记录是神经科医生用来分析脑电波功能异常的技术之一。多年来，它被广泛用于诊断脑部疾病，例如
一种用于跨领域脑电情绪分类的领域自适应稀疏表示分类器
脑机接口（BCI）解读人脑在意识活动过程中的生理信息，建立大脑与外界之间的直接信息传输通道。脑电图（EEG）作为最常见的非侵入式BCI模式，在BCI的情绪识别中起着重要作用；然而，由于EEG信号的个体差异性和非平稳性，针对不同受试者、不同会话和不同设备构建基于EEG的情绪分类器是一个重要的研究方向。领域自适应利用来自多个领域的数据或知识，专注于将知识从源域（SD）转移到目标域（TD），其中EEG数据可能来自不同的受试者、会话或设备。在本研究中，提出了一种新的领域自适应稀疏表示分类器（DASRC）来解决基于EEG的跨域情绪分类问题。为了减少域分布的差异，利用局部信息保留标准将来自SD和TD的样本投影到共享子空间中。在投影子空间中学习一个通用的领域不变字典，从而在 SD 和 TD 之间建立内在联系。此外，还利用主成分分析 (PCA) 和 Fisher 标准来提升学习字典的识别能力。此外，还提出了一种优化方法来交替更新子空间和字典学习。CSFDDL 的比较表明，该方法对于跨受试者和跨数据集的基于 EEG 的情绪分类问题具有可行性和竞争性性能。
分类器的地图集 - 用于大脑MRI分割的机器学习范式
摘要我们介绍了分类器（AOC）的地图集，这是一个概念上新颖的脑MRI分割框架。AOC是从标记的数据中学到的素数逻辑回归（LR）函数的体素逻辑回归（LR）函数的空间图。收敛后，所得的固定LR权重，每个体素的几个代表训练数据集。因此，它可以被视为一种轻量级学习机器，尽管其容量较低并不削弱问题。AOC结构独立于测试图像的实际强度，提供了在可用标记的数据上训练它的灵活性，并将其用于分割来自不同数据集和模式的图像。从这个意义上讲，它也不会过分贴上培训数据。该提出的方法已应用于众多可公开可用的数据集，用于分割脑MRI组织，并被证明对噪声和外展具有鲁棒性。也获得了多模式的跨模式MRI分割的有希望的结果。最后，我们展示了如何利用对健康受试者的大脑MRI训练的AOC来用于对多发性硬化症患者的病变分割。
EEG 中 CNN 分类器的通用对抗扰动......
摘要 目的。已提出了用于基于脑电图 (EEG) 的脑机接口 (BCI) 的多个卷积神经网络 (CNN) 分类器。然而，研究发现，CNN 模型容易受到通用对抗性扰动 (UAP) 的攻击，这些扰动很小且与示例无关，但当添加到良性示例中时，其威力足以降低 CNN 模型的性能。方法。本文提出了一种新颖的总损失最小化 (TLM) 方法来生成基于 EEG 的 BCI 的 UAP。主要结果。实验结果证明了 TLM 对三种流行的 CNN 分类器针对目标攻击和非目标攻击的有效性。我们还验证了 UAP 在基于 EEG 的 BCI 系统中的可迁移性。意义。据我们所知，这是首次对基于 EEG 的 BCI 中 CNN 分类器的 UAP 进行研究。UAP 易于构建，并且可以实时攻击 BCI，从而暴露出 BCI 的一个潜在的关键安全问题。
使用可调 Q 小波变换和旋转森林集成分类器的基于脑电图的情绪识别
人工智能 (AI) 的情绪识别是一项具有挑战性的任务。已经进行了各种各样的研究，证明了音频、图像和脑电图 (EEG) 数据在自动情绪识别中的实用性。本文提出了一种新的自动情绪识别框架，该框架利用脑电图 (EEG) 信号。所提出的方法是轻量级的，它由四个主要阶段组成，包括：再处理阶段、特征提取阶段、特征降维阶段和分类阶段。在预处理阶段使用基于离散小波变换 (DWT) 的降噪方法，在此称为多尺度主成分分析 (MSPCA)，其中使用 Symlets-4 滤波器进行降噪。可调 Q 小波变换 (TQWT) 用作特征提取器。使用六种不同的统计方法进行降维。在分类步骤中，旋转森林集成 (RFE) 分类器与不同的分类算法一起使用，例如 k-最近邻 (k-NN)、支持向量机 (SVM)、人工神经网络 (ANN)、随机森林 (RF) 和四种不同类型的决策树 (DT) 算法。所提出的框架使用 RFE + SVM 实现了超过 93% 的分类准确率。结果清楚地表明，所提出的基于 TQWT 和 RFE 的情感识别框架是使用 EEG 信号进行情感识别的有效方法。