XiaoMi-AI文件搜索系统
World File Search System卷积
用于分析的图卷积神经网络
近年来，解码脑信号引起了广泛关注并找到了许多应用，例如脑机接口，利用用户的意图与控制外部设备进行通信，这是一个新兴领域，具有改变世界的潜力，具有从康复到人类增强的多种应用。话虽如此，脑信号分析，特别是脑电图脑信号分析，是一项具有挑战性的任务。随着深度学习在仅使用原始数据解决问题方面取得的进步和成就，近年来很少有人尝试应用深度学习来处理脑电图和其他类型的脑信号。在本研究中，我们提出了一种新的损失函数，称为 DeepCSP，将经典的公共空间模式扩展为非线性可微模块，作为损失函数，以端到端的方式在原始信号上强制属于不同类别的脑电信号的线性可分潜在表示，而无需执行大量的特征工程。随着最近深度学习方法对任意结构图的推广以及引入的损失，我们提出了两种轻量级模型来解码 EEG 信号，并进行了实验以展示它们的性能。
用于脑肿瘤分类的卷积神经网络
摘要 – 精确和新颖的脑癌 MR 图像处理在决策和患者治疗决策中发挥着重要作用。MR 图像处理中的关键挑战是 X 射线设备捕获的低级视觉数据与人类评估者看到的高级数据之间的语义差距。传统的系统控制模型仅适用于低级或高级技能，使用一些手工定制的元素来缩小这个差距，并且需要精确的元素提取和分类方法。深度学习的最新进展表明，深度学习取得了巨大进步，并且深度学习卷积神经网络 (CNN) 已在图像分类项目中占据主导地位。深度学习对于特征描述非常有用，它可以完整地描述低级和高级数据，并将元素提取和分类部分植入自我意识中，但总体上需要巨大的训练数据集。对于大多数深度学习情况，训练数据集很小，因此，在小数据集上练习深度学习和训练 CNN 是一项艰巨的任务。针对这一问题，我们使用了预训练的深度 CNN 模型。我们的方法更稳定，因为它不使用任何精心构建的技能，只需要很少的预处理，并且可以在 5 次重叠移动验证下获得 95.51% 的平均精度。我们不仅使用传统的机器学习来测试我们的结果，而且还使用 CNN 的深度学习技术来测试我们的结果。试验结果表明，我们提出的方法在 MRI 数据集上超越了现代类别
图像分类的量子卷积神经网络
在图像处理领域，众所周知的模型是卷积神经网络或CNN。设置该模型的独特好处是其使用数据中包含的相关信息的非凡能力。即使取得了惊人的成就，传统的CNN也可能在概括，准确性和计算经济方面进一步改善。但是，如果模型或数据维度太大，则正确训练CNN并快速处理信息可能具有挑战性。这是因为它将导致数据处理滞后。量子卷积神经网络（简称QCNN）是一种新颖的量子解决方案，可以增强现有学习模型的功能或解决需要将量子计算与CNN组合组合的问题。为了强调量子电路在提高特征提取能力方面的灵活性和多功能性，本文比较了针对基于图像的任务的深度量子电路体系结构，它使用经典的卷积神经网络（CNNS）和一种新颖的量子电路体系结构进行了比较。使用COVIDX-CXR4数据集用于训练量子CNN模型，并将其结果与其他模型的结果进行了比较。结果表明，当与创新的特征提取方法配对时，建议的深量子卷积神经网络（QCNN）在处理速度和识别精度方面优于常规CNN。即使需要更多的处理时间，QCNN就识别准确性而优于CNN。在对Covidx-CXR4数据集进行训练时，这种优势变得更加明显，证明了更深的量子计算有可能完全改变图像分类问题的潜力。
多项式卷积和（有限）自由概率
