XiaoMi-AI文件搜索系统
World File Search System判别分析
通过优化和机器学习提高 P300 拼写器的性能
脑机接口 (BCI) 是一种允许人们绕过周围神经系统 (PNS) 的自然神经肌肉和激素输出与环境互动的系统。这些接口记录用户的大脑活动并将其转换为外部设备的控制命令，从而为 PNS 提供额外的人工输出。在此框架中，基于 P300 事件相关电位 (ERP) 的 BCI 已被证明特别成功且稳定，ERP 代表特定事件或刺激后从大脑记录的电反应。通过分类算法确定 EEG 特征中是否存在 P300 诱发电位。线性分类器（例如逐步线性判别分析 (SWLDA) 和支持向量机 (SVM)）是 ERP 分类中最常用的判别算法。由于 EEG 信号的信噪比较低，因此需要执行多个刺激序列（即迭代），然后取平均值，然后对信号进行分类。然而，虽然增加迭代次数可以提高信噪比 (SNR)，但也会减慢该过程。在早期的研究中，迭代次数是固定的（不停止），但最近，文献中提出了几种提前停止策略，以便在满足某个标准时动态中断刺激序列，以提高通信速率。在
人工智能与机器学习辅修
单元 1 机器学习简介 – 数据和特征 – 机器学习流程：数据预处理：标准化、规范化、缺失数据问题、数据不平衡问题 – 数据可视化 - 设置训练、开发和测试集 – 交叉验证 – 过度拟合问题、偏差与方差 - 评估措施 – 不同类型的机器学习：监督学习、无监督学习。单元 2 监督学习 - 回归：线性回归、逻辑回归 – 分类：K-最近邻、朴素贝叶斯、决策树、随机森林、支持向量机、感知器。单元 3 无监督学习 – 聚类：K-均值、分层、谱、子空间聚类、降维技术、主成分分析、线性判别分析。教科书：Andrew Ng，机器学习 yearning，网址：http://www.mlyearning。org/(96) 139 (2017)。Kevin P. Murphey。机器学习，概率视角。麻省理工学院出版社，马萨诸塞州剑桥，2012 年。Christopher M Bishop。模式识别和机器学习。Springer 2010 参考书：Richard O. Duda、Peter E. Hart、David G. Stork。模式分类。Wiley，第二版；2007 年 Sutton，Richard S. 和 Andrew G. Barto。强化学习：简介。麻省理工学院出版社，2018 年。评估模式
评论文章人工智能在患者各种疾病诊断和治疗中的作用
人工智能 (AI) 被定义为机器模仿人类智能行为的能力。随着计算机能力的大幅提升，人工智能通过使用各种算法帮助医疗专家进行更好的诊断和治疗。人类的大脑首先规划一个目标，然后需要人工智能通过监督和无监督学习来实现这一目标。人工智能中使用的各种算法包括人工神经网络、k-最近邻、支持向量机、决策树、回归分析分类器、贝叶斯网络、随机森林、判别分析。人工智能具有多种优势，例如在全幻灯片图像中对乳腺癌进行诊断和分期、对肺腺癌和鳞状细胞癌患者的组织病理学研究、在医学领域中对心血管疾病、精神疾病、胃肠病学、外科、眼科等进行快速诊断和治疗的更快解释和诊断。更有用的是解释和规划癌症诊断和治疗方案。然而，人工智能缺乏整体管理方法，因此永远无法取代人道治疗，但人工智能可以成为医生规划治疗方案的有用补充。关键词：算法、人工智能、机器智能、治疗学。AMEI 的诊断与治疗最新趋势 (2021)：10.5005/jp-journals-10055-0131
ISPRS 摄影测量与遥感杂志
