XiaoMi-AI文件搜索系统
World File Search System判别分析
使用多阶段分类器的机器学习
最近，泥烤种植可以在经济上为农村人口提供帮助。然而，泥泞中的现有寄生虫可能会干扰泥泞的长寿。不幸的是，寄生虫已被确定住在数百种泥泞中，尤其是在马来西亚的Terengganu沿海水中。本研究通过使用机器学习技术根据其类别研究了寄生虫特征的初步识别。在这种情况下，我们使用了五个分类器，即逻辑回归（LR），K-Nearest邻居（KNN），高斯天真贝叶斯（GNB），支持向量机（SVM）和线性判别分析（LDA）。我们将这五个级别的fiers与寄生虫分类的最佳性能进行了比较。涉及三个阶段的分类过程。首先，将寄生虫分为两个类别（正常和异常），无论其腹侧类型如何。第二，分类性（女性或男性）和成熟度（成熟或不成熟）。最后，我们比较了五个分类器以识别寄生虫的物种。实验结果表明，GNB和LDA是在泥蟹属scylla内对根茎寄生虫进行初始分类的最有效的分类器。
一种用于精确脑功能映射的启发式信息聚类搜索方法
图 3 (a) 与 ICS 算法相比，探照灯程序的步骤和输出的说明。灰色体素是探照灯方法中的搜索球中心体素，也是 ICS 算法中的起始体素。此示意图中探照灯的半径是一个体素，探照灯球的信息（每个球体用特定颜色表示）被分配给球体中心的体素，也就是说，输出图中的每个体素都具有与其搜索球相同的颜色（信息）。另一方面，ICS 方法的输出是一组通过数据驱动的启发式方法从起始体素扩展而来的聚类。每个聚类的信息都用特定的颜色表示。(b) 左：ICS 创建的重叠聚类的示例说明。右：单独描绘的相同聚类。黑点表示的体素是起始体素 vs，根据判别分析启发式方法进行扩展，从而为每个聚类得出特定的判别分数
重新访问功能选择方法到语音图像BCI数据集的应用
摘要 - 脑计算机界面（BCI）旨在建立和改善人类和计算机的相互作用。人们对设计新的硬件设备的兴趣越来越多，以通过各种技术（例如湿和干脑电图（EEG）和功能性的近边缘光谱（FNIRS）设备来促进大脑信号的收集。机器学习方法的有前途的养育吸引了研究人员将这些方法应用于其数据。但是，由于其针对特定数据集的性能较低，因此可以简单地忽略某些方法。本文显示了相对简单但功能强大的功能选择/排名方法如何应用于语音图像数据集并产生显着的结果。为此，我们介绍了两种方法：水平和垂直设置，以对语音图像BCI数据集使用任何特征选择和排名方法。我们的主要目标是提高支持向量机，k -neart邻居，决策树，线性判别分析和长期短期记忆复发的神经网络分类器的分类精度。我们的实验结果表明，使用一小部分通道，我们可以保留，在大多数情况下，无论分类器如何，我们都可以改善所得的分类精度。
基于机器学习的精神分裂症和主要抑郁症的脑电图表型
尽管精神诊断是基于公开特征（例如行为，情绪和思想）的现象学区别，但具有脑电图（EEG）神经病理学机制（EEG）的确定仍然具有挑战性。在使用脑电图确定的神经生理表型中，精神分裂症（SZ）和主要抑郁症（MDD）始终没有推荐的脑模型。以前的EEG研究集中在病理生理学的区别和症状关系上（1-3）。SZ和MDD的临床变化非常异质（4-6）。除了基于SZ和MDD之间的现象学区别的临床诊断之外，使用机器学习的脑电图定义可以提供促进治疗突破的见解（7-10）。，通过应用线性判别分析（LDA）和支持向量机（SVM）（11）来确保精神疾病中的分类表现。听觉P300（AP300）是SZ和抑郁症患者的代表性神经生理指标（12-15）；但是，一些研究为抑郁症指标提供了不一致的发现（16）。ap300包括N1和P3组件，它们在100毫秒左右的最大电位和最正的电位分别是听觉刺激发作后300毫秒左右的最积极电位。通常观察到中线电极中P3和N1振幅的变化（17，18）。另外，定义时间范围内振幅的宽度也可以表明病理状态（21）。此外，每个组件定义时间范围内的最高峰电势在各个个体之间显示出较大的变化，因为每个成分都包含几种神经生物学属性（19，20）。AP300在听觉响应以及工作记忆和注意力过程中反映了认知过程（22，23）。n1已被定义为目标刺激的早期感觉输入的神经分配（24、25），而N1减少可以反映SZ和情绪障碍中的异常选择性注意（26 - 29）。p3是AP300的主要组成部分，它是由信息处理的晚期积极潜力产生的，例如在普通情况下的输入罕见事件（30，31）。n1和p3降低（32，33）。几项研究还报道了MDD患者的N1和P3的延迟延迟和幅度降低（13、34-36）。在这里，我们比较了健康对照组（HCS）与SZ和MDD患者之间的AP300。为了鉴定SZ和抑郁症的大脑表型，N1和P3成分的变化在三个维度上表达，即通过使用雷达图表，峰值，潜伏期，振幅和皮质来源的峰值。此外，我们使用线性判别分析（LDA）和支持向量机（SVM）分类器应用机器学习技术，以适用于每个两组分类。
