XiaoMi-AI文件搜索系统
World File Search System判别
使用机器学习优化糖尿病分类...
方差和 Fisher 判别比。研究人员随后结合了十种不同的分类器，包括线性判别分析、二次判别分析、普通贝叶斯、高斯过程分类、支持向量机、人工神经网络、AdaBoost、逻辑回归、决策树、
原创研究心力衰竭患者死亡率和再入院率的综合结果：行政管理回顾性审查
背景：通过心力衰竭 (HF) 患者的再入院率和死亡率来控制护理质量是发达国家医疗监管机构的一项国家优先事项。在这项纵向队列研究中，我们使用出院表 (HDF)、急诊科 (ED) 访问情况和生命统计数据等管理数据，测试了预测 HF 住院患者死亡率和再入院率的新协变量，并讨论了使用综合结果作为替代方案。方法：采用逐步选择法，对 70% 的样本估计逻辑模型，并对剩余的 30% 进行验证，以评估 30 天死亡率、30 天再入院率和综合结果。我们遵循了一种提取方法，用于提取 HF 住院后 30 天内的任何原因死亡率和计划外再入院率。通过 HDF 和 ED 数据集提取患者入院和既往病史的数据。结果：我们的主要发现表明，该模型的判别能力与文献一致，无论是死亡率（AUC=0.738，CI（0.729 – 0.748））还是再入院率（AUC=0.578，CI（0.562 – 0.594））。此外，综合结果模型的判别能力令人满意（AUC=0.675，CI（0.666 – 0.684））。结论：在逻辑模型中引入住院特征和患者病史并不能提高其判别能力。综合结果预测更多地由死亡率而不是再入院率决定，对再入院现象的理解没有改善。关键词：行政健康数据、心力衰竭、死亡率、患者再入院
通过基于图的空间进行脑电图情绪识别......
摘要 — 基于脑电图 (EEG) 信号的情绪识别在情感计算和脑机接口 (BCI) 领域引起了广泛关注。尽管已经提出了几种深度学习方法来处理情绪识别任务，但开发有效提取和使用判别特征的方法仍然是一个挑战。在这项工作中，我们提出了一种新颖的时空注意神经网络 (STANN)，通过多列卷积神经网络和基于注意的双向长短期记忆的并行结构来提取 EEG 信号的判别空间和时间特征。此外，我们通过图信号处理 (GSP) 工具探索 EEG 信号的通道间关系。我们的实验分析表明，当原始 EEG 信号或其图形表示（在称为 GFT-STANN 的架构中）用作模型输入时，所提出的网络改进了价和唤醒水平的逐主题二元分类以及价-唤醒情绪空间中的四类分类的最新结果。
通过通道注意力和自我注意力实现基于脑电图的情绪识别
摘要 —基于脑电图 (EEG) 的情绪识别是脑机接口领域的重要任务。最近，许多基于深度学习的情绪识别方法被证明优于传统方法。然而，提取用于脑电图情绪识别的判别性特征仍然具有挑战性，大多数方法忽略了通道和时间上的有用信息。本文提出了一种基于注意机制的卷积循环神经网络 (ACRNN)，以从脑电信号中提取更多判别性特征并提高情绪识别的准确性。首先，所提出的 ACRNN 采用通道注意机制来自适应地分配不同通道的权重，并使用 CNN 提取编码脑电信号的空间信息。然后，为了探索脑电信号的时间信息，将扩展的自注意力集成到 RNN 中，以根据脑电信号的内在相似性重新编码重要性。我们在 DEAP 和 DREAMER 数据库上进行了广泛的实验。实验结果表明，所提出的 ACRNN 优于最先进的方法。
用于生理生物信号的解缠对抗性迁移学习 /作者=Han, Mo；Ozdenizci, Ozan；Wang, Ye；Koike-Akino, Toshiaki；Erdogmus, Deniz /创建日期=2020 年 7 月 21 日 /主题=人工智能、人机交互、机器学习、信号处理
摘要 可穿戴传感器的最新发展为以有效和舒适的方式监测生理状态带来了希望。生理状态评估的一个主要挑战是迁移学习的问题，该问题是由不同用户或同一用户的不同记录会话中的生物信号域不一致引起的。我们提出了一种对抗性推理方法进行迁移学习，以从生理生物信号数据中提取解开的干扰鲁棒表示，以进行压力状态水平评估。我们利用任务相关特征和人员判别信息之间的权衡，通过使用对抗网络和干扰网络来联合操纵和解开编码器学习到的潜在表示，然后将其输入到判别分类器。跨受试者转移评估的结果证明了所提出的对抗框架的优势，从而展示了其适应更广泛受试者的能力。最后，我们强调我们提出的对抗性迁移学习方法也适用于其他深度特征学习框架。
