XiaoMi-AI文件搜索系统
World File Search System判别
卷积神经网络用于解码脑电图反应并可视化判别特征的逐次变化
背景：深度学习彻底改变了计算机视觉领域，其中卷积神经网络 (CNN) 从大型数据集中提取复杂的信息模式。深度网络在神经科学中的应用主要集中在神经成像或脑机接口 -BCI- 应用。在脑电图 (EEG) 研究中，多变量模式分析 (MVPA) 主要依赖于线性算法，该算法需要同质数据集，并假设判别特征在试验中以一致的延迟和电极出现。然而，神经反应可能会在实验过程中随时间或空间发生变化，导致对判别特征的低估。在这里，我们旨在利用时间和空间解锁的神经活动，使用 CNN 对 EEG 对外部刺激的反应进行分类，并在每次试验的基础上检查判别特征在实验过程中的变化情况。新方法：我们提出了一种新颖的流程，包括数据增强、CNN 训练和特征可视化技术，针对 EEG 数据的 MVPA 进行了微调。结果：我们的流程提供了高分类性能并可推广到新数据集。此外，我们表明，CNN 识别的分类特征在电生理学上是可解释的，并且可以在单次试验水平上重建，以研究类别特定判别活动的逐次试验演变。与现有技术的比较：将开发的流程与常用的 MVPA 算法（如逻辑回归和支持向量机）以及浅层和深层卷积神经网络进行了比较。我们的方法的分类性能明显高于现有的 MVPA 技术（p = 0.006），并且与其他 EEG 数据的 CNN 的结果相当。结论：总之，我们提出了一种用于 EEG 数据 MVPA 的新型深度学习流程，可以以数据驱动的方式提取逐次试验的判别活动。
用于脑电图情绪识别的图形自适应半监督判别子空间学习
由于脑电信号不易伪装且蕴含着丰富的神经生理信息，在客观情绪识别方面表现出显著的优势，基于脑电信号的情绪识别成为脑机接口领域的热门研究领域。然而，脑电信号一般具有非平稳性且信噪比较低，难以分析。受探索判别子空间表示通常有助于捕捉脑电数据语义信息的启发，本文提出了一种图自适应半监督判别子空间学习（GASDSL）模型用于基于脑电信号的情绪识别。GASDSL旨在探索一个判别子空间，其中类内散度减小而类间可分性增加。采用自适应最大熵图构建和半监督子空间情绪状态预测来调解判别子空间学习。对 SEED-IV 和 SEED-V 数据集进行的大量比较研究表明：1）与其他半监督学习模型相比，GASDSL 实现了令人满意的情绪识别准确率；2）随着模型的迭代，学习到的最大熵图和子空间的判别能力都得到了提高；3）根据空间频率模式分析结果，从 Gamma 波段、左/右颞叶、前额叶和（中央）顶叶提取的特征对情绪识别贡献更大。2023 作者。由 Elsevier BV 代表沙特国王大学出版。这是一篇根据 CC BY-NC-ND 许可协议开放获取的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。
具有固定不确定结果率的量子态鉴别中的相互信息和量子不和谐
摘要：我们研究了当 Bob 对两个纯非正交量子态（以任意先验概率生成）实施具有固定不确定结果率 (FRIO) 的判别时，Alice 和 Bob 共享的相互信息和量子不一致。FRIO 判别介于最小误差 (ME) 和明确状态判别 (UD) 之间。ME 和 UD 是众所周知的判别协议，在量子信息论中有多种应用。FRIO 判别提供了一个更通用的框架，可以在其中研究判别过程及其应用。在这种情况下，我们比较了最佳判别概率、相互信息和量子不一致的性能。我们发现，当 Bob 实施 ME 策略时，可以获得可访问的信息。从 Bob 测量后在初始状态中丢失并在最终状态中保留的相关性的角度来看，最（最）有效的判别方案是 ME (UD)。
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。
使用图论和机器学习识别大脑网络的判别特征以预测阿尔茨海默病
阿尔茨海默病 (AD) 是一种具有挑战性的神经退行性疾病，需要早期诊断和干预。这项研究利用机器学习 (ML) 和图论指标，这些指标源自静息态功能磁共振成像 (rs-fMRI) 数据来预测 AD。使用西南大学成人寿命数据集 (SALD，年龄 21-76 岁) 和开放获取系列成像研究 (OASIS，年龄 64-95 岁) 数据集（包含 112 名参与者），开发了各种 ML 模型用于 AD 预测。该研究确定了全面了解 AD 中的大脑网络拓扑和功能连接的关键特征。通过 5 倍交叉验证，所有模型都表现出显著的预测能力（准确率在 82-92% 范围内），其中支持向量机模型脱颖而出，准确率达到 92%，表现最佳。本研究表明，根据最重要的判别特征确定的前 13 个区域已经失去了与丘脑的显着联系。与健康成年人和老年人相比，AD 患者的黑质、网状部、黑质、致密部和伏隔核的功能连接强度持续下降。本研究结果与早期采用各种神经成像技术的研究结果相吻合。这项研究表明，将 ML、图论和 rs-fMRI 分析相结合的综合方法在 AD 预测中具有转化潜力，为更准确的诊断和早期预测 AD 提供了潜在的生物标记。