期刊参考样式endNote样式围嘴样式
方法：我们提出了一个开源基准测试框架，台式框架，以建立最佳的实践机器学习方法，以评估应用于FNIRS数据的模型，并使用用于脑部计算机界面（BCI）应用程序的五个开放式访问数据集。使用嵌套交叉验证的稳健方法，台式框架使研究人员能够优化模型并无偏见评估它们。该框架还使我们能够生产有用的指标和图，以详细介绍新模型的性能以进行比较。为了演示框架的实用性，我们提出了六个基线模型[线性判别分析（LDA），支持 - 矢量机（SVM），K-Neartivt邻居（KNN），人工神经网络（ANN），卷积神经网络（CNN）和长期记忆（LSTM）的（lSTM）的[分类性能的不同因素，包括：训练示例的数量和每个用于分类的FNIRS样本的时间窗口的大小。我们还提供了一个滑动窗口的结果，而不是简单的时期分类，并且通过个性化方法（在主题数据分类中）而不是广义方法（未见主题数据分类）。
用BRFSS数据的糖尿病性预测...
抽象的一种影响全世界许多人的慢性疾病是糖尿病性疾病。如果在早期预测该疾病，则风险和严重程度都可以显着降低。In this research, we need to predict the type 2 diabetic patients at an early stage to reduce the cost of treatment for countries because this is a long time disease we use many machine learning algorithms to find the accuracy for these diseases applied to BRFSS datasets for two years 2014 and 2015 with a different selection of features to predict the disease as decision tree, logistic regression, ADA Boost Classifier, extreme gradient boosting, Linear Discriminant Analysis, Light梯度提升机和Catboost分类器。在使用2014 BRFSS数据集应用我们的实验时，神经网络具有最高的精度，而2015 BRFSS数据集则最佳准确度模型对于Catboost分类器和极端梯度提升，其中最低模型是线性判别分析。此外，在我们的研究中，我们使用具有不同功能选择并获得高精度的相同数据集进行了比较我们的结果。关键字：慢性疾病；糖尿病性麦芽膜；机器学习；人工智能;分类
![arXiv:1809.00346v1 [cs.RO] 2018 年 9 月 2 日](/simg/g:\will\search\icon\source\4\4f1ed1ac1a507dc170810cd7e2be578c5cf1eed6.webp)
arXiv:1809.00346v1 [cs.RO] 2018 年 9 月 2 日
摘要 — 脑机接口 (BCI) 是一项已有近四十年历史的技术，其开发的唯一目的是开发和增强神经假体的影响。然而，近年来，随着非侵入式脑电图 (EEG) 耳机的商业化，该技术已得到广泛的应用，如家庭自动化、轮椅控制、车辆转向等。最新开发的应用之一是意念控制的四旋翼无人机。然而，这些应用不需要非常高速的响应，当使用标准分类方法（如支持向量机 (SVM) 和多层感知器 (MLPC)）时会给出令人满意的结果。当固定翼无人机需要高速控制时，就会面临问题，因为分类速度慢，导致此类方法不可靠。这样的应用要求系统以高速对数据进行分类，以保持车辆的可控性。本文提出了一种新的分类方法，该方法结合了通用空间范式和线性判别分析，可以实时提高分类准确率。本文还讨论了基于非线性 SVM 的分类技术。此外，本文还讨论了所提方法在固定翼和 VTOL 无人机上的实施。
评估两个不同大小的数据集上的双层特征选择的运动想象分类性能