在1986年在Dan Voiculescu的一系列论文中引入后，自由概率在其理论和应用中都实现了令人难以置信的增长。这包括Nica和Speicher首先引入的自由库群的理论，该理论通过组合镜的镜头提供了一个统一的框架，以理解经典和自由的独立性[27]。它已被用作各个领域的工具，包括随机矩阵理论，组合，对称组的表示，大偏差和量子信息理论。在大多数情况下，上面提到的关系仅在渐近意义上存在，这主要是由于没有非平凡的自由对象存在于实用维度。然而，作者与丹尼尔·斯皮尔曼（Daniel Spielman）和尼克希尔·斯里瓦斯塔瓦（Nikhil Srivastava）的最新作品[18，19，22]表明，有限结构的行为与渐近的“自由”行为非常相似，尽管从技术上讲并不是“自由”。本文的目的是提出一种理论，我们称之为“有限的自由概率”，是一种扩展基本概念和自由概率的见解，以使用多项式卷积为有限的对象。
基于最优卷积神经网络的脑肿瘤检测
引言：肿瘤是当今第二大癌症病因。许多人因癌症而处于危险之中。为了检测脑肿瘤等癌症，医疗部门需要一种快速、自动化、高效和可靠的程序。目的：治疗的早期阶段对于检测至关重要。如果能够准确诊断肿瘤，医生就可以保护患者免受危险。在这个程序中，使用了几种图像处理算法。方法：利用这种方法，无数癌症患者得到了治疗，挽救了他们的生命。肿瘤只不过是不受控制地增殖的细胞的集合。脑衰竭是由脑癌细胞的发展引起的，这些细胞会吞噬健康细胞和组织所需的所有营养。目前，医生会仔细检查大脑的 MRI 图像，以确定患者脑肿瘤的位置和大小。这需要大量时间，并会增加错误的肿瘤检测。结果：肿瘤是不受控制的组织生长。迁移学习可用于检测脑癌。该模型能够预测图片中是否存在癌症，这是其最大的优势。如果存在肿瘤，则返回 TRUE，否则返回 FALSE。结论：总之，使用 CNN 和深度学习算法识别脑肿瘤已显示出巨大的前景，并有可能彻底改变放射学学科。
使用卷积神经网络检测脑肿瘤
脑瘤是脑细胞的异常生长。与正常细胞不同，脑瘤细胞会不受控制地生长和分裂，形成一团组织。脑瘤可能是良性的（非癌性的），也可能是恶性的（癌性的）。脑瘤是全世界范围内的重大健康问题，影响着各个年龄段的人。脑内细胞的这些异常生长会导致严重的健康并发症，如果不及时治疗，可能会危及生命。脑瘤的确切病因尚不清楚，但存在许多风险因素，包括年龄、家族史、辐射暴露、某些遗传性疾病。脑瘤检测项目的目标是使手动检测和分类脑瘤的过程自动化，以获得更好、更快的结果。传统上，脑瘤是使用 MRI 扫描检测的。肿瘤类型的多变性可能导致误解，从而产生假阳性或假阴性。早期诊断脑瘤对于改善患者预后至关重要。 CNN 能够从复杂数据（例如脑部 MRI 扫描）中学习复杂的模式和特征，这彻底改变了肿瘤检测过程。脑肿瘤在早期阶段可能难以检测，但 CNN 有可能提高脑肿瘤检测的准确性和效率。基于 CNN 的系统可实现检测过程的自动化，从而减少对 2 个人工解释的依赖。
基于自我注意的卷积神经网络和时间...
背景：基于运动图像（MI）的脑部计算机界面（BCIS）在神经护理领域具有有希望的潜力。然而，由于MI任务期间活跃大脑区域的个体变化，解码MI EEG信号的挑战需要改善分类性能以进行实际应用。新方法：本研究提出了一个基于自我注意力的卷积神经网络（CNN），并结合使用时间频率的常见空间模式（TFCSP）来增强MI分类。由于培训数据的可用性有限，因此采用了数据增强策略来扩大MI EEG数据集的规模。基于自我注意力的CNN经过训练，可以自动从EEG SIG NALS中提取时间和空间信息，从而可以通过计算EEG通道权重来选择活动通道。TFCSP进一步实施，以从EEG数据中提取多尺度的时空空间。最后，从TFCSP得出的EEG特征与基于自我注意的CNN进行MI分类的脑电图串联。结果：提出的方法将在两个公共访问数据集（BCI竞争IIA和BCI竞争III IIII IIIA）上进行评估，分别得出79.28％和86.39％的平均准确性。结论：与最先进的方法相比，我们的方法实现了卓越的分类导致准确性。基于自我注意力的CNN与TFCSP结合可以充分利用脑电图形成的时空空间，并增强分类性能。
使用卷积神经网络检测脑肿瘤...