胸外科医师协会风险评分对接受血运重建的左冠状动脉主干疾病患者的预后表现：
方法和结果：评估了随机 EXCEL 试验中接受 PCI-EES（n=935）和 CABG（n=923）的 LMCAD 患者中 STS 风险模型对围手术期死亡率、中风和肾衰竭的预测性能，包括其判别能力（C 统计量）和校准（Hosmer-Lemeshow 拟合优度检验；χ 2 和 p 值）。CABG 患者的 STS 风险评分对 30 天死亡率表现出良好的判别能力，对中风具有平均判别能力（C 统计量分别为 0.730 和 0.629），校准能力一般。对于 PCI，STS 风险评分对死亡率没有判别能力（C 统计量 0.507），但对中风具有良好的判别能力（C 统计量 0.751）和校准能力。 CABG 对肾衰竭的预测性能良好（C 统计量 0.82），但 PCI 的预测性能较差（C 统计量 0.59）。
原创研究论文基于线性判别分析的深度学习算法用于数字字符手写识别
自主获取输入的层次表示。该研究开发了分类算法，用于识别数字字符（0-9）中的手写数字，分析分类器组合方法并确定其准确性。该研究旨在优化同时处理多个脚本时的识别结果。它提出了一种简单的分析技术、线性判别分析 (LDA) 实现和用于数字字符分类的 NN 结构。然而，测试显示 LDA 分类器的结果不一致。该方法将基于配置文件的特征提取 (FE) 与高级分类算法相结合，可以显著改善 HWR 数字字符领域，这从它产生的不同结果可以看出。该模型在 MNIST 数据集上的表现为 98.98%。在 CPAR 数据库中，我们完成了跨数据集评估，准确率为 98.19%。关键词：手写识别；深度学习；神经网络；特征提取；线性判别分析；准确性
S 3 LRR：联合判别子空间识别和半监督脑电情绪识别的统一模型
摘要：基于脑电数据的情绪识别一直是学术界和工业界的研究热点，为实现和谐的人机交互奠定了坚实的基础。但现有研究大多直接对脑电特征进行分类，或者采用“特征变换+分类”的两阶段范式进行情绪识别。前者通常无法获得理想的效果，而后者则不可避免地打破了特征变换与识别之间的联系。在本文中，我们提出了一个简单而有效的模型——半监督稀疏低秩回归（S3LRR），将判别子空间识别和半监督情绪识别统一在一起。具体而言，S3LRR 通过将最小二乘回归（LSR）中的投影矩阵分解为两个因子矩阵来表示，从而完成判别子空间识别并将子空间脑电数据表征与情绪状态联系起来。在基准SEED_V数据集上的实验研究表明，S3LRR联合学习机制使得情绪识别性能得到较大提升。
Justin D. Weisz、Michael Muller、Jessica He 和 Stephanie Houde。2023 年。面向生成式 AI 的通用设计原则
1 http://chat.openai.com 2 http://copilot.github.com 3 http://adept.ai 4 http://jasper.ai 5 http://midjourney.com 6 我们使用术语“判别性”是为了表明人工智能算法执行的任务是确定数据实例属于哪个类或组；分类和聚类算法是判别性人工智能的例子。虽然我们使用“判别性”一词可能会让人联想到人类歧视（例如通过种族、宗教、性别认同、基因或其他方式），但我们的使用遵循了机器学习社区建立的科学惯例（例如，参见 https://en.wikipedia.org/wiki/Discriminative_model）
通过功能连接推动疲劳识别...
摘要 — 越来越多的证据表明，在汽车驾驶过程中，最佳大脑网络拓扑结构会随着疲劳的进展而改变。然而，功能连接对驾驶疲劳检测的判别能力程度仍不清楚。在本研究中，我们提取了两类特征（网络属性和关键连接）来探索它们在驾驶疲劳检测中的实用性。在模拟驾驶实验中，对 20 名健康受试者两次记录了脑电图数据。使用相位滞后指数建立多频带功能连接矩阵，作为以下图论分析和最警觉状态与疲劳状态之间关键连接的确定的输入。我们发现，在所有频带上，疲劳状态下的大脑网络都向效率较低的架构重组。进一步的询问表明，判别连接主要连接到额叶区域，即大多数增加的连接从额极到顶叶或枕叶区域。此外，我们使用β波段的判别连接特征获得了令人满意的分类准确率（96.76％）。我们的研究表明，图论特性和关键连接对于表现疲劳改变具有判别能力，并且关键连接是驾驶疲劳检测的有效特征。