XiaoMi-AI文件搜索系统
World File Search System判别分析
机器学习（4个学分）
机器学习介绍，监督学习 - 线性回归，逻辑回归，感知。指数族，广义线性模型。（8）生成学习算法。高斯判别分析。幼稚的贝叶斯。支持向量机。偏见/方差权衡模型选择和特征选择。评估和调试学习算法，决策树，随机森林。（10）深度学习简介 - 卷积神经网络。（4）无监督的学习聚类 - k-均值，em，高斯的混合物，因子分析。降低降低 - ICA。（8）增强学习-MDP，Bellman方程，价值迭代和政策迭代，线性二次调节（LQR），Q学习。值函数近似。（12）
近红外光谱性能改进-...
许多机器学习研究已证明，集成分类器的分类准确率高于单个强学习器。尽管许多脑电图-脑机接口 (BCI) 研究使用集成分类器来增强 BCI 性能，但集成分类器很少用于近红外光谱 (NIRS)-BCI。此外，由于尚无系统的比较研究，集成分类器对 NIRS-BCI 的功效仍然未知。本研究采用四个 NIRS-BCI 数据集来评估基于自举聚合的线性判别分析集成分类器的功效。从分析结果来看，本研究采用的所有四个 NIRS-BCI 数据集的比特率和分类准确率均显著（或略微显著）提高。此外，在四个数据集中的两个数据集中发现显著的比特率改善。
基于集中式多人数据融合CNN
大脑计算机界面是人类计算机交互的一种新方法，它提供了大脑与计算机或其他外部设备之间的直接通信联系（McFarland和Wolpaw，2011年）。事件相关电位（ERP）是代表皮质加工的独特相位的大脑表面的电活动的时间固定量度（Patel和Azzam，2005），它是与某人对某些刺激或特定事件的反应有关的内源性电位。ERP的典型示例是N200和P300。P300（Sutton等人，1967年）是一个正面峰值事件后约300毫秒显示的正峰波形，是ERP研究最多，使用最广泛，最突出的成分之一（David etal。，2020年； Kirasirova等。，2020）。P300分类检测是P300-BCI研究的重点，快速准确的识别对于改善p300-BCI的性能至关重要（Huang等人。，2022）。P300通常表现出低信噪比（SNR）（Zhang等人，2022）。为了突出其时间锁定的组件并最大程度地减少背景噪声，P300-BCI要求从多个试验中收集，汇总和平均数据以获得可靠的输出（Liu等人。，2018年），这是耗时且有效的。因此，在单审判中正确对p300进行分类是一个巨大的挑战。到目前为止，单个试验P300分类算法的准确性记录如下：Krusienski使用逐步线性判别分析（SWLDA）的平均分类精度约为35％。使用贝叶斯线性判别分析（BLDA）的平均分类准确性（BLDA）约为60％。Blankertz应用了收缩线性判别分析（SKLDA），并达到平均分类精度约为70％。张张通过时空判别分析（STDA），并达到平均分类准确性约为61％。Kaper开发的支持向量机（SVM）算法的平均分类精度达到64.56％。以及XIAO提出的判别规范模式匹配（DCPM）的价值为71.23％，表明DCPM在单验P300分类中的其他传统方法显着超过了其他较小的训练样本中的其他传统方法（Xu等人。，2018，2021; Xiao等。，2019a，b，2021; Wang等。，2020）。ma等。（2021）提出了一个基于胶囊网络的模型，该模型提高了单审P300的检测准确性，但是，由于大小的增加，计算变得复杂。Zhang等。 （2022）用Xdawn填写数据，以提高脑电图信号的信噪比，但是空间过滤方法需要在特征提取后手动选择显着特征，然后对其进行分类。 这是特定因素的高度特殊性；但是，该算法通常很复杂，其精度受特征选择的影响（Zhang等人 ，2022）。 深度学习是端到端的学习，具有简单的结构，可以移植到具有高分类精度的各种任务，但对示例数据的要求很高。 ，2020年），脑电图数据融合（Panwar等人Zhang等。（2022）用Xdawn填写数据，以提高脑电图信号的信噪比，但是空间过滤方法需要在特征提取后手动选择显着特征，然后对其进行分类。这是特定因素的高度特殊性；但是，该算法通常很复杂，其精度受特征选择的影响（Zhang等人，2022）。深度学习是端到端的学习，具有简单的结构，可以移植到具有高分类精度的各种任务，但对示例数据的要求很高。，2020年），脑电图数据融合（Panwar等人如今，深度学习方法在基于脑电图的目标检测技术方面取得了巨大进展（Li等人，2021），基于此，一些学者提出了其他用于P300分类的方法，例如转移学习（Wei等人。，2020），incep a-eegnet（Xu等人，2022），组合分类器（Yu等人。，2021），主成分分析（PCA）（Li等人，2020）等目前，Daniela使用了CNN（Cecotti和
学期-II Credit-30 Sr.没有课程代码课程LTPC 1。
概率理论的概述，线性代数，凸优化。简介：模式识别和机器学习的历史，模式识别和机器学习重点的区别。回归：线性回归，多元回归，逻辑回归。聚类：分区聚类，分层聚类，桦木算法治疗算法，基于密度的基于密度的聚类PCA和LDA：主成分分析，线性判别分析。内核方法：支持向量机图形模型：高斯混合模型和隐藏的马尔可夫模型贝叶斯方法的简介：贝叶斯分类，贝叶斯学习，贝叶斯最佳分类器，天真的贝叶斯分类器和贝叶斯网络..