摘要：已经进行了大量研究来从各个方面提高基于运动想象的脑机接口 (BCI) 分类性能。然而，在客观和主观数据集上比较他们提出的特征选择框架性能的研究有限。因此，本研究旨在提供一种新颖的框架，该框架将不同频带的空间滤波器与双层特征选择相结合，并在已发布和自获取的数据集上对其进行评估。对脑电图 (EEG) 数据进行预处理并将其分解为多个频率子带，然后根据 Fisher 比率和最小冗余最大相关性 (mRmR) 算法提取、计算和排序其特征。通过线性判别分析 (LDA) 选择信息滤波器组进行最佳分类。研究结果首先表明，所提出的方法在准确性和 F1 分数方面可与其他传统方法相媲美。研究还发现，手与脚的分类比左手与右手的分类更具可辨性（差异为 4-10%）。最后，在应用于小规模数据时，滤波器组通用空间模式（FBCSP，无特征选择）算法的性能明显低于所提出的方法（p = 0.0029、p = 0.0015 和 p = 0.0008）。
使用多重分形去趋势波动分析和表面肌电图进行人体手势识别 A. Hajihashemi a、F. Ebrahimi *a、H. Monta
大多数日常活动需要灵巧地使用手和手指。残疾人的手部假肢可以通过连接到上肢的表面电极非侵入式获取的表面肌电图 (sEMG) 信号来控制。在对从 10 位截肢者获取的 12 个电极 sEMG 信号进行预处理后，计算了时域和频域中的不同特征。考虑到 sEMG 是一种复杂、随机、非平稳和非线性信号，还通过多重分形去趋势波动分析 (MFDFA) 的方法提取了复杂的非线性特征。使用不同的分类方法（包括支持向量机 (SVM)、线性判别分析 (LDA) 和多层感知器 (MLP)）来比较它们在八种不同手指运动分类中的表现。观察发现，SVM 在手指运动分类方面的表现优于其他两个分类器。新特征与传统特征融合后，分类准确率、精确率、召回率（灵敏度）分别为98.70%、98.74%、98.67%。结果表明，加入MFDFA提取的新特征与其他传统特征，可以有效提高数据采集效果。
使用FNIRS的机器学习的基准测试框架
功能性近红外光谱（FNIRS）（Jobis 1977）越来越多地用于认知神经科学和脑部计算机界面（BCIS）（Naseer and Hong 2015）。通常是为了确定受试者正在执行的任务类型或评估任务的强度水平，并且在对精神活动的类型和水平进行分类方面变得越来越流行（Herff等人。2014，Benerradi等。 2019）。 用于分类，可以广泛使用机器学习，无论是使用线性判别分析（LDA）或支持向量机（SVM）等模型的标准机器学习，还是最近深入学习，具有从标准的人工神经网络（ANN）到卷积神经网络（CNNS）和复发性神经网络（RASE NEARER网络（RASE）（RASE）（RASE）（RASE）（RASE）（RASE）（RASE）（NASE）（NASE）（NASE）。 2016，Trakoolwilaiwan等。 2017，Yoo等。 2018）。 与其他已经开发出标准化和可比较的方法来用于生理措施，标准和良好实践的社区不同。 因此，在某些情况下，这些技术似乎是有效的，但是研究人员需要意识到良好的实践，并避免常见的陷阱，从而破坏最终结果的可靠性（Lipton和Steinhardt 2019）。2014，Benerradi等。2019）。用于分类，可以广泛使用机器学习，无论是使用线性判别分析（LDA）或支持向量机（SVM）等模型的标准机器学习，还是最近深入学习，具有从标准的人工神经网络（ANN）到卷积神经网络（CNNS）和复发性神经网络（RASE NEARER网络（RASE）（RASE）（RASE）（RASE）（RASE）（RASE）（RASE）（NASE）（NASE）（NASE）。2016，Trakoolwilaiwan等。 2017，Yoo等。 2018）。 与其他已经开发出标准化和可比较的方法来用于生理措施，标准和良好实践的社区不同。 因此，在某些情况下，这些技术似乎是有效的，但是研究人员需要意识到良好的实践，并避免常见的陷阱，从而破坏最终结果的可靠性（Lipton和Steinhardt 2019）。2016，Trakoolwilaiwan等。2017，Yoo等。 2018）。 与其他已经开发出标准化和可比较的方法来用于生理措施，标准和良好实践的社区不同。 因此，在某些情况下，这些技术似乎是有效的，但是研究人员需要意识到良好的实践，并避免常见的陷阱，从而破坏最终结果的可靠性（Lipton和Steinhardt 2019）。2017，Yoo等。2018）。与其他已经开发出标准化和可比较的方法来用于生理措施，标准和良好实践的社区不同。因此，在某些情况下，这些技术似乎是有效的，但是研究人员需要意识到良好的实践，并避免常见的陷阱，从而破坏最终结果的可靠性（Lipton和Steinhardt 2019）。