XiaoMi-AI文件搜索系统
World File Search System分类的
基于视觉平滑过滤器对精神分裂症分类的影响
摘要 - 在事件相关的电位（ERP）信号分类中，在特定时间范围内识别相关的局部峰对于特征提取和随后的分类任务至关重要，尤其是在有关精神分裂症等精神疾病的研究中。但是，精神分裂症研究中的ERP数据通常包含许多对分类过程贡献的小峰。因此，至关重要的是，仅辨别和保留为改进分类结果传达特定特征的显着峰值。最近，基于高档和降尺度表示（UDR）技术的基于视觉的平滑算法已经证明了其在保留突出峰的特征时的有效性，同时从信号波形中滤除了非平衡峰。在UDR的操作下，输入信号在图像域中可视化。输入形状受到稀疏算法的影响，并将所得骨骼投射回信号域。此过程类似于神经科医生对信号的目视检查，在该信号中标记了突出的峰，而无关的峰被忽略了特征提取。这项研究将UDR应用于两个精神分裂症和匹配对照患者中记录的ERP的数据集，以评估其在信号分类中的有效性。此外，当使用较少的ERP通道时，我们分析了UDR对分类准确性的影响。我们使用多个分类器测试了这些效果。索引项 - 与事件相关电位（ERP），精神分裂症，平滑过滤器，信号处理，UDR，高档和下限表示实验结果表明，当在所有通道上应用UDR时，EEGNET表现出最显着的增强，精度增加了2.55％。此外，当信号时期的数量减半时，UDR在7个模型中有4个促进了增强，浅孔convnet的提高最高2.4％。值得注意的是，在仅FZ，CZ和PZ电极位置的信号形成的子数据集中使用UDR时，可以在更多模型上观察到精度增强。这些发现强调了UDR在增强精神分裂症分类准确性方面的有希望的潜力，尤其是应用于关注关键通道的数据集时。
MRI 图像中脑肿瘤分类的综述
摘要：由于脑肿瘤在人们生活中的重要性，使用机器学习技术对其进行分类已成为必不可少的。正确而快速的诊断是降低死亡率的关键，死亡率最近大幅上升。CT扫描和MRI成像等可用技术如今被广泛使用，后者更为常见，因为它可以从不同角度为脑组织提供高分辨率图像。手动确定正确的脑肿瘤类型需要对脑部疾病有深入了解的专家。此外，对于大量图像来说，这既耗时又乏味。此外，人为错误是可能的，因此误检可能导致错误的程序和治疗。因此，科学家和研究人员介绍了不同的方法来自动有效地对肿瘤类型进行分类，而无需人类知识。本文回顾了这些方法，其中包括传统的机器学习算法（ML）。这些算法可以分为两个主要部分，即监督和无监督。使用最多且达到高精度的算法是SVM，KNN和ANN。一方面，如今通过扩大该领域的可用数据并开发新的基于 ANN 的技术（称为深度学习），脑肿瘤分类的性能得到了提升。本文还回顾了可用于特征提取和分类的这类技术。关键词：MRI 图像、分类、机器学习、KNN、SVM。 ___________________________________________________________________________
分类的变分阴影量子学习
量子数据的分类对于量子学习和近期量子技术至关重要。在本文中，我们提出了一个用于监督量子学习的新的混合量子古典框架，我们称之为变分阴影量子学习（VSQL）。我们在特定的方法中利用了量子数据的经典阴影，这些阴影可以根据某些物理可观察到的量子数据的侧面信息来表达量子数据。特别是，我们首先使用各种阴影量子电路以卷积方式提取classial特征，然后利用完全连接的神经网络来完成分类任务。我们表明，这种方法可以大大减少参数的数量，从而更好地促进量子电路训练。同时，由于在这样的阴影电路中使用了较少的量子门，因此噪音将更少。更重要的是，我们证明了贫瘠的高原问题，这是量子机器学习中一个显着的消失问题，可以在VSQL中避免。最后，我们通过数值实验对量子态的分类和识别多标记的手写数字的识别来证明VSQL在量子分类中的效率。尤其是，在手写数字识别的二进制案例中，我们的VSQL AP-在测试准确性中优于现有的变异量子分类器，并且值得注意的是，较少的参数所需的参数。
基于脑电图的运动想象分类的深度学习
由于记录过程繁琐，脑电图 (EEG) 数据集通常较小且维数较高。在这种情况下，强大的机器学习技术对于处理大量信息和克服维数灾难至关重要。人工神经网络 (ANN) 在基于 EEG 的脑机接口 (BCI) 应用中取得了良好的效果，但它们涉及计算密集型的训练算法和超参数优化方法。因此，虽然质量与成本之间的权衡通常被忽视，但意识到这一点却大有裨益。在本文中，我们将基于遗传算法的超参数优化程序应用于卷积神经网络 (CNN)、前馈神经网络 (FFNN) 和循环神经网络 (RNN)，所有这些网络都是故意浅显的。我们比较了它们的相对质量和能量时间成本，但我们也分析了具有相似精度的同类型网络的结构复杂性的变化。实验结果表明，优化过程提高了所有模型的准确率，并且只有一个隐藏卷积层的 CNN 模型可以与 6 层深度信念网络相等或略胜一筹。FFNN 和 RNN 无法达到相同的质量，尽管成本明显较低。结果还强调了这样一个事实，即同一类型网络的大小不一定与准确率相关，因为较小的模型在性能上可以匹敌甚至超越较大的模型。在这方面，过度拟合可能是一个促成因素，因为深度学习方法在有限的训练示例下会遇到困难。