全球人口增长已导致许多自然生态系统的土地利用 (LU) 发生变化，从而导致影响土壤质量的环境条件恶化。在缺水且土壤有机资源不足的系统中，土地利用对土壤质量的影响尤为显著。因此，本研究的主要目标是使用成像光谱 (IS) 评估人类活动（即土地利用，如放牧、现代农业和径流收集系统）对以色列干旱地区土壤质量的影响。为此，选择了 12 种物理、生物和化学土壤特性，并将其进一步整合到土壤质量指数 (SQI) 中，以此作为评估以色列南部干旱地区土地利用变化的显著影响的方法。AisaFENIX 高光谱机载传感器的飞行活动用于开发区域范围内 SQI 的 IS 预测模型。使用偏最小二乘判别分析 (PLS-DA) 分类方法 (OA = 95.31%，Kc = 0.90)，从高光谱图像本身提取的光谱特征在四个 LU 之间可以很好地分离。使用多元支持向量机回归 (SVM-R) 模型对光谱数据和测量的土壤指标以及总体 SQI 进行相关性分析。SVM-R 模型与几种土壤特性显著相关，包括总体 SQI (R 2 adj Val = 0.87)，成功预测了 r
构建利用多脑区 GLCM 特征和机器学习技术的精神分裂症识别方法
摘要：准确诊断精神分裂症是一种复杂的精神疾病，对于有效管理治疗过程和方法至关重要。各种类型的磁共振 (MR) 图像都有可能作为精神分裂症的生物标志物。本研究旨在通过结构 MR 图像对精神分裂症患者和健康对照者大脑双侧杏仁核、尾状核、苍白球、壳核和丘脑区域可能出现的纹理特征差异进行数值分析。为此，使用机器学习方法对从右脑、左脑和双侧大脑的五个区域获得的灰度共生矩阵 (GLCM) 特征进行分类。此外，还分析了这些特征在哪个半球更具特色，以及 Adaboost、Gradient Boost、eXtreme Gradient Boosting、随机森林、k-Nearest Neighbors、线性判别分析 (LDA) 和朴素贝叶斯中的哪种方法具有更高的分类成功率。检查结果显示，左半球这五个区域的 GLCM 特征在精神分裂症患者中的分类性能优于健康人。使用 LDA 算法，在健康和精神分裂症患者中，分类成功率为 100% AUC、94.4% 准确率、92.31% 灵敏度、100% 特异性和 91.9% F1 得分。因此，这表明五个预定区域而不是整个大脑的纹理特征是识别精神分裂症的重要指标。
滑动窗口通用空间模式用于增强 EEG-BCI 中的运动想象分类
摘要 — 脑电图 (EEG) 信号的准确二元分类是开发运动想象 (MI) 脑机接口 (BCI) 系统的一项艰巨任务。本研究提出了两种滑动窗口技术来增强运动想象 (MI) 的二元分类。第一种方法计算所有滑动窗口预测序列的最长连续重复 (LCR)，称为 SW-LCR。第二种方法计算所有滑动窗口预测序列的模式，称为 SW-Mode。公共空间模式 (CSP) 用于提取特征，线性判别分析 (LDA) 用于对每个时间窗口进行分类。SW-LCR 和 SW-Mode 都应用于公开可用的 BCI 竞赛 IV-2a 健康个体数据集和中风患者数据集。与现有的最先进技术相比，SW-LCR 在健康个体的情况下表现更好，SW-Mode 在左手与右手 MI 的中风患者数据集上表现更好，标准差更低。对于这两个数据集，分类准确率 (CA) 约为 80%，kappa (κ) 为 0.6。结果表明，使用 SW-LCR 和 SW-Mode 的基于滑动窗口的 MI 预测对于试验内激活时间的试验间和会话间不一致具有很强的鲁棒性，因此可以在神经康复 BCI 环境中实现可靠的性能。
阿尔茨海默病检测技术和方法
与阿尔茨海默病 (AD) 相关的大脑病理变化可以通过神经影像学测量。在过去的几年中，这些测量方法在分类框架的帮助下迅速融入到阿尔茨海默病 (AD) 的特征中，这些分类框架为诊断和预后提供了工具。这是一项基于神经影像学和认知障碍分类的阿尔茨海默病综述研究。这项工作是对 AD 领域特别是计算机辅助诊断领域已发表工作的系统综述。成像方式包括 1) 磁共振成像 (MRI) 2) 功能性 MRI (fMRI) 3) 扩散张量成像 4) 正电子发射断层扫描 (PET) 和 5) 淀粉样蛋白-PET。研究表明，基于特征的分类标准在诊断疾病方面显示出良好的效果，并有助于临床进展。用于 AD 诊断的最广泛使用的机器学习分类器包括支持向量机、贝叶斯分类器、线性判别分析和 K-最近邻以及深度学习。研究表明，深度学习技术和支持向量机在阿尔茨海默病的识别方面具有更高的准确性。本文还讨论了可能面临的挑战以及未来的发展方向。DOI：10.9781/ijimai.2021.04.005