DS303课程描述主题旨在涵盖
Introduction to ML Idea of supervised, unsupervised, semi-supervised, reinforcement learning Linear regression Idea of model complexity, generalization, bias-variance trade-off, regularization Cross validation, VC dimension Supervised classification algorithms: K nearest neighbor, LDA, Decision Tree, SVM and kernel methods, Neural Network, Naive Bayes', Gaussian判别分析，集合方法等有关概率学习模型的更多更多信息：使用MLE，MAP，GMM，EM算法估算参数无监督的学习：群集和内核密度估计，K-Means，dbscan，parzen窗口技术等。使用PCA和内核PCA降低维度强化学习的介绍深度学习和卷积网络的简介，经常性网络
来自儿科文献转移酶（GGT）。 ...
这项前瞻性研究发生在意大利的2家儿科医院，其中UC和PSC患者，单独使用UC患者以及对照年龄在2至19岁之间的患者的患者被招募。使用标准体格检查和实验室发现对患者进行了PSC诊断，并在内窥镜逆行胆管造影，磁共振胆管造影或肝活检中添加了特征性发现。继发性硬化性胆管炎患者被排除在外。使用Porto标准和蒙特利尔分类将患者诊断为UC。粪便样品，这些样品均接受了细菌和真菌元基因组分析。线性判别分析效应大小用于确定分类群的丰度。
人类前额叶皮层中空间和颜色加工的电生理解码
前额叶皮层（PFC）在目标定向的认知中起关键作用，但其代表性代码仍然是一个开放的问题，即解码技术在解散与PFC的任务相关变量方面有效。在这里，我们将正则线性判别分析应用于人类头皮脑电图数据，并能够区分智力旋转任务与具有87％解码精度的色彩感知任务。侧面PFC中的背侧和腹侧区域提供了分离这两个任务的主要特征。我们的发现表明，脑电图可以可靠地从PFC解码两个独立的任务状态，并强调PFC背或腹侧功能特定在处理Where旋转任务与哪种颜色任务时。
使用全自动分割方法
背景：正电子发射断层扫描（PET）越来越多地用于用于治疗评估目的。尽管如此，由于空间分辨率低和PET图像的高噪声水平，PET图像中的病变体积识别是放射线学过程中至关重要且仍然具有挑战性的步骤。目前，生物靶标体积（BTV）由核医生手动轮廓，并具有昂贵且依赖操作员的程序。这项研究旨在使用全自动手术，并使用这些BTV提取放射线特征，以在对治疗反应与否的患者之间进行分层，从而在接受L- [11 C]蛋氨酸（11C] PET的患者中获取BTV。出于这些目的，使用建议的方法划定了31种用于预测性评估的脑转移，用于治疗后的随访评估25个。依次使用11C-MET PET研究和相关的体积分割来提取108个特征，以研究放射线分析在脑转移患者中的潜在应用。已实施了一种新型的统计系统，以减少特征和选择，而判别分析被用作特征分类的方法。结果：对于预测性评估，在功能降低和选择后，有3个特征（非球性，低强度跑步和复杂性）能够区分响应者和非反应器患者。与使用所有功能相比，使用三个选定特征（敏感性为81.23％，特异性为73.97％，精度为78.27％）的组合获得了患者歧视的最佳表现。其次，对于后续评估，为8个特征（SUV平均值，SUL峰，SUV，SUL峰值面积面积，SUV平均值量表，表面平均SUV 3，SUL峰值峰值 - 峰值 - 峰值和第二个角度矩和第二个角动力）均在判别分析中具有最佳性能，敏感性86.28％（敏感性86.28％），特定于87.75％，并精确86.75％），精确86.75.75％。 特征。
随机子空间集成学习在功能性近红外光谱脑机接口中的应用
探索了随机子空间集成学习方法在提高基于功能性近红外光谱的脑机接口 (fNIRS-BCIs) 性能方面的可行性。利用 fNIRS 发色团浓度变化的时间特征（如均值、斜率和方差）构建特征向量，以实现 fNIRS-BCIs 系统。采用 fNIRS-BCIs 中最受欢迎的特征均值和斜率。分别采用线性支持向量机和线性判别分析作为单个强学习器和多个弱学习器。使用每个通道和可用时间窗口内的所有特征来训练强学习器，并随机选择特征子集来训练多个弱学习器。确定随机子空间集成学习有利于提高 fNIRS-BCIs 的性能。
基于多域特征和随机子空间集成的脑电信号分类
摘要 摘要 摘要：摘要：针对BCI系统中预处理特征提取和分类识别问题，提出一种基于多域特征随机子空间集成学习的运动想象脑电信号分类方法。在分析运动想象（MI）信号的ERD/ERS特征的基础上，提取效果最佳的时间和频段的多域特征作为特征向量，并自适应地选择带有交叉验证的随机子空间集成尺度，利用线性判别分析（LDA）分类器集成实现脑电信号分类。测试结果表明，多域特征和随机子空间集成的准确率可达90.71%，Kappa系数为0.63，优于比赛中第一名的算法，证明了该算法的有效性和先进性。