用于引导多注意分类的循环网络
近年来，基于注意机制的图像分类越来越受欢迎。最先进的基于注意机制的分类方法通常需要大量的训练集，并且假设图像的标签仅取决于图像中的单个对象（即感兴趣区域）。然而，在许多实际应用中（例如医学成像），收集大型训练集的成本非常高。此外，每张图像的标签通常由多个感兴趣区域（ROI）共同确定。幸运的是，对于这类应用，通常可以收集每张训练图像中 ROI 的位置。在本文中，我们研究了引导式多注意分类问题，其目标是在（1）样本量小和（2）每张图像有多个 ROI 的双重约束下实现高精度。我们提出了一个用于多注意分类的模型，称为引导式注意循环网络（GARN）。与现有的基于注意力机制的方法不同，GARN 利用了多个 ROI 的引导信息，因此即使样本量较小，也能很好地发挥作用。对三种不同视觉任务的实证研究表明，我们的引导注意力方法可以有效提升多注意力图像分类的模型性能。
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。
发行报告分类的大型语言模型
抽象有效的问题分类对于有效的软件项目管理至关重要。但是，分配给问题的标签通常不一致，这可能会对监督分类模型的性能产生负面影响。在这项工作中，我们研究了标签一致性和培训数据大小如何影响自动问题分类。我们首先在手动验证的数据集上评估了几种弹奏学习方法，并将其与更大的人群中的微调进行比较。结果表明，在经过一致的标签上训练和测试时，我们的方法可以达到更高的准确性。然后，我们使用GPT-3.5检查零射击分类，发现尽管没有微调，但其性能与监督模型相当。这表明生成模型可以在注释数据受到限制时帮助对问题进行分类。总的来说，我们的发现提供了有关平衡数据数量和质量的见解。
一种新型运动图像分类的模型
摘要：运动图像分类对具有移动性障碍的人具有很大的意义，以及如何提取和利用运动图像脑图像（EEG）渠道的有效特征一直是注意力的焦点。有许多不同的方法用于运动临时分类，但是对人脑的有限理解需要更多有效的方法来提取脑电图数据的特征。图形神经网络（GNN）已证明其在分类图结构中的效果。 GNN的使用为大脑结构连接特征提取提供了新的可能性。在本文中，我们提出了一个新的图形神经网络，基于称为MutualGraphnet的原始EEG通道的相互信息。我们使用相互信息作为与空间时间图卷积网络（ST-GCN）相结合的ADJACENCY矩阵可以提取运动成像电脑图（EEG）的过渡规则，更有效地通道数据。实验是在运动图像脑电图数据集上进行的，我们将模型与当前的最新方法进行了比较，结果表明，互助网络足够强大，足以学习可解释的特征并优于当前最新方法。关键字：图形卷积，深度学习，脑电图（EEG），脑部计算机间（BCI）
基于脑电图的运动想象分类的深度学习
摘要 本研究使用先进的深度学习架构全面探索了基于脑电图的运动想象分类。我们重点关注六种不同的运动想象类别，研究了卷积神经网络 (CNN)、具有长短期记忆的 CNN (CNN-LSTM) 和具有双向 LSTM 的 CNN (CNN-BILSTM) 模型的性能。CNN 架构表现出色，准确率高达 99.86%，而 CNN-LSTM 和 CNN-BILSTM 模型分别达到 98.39% 和 99.27%，展示了它们在解码与想象运动相关的脑电图信号方面的有效性。结果强调了这项研究在辅助机器人和自动化等领域的潜在应用，展示了将认知意图转化为机器人动作的能力。这项研究为脑电图分析的深度学习领域提供了宝贵的见解，为脑机接口和人机交互的进步奠定了基础。
嵌入式系统上心脏病机器学习分类的分析
摘要 — 心脏病已成为全球主要的健康问题，影响着全球数百万人。这种情况在医疗设施有限的发展中国家尤为严重。这种医疗保健障碍导致心脏病死亡率增加。早期诊断心血管疾病可以挽救生命。然而，个人医疗级设备价格昂贵，对于生活在这些地区的人们来说并不容易获得。以可承受的价格向这些社区提供同等水平的医疗服务非常重要。我们的研究旨在调查机器学习模型在低成本嵌入式系统上的性能。本研究将评估该模型在诊断心血管疾病方面的准确性、运行时间和整体性能。结果将帮助我们确定在低成本嵌入式系统中使用机器学习模型对心血管疾病进行分类的可行性。选定的机器学习模型已经过训练、修改并编译到嵌入式系统中。该模型根据预处理的输入数据返回分类结果。收集了多个指标来衡量模型和嵌入式系统的性能。初步结果很有希望，准确度与原始模型相似。如果这些结果在多次试验中得到证实，那么预计嵌入式系统上用于分类心血管疾病的机器学习模型将具有实用性，有助于向发展中国家提供负担得起的医疗服务。索引词——神经网络、机器学习、诊断、心电图