NSGA-II 目标对运动想象相关脑电图特征选择的影响
选择与运动想象 (MI) 具有功能相关性的脑电图 (EEG) 特征是基于脑机接口 (BCI) 的运动康复成功的关键任务。MI 期间的个体 EEG 模式需要基于受试者的特征选择，由于特征的复杂性和数量庞大，这是一项艰巨的任务。一种解决方案是使用元启发式算法，例如遗传算法 (GA)，以避免不切实际的穷举搜索。在本研究中，使用最广泛使用的 GA 之一 NSGA-II 和分层个体表示来排除与 MI 无关的 EEG 通道。本质上，在先前记录的 MI EEG 数据集上评估了 NSGA-II 中不同目标的性能。实证结果表明，k-最近邻（k-NN）与皮尔逊相关系数（PCFS）相结合作为目标函数，与其他目标组合相比，分类准确率更高（73% vs. 69%）。线性判别分析（LDA）与特征减少（FR）相结合作为目标函数，最大程度地减少了特征（99.6%），但降低了分类性能（65.6%）。所有与 PCFS 相结合的分类器目标都根据 MI 期间的预期活动模式选择了类似的特征。总之，PCFS 和分类器作为目标函数构成了 MI 数据的良好权衡解决方案。
对粪便样品的代谢组筛查是对婴儿过敏的牛奶蛋白过敏的临床试验的替代方法
牛奶蛋白过敏（CMPA）是食物过敏的最复发性儿科疾病之一，这是幼儿时期发生的。诊断并不容易，需要口服食物挑战测试（OFC）。在寻找可以用作CMPA的生物标志物的可能的肠道代谢产物时，评估了来自怀疑CMPA的婴儿的粪便样品的24个代谢组谱。儿童先前被诊断出患有OFC。粪便样品，并使用FT-Orbitrap质谱仪直接通过超高分辨率质谱（HRMS）直接分析。代谢组谱，该分析在区分样品以提出诊断方面并不有效。然后，在负面分析模式下获得的特定M/Z范围的代谢组谱成功地经受了正交部分最小二乘判别分析（OPLS-DA），该分析在没有CMPA的情况下将两组分开。模型拟合为R²= 0.88，在测试中具有Q²= 0.52的预测能力，其置换为2000排列，显着性p值<0.05。在这项初步研究中，使用代谢组谱获得的模型显示出显着的验证值，这表明有可能区分两组感兴趣的验证值，这表明其用作CMPA患者的可能诊断工具。
Frédéric Dehais 和 Imad Rida 和 Raphaëlle N. Roy 和 John Iversen 和 Tim Mullen 和 Daniel E. Callan 的 pBCI，用于在实际飞行条件下发生注意力错误之前进行预测。（2019 年）在：IEEE 系统、人与控制论国际会议 - IEEE SMC BMI，2019 年 10 月 6 日 - 2019 年 10 月 9 日（意大利巴里）。
摘要 — 事故分析表明，飞行员可能无法处理诸如警报之类的听觉刺激，这种现象称为注意力不集中性失聪。这项研究的动机是开发一种被动脑机接口，可以预测在真实飞行条件下这种关键现象的发生。十名配备干脑电图系统的志愿者必须飞行一个具有挑战性的飞行场景，同时通过按下按钮来响应听觉警报。行为结果显示，飞行员错过了 36% 的听觉警报。ERP 分析证实，由于潜在的注意力瓶颈机制，这种现象会影响早期（N100）和晚期（P300）阶段的听觉处理。使用稀疏表示分类 (SRC)、稀疏和密集表示 (SDR) 以及更传统的方法（例如线性判别分析 (LDA)、收缩 LDA 和最近邻 (1-NN)），对警报开始前三秒提取的频率特征进行受试者间分类。在最佳情况下，SRC 和 SDR 分别给出了 66.9% 和 65.4% 的正确平均分类率来预测注意力不集中性耳聋的发生，优于 LDA (60.6%)、sLDA (60%) 和 1- NN (59.6%)。这些结果为神经自适应自动化的实施开辟了光明的前景，最终目标是增强警报刺激传递，以便人们感知和采取行动。