XiaoMi-AI文件搜索系统
World File Search System分类的
自动疾病阶段阶段分类的glioblastoma- ...
摘要在计算组织病理学领域，计算机辅助诊断系统对于获得各种疾病的患者诊断和有助于精确医学很重要。因此，已经报道了许多关于数字病理图像的自动分析方法的研究。在这项工作中，我们讨论了一种自动提取和疾病阶段分类方法多形胶质母细胞瘤（GBM）组织病理学图像。在本文中，我们使用深层卷发神经网络（深CNN）同时获取功能描述符和分类方案。此外，在这个充满挑战的分类问题中，与其他流行的CNN进行了客观和定量的比较。使用癌症基因组图像的胶质瘤图像的实验表明，我们的网络平均分类准确性为96：5％，而对于更高的交叉验证，其他网络的性能相似，较高的精度为98：0％。深CNN可以以高精度从GBM组织病理学图像中提取显着特征。总的来说，具有深CNN的组织病理学图像的GBM疾病阶段分类非常有前途，并且在大规模组织病理学图像数据的可用性中，深CNN非常适合解决这个挑战性问题。
通过量子假设测试的量子分类的最佳可证明的鲁棒性
量子机学习模型与其经典同行相比，有可能提供加速和更好的预测精度。然而，这些量子算法与它们的经典算法一样，也已被证明也很容易受到输入扰动的影响，尤其是对于分类问题。这些可能是由于嘈杂的实现而引起的，也可以作为最坏的噪声类型的对抗性攻击。为了开发防御机制并更好地理解这些算法的可靠性，在存在自然噪声源或对抗性操纵的情况下了解其稳健性至关重要。从量子分类算法涉及的测量值是自然概率的，我们发现并形式化了二进制量子假设测试与可证明可证明可靠的量子分类之间的基本联系。此链接导致紧密的鲁棒性条件，该条件对分类器可以忍受的噪声量构成约束，而与噪声源是自然的还是对抗性的。基于此结果，我们开发了实用协议以最佳证明鲁棒性。最后，由于这是针对最坏情况类型的噪声类型的鲁棒条件，因此我们的结果自然扩展到已知噪声源的场景。因此，我们还提供了一个框架来研究量子分类方案的可靠性，超出了对抗性，最坏情况的噪声场景。
与EEG和眼睛跟踪数据的跨主题阅读任务分类的Zuco基准
我们提出了一个新的机器学习基准，用于阅读任务分类，目的是在计算语言处理与认知神经科学之间的相交中推进脑电图和眼睛追踪研究。基准任务由一个跨主体分类组成，以区分两个阅读范式：正常阅读和特定于任务的读数。基准的数据基于苏黎世的认知语言处理语料库（ZUCO 2.0），该语料库提供了同时引人注目的视线和来自英语句子的自然阅读的EEG信号。培训数据集已公开可用，我们提出了新记录的隐藏测试集。我们为此任务提供多种可靠的基线方法，并讨论未来的改进。我们发布代码，并提供易于使用的界面，以使用随附的公共排行榜：www.zuco-benchmark.com评估新方法。
Longformer：利用结构 MRI 对阿尔茨海默病进行分类的纵向转换器
结构磁共振成像 (sMRI)，尤其是纵向 sMRI，通常用于在阿尔茨海默病 (AD) 临床诊断期间监测和捕捉病情进展。然而，目前的方法忽视了 AD 的渐进性，大多依赖单一图像来识别 AD。在本文中，我们考虑利用受试者的纵向 MRI 进行 AD 分类的问题。为了解决学习纵向 3D MRI 时缺失数据、数据需求和随时间发生的细微变化等挑战，我们提出了一个新模型 LongFormer，它是一种混合 3D CNN 和变压器设计，可从图像和纵向流对中学习。我们的模型可以充分利用数据集中的所有图像，并有效地融合时空特征进行分类。我们在三个数据集（即 ADNI、OASIS 和 AIBL）上评估我们的模型，并将其与八种基线算法进行比较。我们提出的 LongFormer 在对来自所有三个公共数据集的 AD 和 NC 对象进行分类方面取得了最先进的性能。我们的源代码可从 https://github.com/Qybc/LongFormer 在线获取。
将物理世界和虚拟世界结合起来进行运动认知训练干预：关于运动技术分类的指导意见书
有效的运动需要完整的运动和认知功能。越来越多的文献研究了运动认知干预措施，以提高健康或患病老年人的整体生活质量。对于此类干预，新的技术进步不仅在动机方面至关重要，而且对于改善多刺激世界中的用户体验也至关重要，这些世界通常以真实和虚拟环境的混合形式提供。本文为与运动相关的研究提供了一个分类系统，涉及在不同程度的虚拟环境中执行的运动认知干预。分类分为三类：（a）数字设备的类型及其提供的沉浸度；（b）人机交互的存在与否；（c）训练期间的活动参与，定义为活动>任务的1.5代谢当量。由于虚拟现实（VR）通常将不同的技术归类在同一术语下，我们提出了从计算机显示器和投影仪到头戴式VR技术的数字设备分类法。近年来发展迅速的所有沉浸式技术都归类在扩展现实（XR）这一总称下。这些包括增强现实 (AR)、混合现实 (MR) 和虚拟现实，以及所有尚未开发的技术。这项技术不仅在游戏和娱乐方面具有潜力，而且在研究、运动认知训练计划、康复、远程医疗等方面也具有潜力。本立场文件为基于数字设备、人机交互和身体参与的未来运动相关干预措施提供了定义、建议和指南，以便更一致地使用术语并有助于更清楚地理解其含义。