大脑是人体最复杂的器官之一，拥有大量细胞。当细胞分裂不受控制并形成不规则肿块时，脑肿瘤就会增加。这组细胞会影响大脑的正常功能和活动模式，并损害健康的脑细胞 [1]。X 射线图像通常用于评估和识别人体的肿瘤生长。使用医学检查成像技术（如磁共振成像 (MRI) 和计算机断层扫描 (CT) [2]）也可以检测出脑肿瘤。数字图像处理是分析 MRI 扫描的关键任务。肿瘤发生在颅骨内。肿瘤会导致极高的脑压，并扩散到整个脑区。其中一些肿瘤可能是恶性的，并导致癌症，癌症是主要的死亡原因，占全球所有死亡人数的 13% 左右。如今，放射科医生通过目视检查来识别脑肿瘤。肿瘤分类过程可能非常耗时，其准确性取决于放射科医生的技能和经验。随着接受 MRI 扫描的患者数量的增加，每天需要分析的数据量非常大，这使得基于视觉解释的读取既昂贵又缓慢。将脑肿瘤分类为各种病理类型比二元分类更具挑战性。相关挑战归因于多种因素，例如同一肿瘤类型在形状、大小和强度方面存在很大差异 [3]，而不同病理类型的表现相似 [4]。脑肿瘤的假阴性诊断可能导致患者生存机会降低。假阳性
卷积网络优于线性解码器......
书籍章节 卷积网络在从脊髓信号预测肌电图方面优于线性解码器 Yi Guo 1 *、Sinan Gok 2 和 Mesut Sahin 2 1 美国混合智能实验室有限责任公司 2 美国新泽西理工学院生物医学工程系神经假体实验室 *通讯作者：Yi Guo，混合智能实验室有限责任公司，加利福尼亚州威尼斯，美国 2020 年 10 月 19 日发布 本书章节是 Yi Guo 等人发表的文章的再版。于 2018 年 10 月在 Frontiers in Neuroscience 上发表。 （Guo Y、Gok S 和 Sahin M (2018) 卷积网络在预测脊髓信号中的 EMG 方面优于线性解码器。Front. Neurosci. 12:689。doi: 10.3389/fnins.2018.00689） 如何引用本书章节：Yi Guo、Sinan Gok、Mesut Sahin。卷积网络在预测脊髓信号中的 EMG 方面优于线性解码器。在：Jose Fernando Maya-Vetencourt，编辑。Prime Archives in Neuroscience。海得拉巴，印度：Vide Leaf。 2020。© 作者 2020。本文根据知识共享署名 4.0 国际许可条款发布（http://creativecommons.org/licenses/by/4.0/），允许在任何媒体中不受限制地使用、分发和复制，前提是对原始作品进行适当引用。道德声明：所有程序均经新泽西州纽瓦克市罗格斯大学机构动物护理和使用委员会 (IACUC) 批准。
使用卷积神经网络通过脚步声识别
摘要：人体步态非常个性化，可以用作摄像机录音中的人的生物识别。使用人类脚步声的声学标志时，可以实现可比的结果。与视觉系统相比，这种声学解决方案提供了更少的安装空间和使用成本偏僻的麦克风的机会。在本文中，提出了一种基于脚步声的人识别方法。首先，从麦克风记录中隔离台阶声音，并分成500 ms的样品。将样品用滑动窗口转换为MEL频率的Cepstral系数（MFCC）。该结果表示为作为卷积神经网络（CNN）输入的图像。在DLR的声学实验室中，记录了用于训练和验证CNN的数据集。这些实验确定了1125个步骤的总数。CNN的验证显示所有五个类别的最小f 1秒为0.94，精度为0.98。Grad-CAM方法用于可视化其决策背景，以验证所提出的CNN的功能。随后，使用实验数据讨论了实施实际实现，噪声和不同鞋类的两个挑战。