通过反事实增强和形态约束的 3D 深度生成模型对脑成像进行公平建模
我们描述了 CounterSynth，这是一种微分同胚变形的条件生成模型，可在体积脑图像中诱导标签驱动的、生物学上合理的变化。该模型旨在为下游判别建模任务合成反事实训练数据增强，其中保真度受到数据不平衡、分布不稳定、混杂或规格不足的限制，并且在不同亚群中表现出不公平的表现。我们专注于人口统计属性，使用基于体素的形态测量、条件属性的分类和回归以及 Fréchet 初始距离来评估合成反事实的质量。在人为的人口不平衡和混杂的背景下检查下游判别性能，我们使用英国生物库和 OASIS 磁共振成像数据对 CounterSynth 增强与这些问题的当前解决方案进行基准测试。我们在整体保真度和公平性方面都实现了最先进的改进。 CounterSynth 的源代码可在 https://github.com/guilherme-pombo/CounterSynth 上找到。
人工智能 (AI) 在行动：对人工智能用于民主支持的初步审查
为了配合其在 AI 应用方面的更广泛努力，WFD 应使用 OECD 对人工智能的定义，特别强调生成性和判别性前沿模型的新用途。为清楚起见，前沿模型可归类为“功能强大的通用 AI。..[能够] 执行各种各样的任务 - 以及可能表现出造成伤害能力的相关特定狭义 AI - 达到或超过当今最先进模型的能力。” 11 此外，生成性 AI 具体指能够识别数据中的模式，然后生成理论上可以适合数据的输出的系统。相比之下，判别性 AI 主要分析给定的数据以得出预测或决策。12 值得注意的是，该定义大量借鉴了多维分类工作，这些工作在分析人工智能系统时考虑了技术、社会和道德因素。有关多模态、基于矩阵的框架的更多信息，请参阅附件 A，该附件提供了对这些方法及其对上述定义的贡献的重要见解。建议完整阅读本简介和附件 A。
一种用于特征提取的优化 SWCSP 技术...
摘要——多通道脑电图 (EEG) 是一种常用的非侵入性方法，用于向基于运动想象 (MI) 的脑机接口 (BCI) 系统提供输入信号。目前，由于缺乏所需的分类准确度，其使用受到严重限制。机器学习用于 BCI 中以识别 EEG 数据中的隐藏模式，然后将其分类到适当的 MI 任务中。在本研究中，提出了一种称为优化频谱加权公共空间模式的方法来改进基于 EEG 的 BCI 系统中的特征提取。它通过优化频谱和空间系数的权重来增强信息增益，以从事件相关去同步 (ERD) 大脑活动中提取判别特征。通过在 BCI 竞赛 IV 的基准数据集 2a 上执行该方法来评估所提出的方法。独立成分分析法用于去除噪声，而线性判别分析法用于分类。与文献中报道的其他方法相比，使用所提出方法的实验结果产生了更高的分类准确度。
风湿病学研究中的人工智能
摘要 人工智能 (AI) 正在改变风湿病学研究，大量研究旨在改善诊断、预后和治疗预测，同时也显示出优化研究工作流程、改善药物发现和临床试验的潜在能力。机器学习是判别性 AI 的一个关键要素，它已经证明了能够通过使用多种数据类型（包括结构化数据库、图像和文本）准确分类风湿病并预测治疗结果的能力。与此同时，由大型语言模型驱动的生成性 AI 正在成为优化研究工作流程的有力工具，通过支持内容生成、文献综述自动化和临床决策支持。本综述探讨了判别性和生成性 AI 在风湿病学中的当前应用和未来潜力。它还强调了这些技术带来的挑战，例如道德问题以及严格验证和监管监督的需要。AI 在风湿病学中的整合有望带来实质性的进步，但需要采取平衡的方法来优化效益并尽量减少潜在的负面影响。
Al TVal Sandres One - 一个Ordgvide？
tl; dr：为数据中每种类型的判别模式设计量身定制的学习策略（例如，，视觉中的低/高频模式和局部/全球模式），将它们组织成模仿人类学习的统一培训程序（例如，通过课程学习或神经科学启发的机制），因此更有效，稳定和有效地训练大型基础模型。