MP-SeizNet：一种使用 EEG 进行癫痫类型分类的多路径 CNN Bi-LSTM 网络。
癫痫发作类型识别对于癫痫患者的治疗和管理至关重要。然而，这是一个耗时耗力的困难过程。随着机器学习算法的进步，自动诊断系统有可能加速分类过程、提醒患者并支持医生做出快速准确的决策。在本文中，我们提出了一种新型多路径癫痫发作类型分类深度学习网络 (MP-SeizNet)，它由卷积神经网络 (CNN) 和具有注意机制的双向长短期记忆神经网络 (Bi-LSTM) 组成。本研究的目的是仅使用脑电图 (EEG) 数据对特定类型的癫痫发作进行分类，包括复杂部分性、简单部分性、失神性、强直性和强直阵挛性癫痫发作。EEG 数据以两种不同的表示形式输入到我们提出的模型中。 CNN 接收从 EEG 信号中提取的小波特征，而 Bi-LSTM 接收原始 EEG 信号，以便我们的 MP-SeizNet 能够从癫痫发作数据的不同表示中进行联合学习，从而获得更准确的信息学习。我们利用最大的 EEG 癫痫数据库——天普大学医院 EEG 癫痫发作语料库 TUSZ v1.5.2 评估了所提出的 MP-SeizNet。我们使用三重交叉验证对不同患者数据评估了我们提出的模型，并使用五重交叉验证对癫痫发作数据评估了模型，结果分别获得了 87.6% 和 98.1% 的 F1 分数。
用于高光谱图像分类的量子启发光谱空间金字塔网络
高光谱图像 (HSI) 分类旨在为每个像素分配一个唯一标签，以识别不同土地覆盖的类别。现有的 HSI 深度学习模型通常采用传统学习范式。作为新兴机器，量子计算机在嘈杂的中尺度量子 (NISQ) 时代受到限制。量子理论为设计深度学习模型提供了一种新的范式。受量子电路 (QC) 模型的启发，我们提出了一种受量子启发的光谱空间网络 (QSSN) 用于 HSI 特征提取。所提出的 QSSN 由相位预测模块 (PPM) 和受量子理论启发的类测量融合模块 (MFM) 组成，以动态融合光谱和空间信息。具体而言，QSSN 使用量子表示来表示 HSI 长方体，并使用 MFM 提取联合光谱空间特征。量子表示中使用了 HSI 长方体及其由 PPM 预测的相位。使用 QSSN 作为构建块，我们进一步提出了一种端到端的量子启发式光谱空间金字塔网络 (QSSPN)，用于 HSI 特征提取和分类。在这个金字塔框架中，QSSPN 通过级联 QSSN 块逐步学习特征表示，并使用 softmax 分类器进行分类。这是首次尝试将量子理论引入 HSI 处理模型设计。在三个 HSI 数据集上进行了大量实验，以验证所提出的 QSSPN 框架相对于最新方法的优越性。
机翼干预模式（WIPS）和机器学习，用于分类的某些医学兴趣
属于伊蚊属的毒性昆虫是病毒和丝状病原体的载体。Ades bopotus是一个越来越重要的向量，因为它在全球范围内的迅速扩展。在全球气候变化和人畜共患疾病的出现的背景下，需要使用现场应用的识别工具来加强对具有医疗兴趣的节肢动物的昆虫学调查的努力。大规模的蚊子对蚊子的主动调查需要熟练的技术人员和/或昂贵的技术设备，这使大量命名物种更加困惑。在这项研究中，我们通过利用机翼干涉模式显示的特定物种标记来开发出一种伊蚊物种的自动分类系统。保留494个24 Aedes spp的显微照片的数据库。记录了十多张图片的人经历了一种深入的学习方法，以训练卷积神经网络并测试其在属，亚属和物种分类学水平上对样本进行分类的准确性。我们在属水平上记录了95％的准确性，在三个测试的亚属中，两种（ochlerotatus and stegomyia）的准确性> 85％。最后，将8个精确地分类为10个Aedes sp。经历了总体准确性> 70％的培训过程。总的来说，这些结果证明了这种方法对艾德斯物种识别的潜力，并将代表未来实施大规模昆虫学调查的工具。
在LIBS光谱框架中进行定量分析和分类的预测模型的统计比较：教程
Ludovic Duponchel，CécileFabre，Bruno Bousquet，Vincent Motto-Ros。在Libs Specy-troscopy框架中进行定量分析和分类的预测模型的统计比较：教程。SpectroChimica Acta B部分：原子光谱学，2023，208，pp.106776。10.1016/j.sab.2023.106776。hal-04191568
应用于EEG分类的新型判别分析
摘要 - 本文提供了一种开发t -wishart分布的协方差矩阵的分类方法，该方法概括了WishArt分布。与WishArt分布相比，它对于异常协方差矩阵更为强大，并且更灵活地对分布不匹配。在此矩阵变化分布的最新发展之后，提出的分类器是通过利用判别分析框架并提供原始决策规则来获得的。通过对实际数据的数值实验，我们的方法的实际兴趣得到了表明。更确切地说，所提出的分类器在两个标准的脑电图数据集上获得了最佳结果，而最佳最低距离（MDM）分类器相比。索引项 - EEG，协方差矩阵，t -wishart，Bayseian分类，判别分析，BCI。