XiaoMi-AI文件搜索系统
World File Search System平方误差
使用ECG信号进行血糖监测的非侵入性方法
摘要简介：使用连续的葡萄糖监测仪（CGM），紧密的葡萄糖监测对于糖尿病患者至关重要。现有的CGM从间质液中测量血糖浓度（BGC）。这些技术非常昂贵，其中大多数都是侵入性的。先前的研究表明，低血糖和高血糖发作会影响心脏的电生理学。但是，他们没有确定BGC和ECG参数之间的队列关系。材料和方法：在这项工作中，我们提出了一种使用表面ECG信号确定BGC的新方法。复发性卷积神经网络（RCNN）用于分段ECG信号。然后，使用两个数学方程式使用提取的特征来确定BGC。使用表面ECG信号而不是心脏内信号，已从D1NAMO数据集对04例患者进行了对04例患者的测试。结果：我们能够使用RCNN算法以94％的精度分割ECG信号。根据结果，所提出的方法能够以平均绝对误差（MAE）为0.0539估计BGC，平均平方误差（MSE）为0.1604。此外，本文已经确认了BGC和ECG特征之间的线性关系。结论：在本文中，我们提出了ECG特征来确定BGC的潜在用途。此外，我们确认了BGC和ECG特征之间的线性关系。这一事实将为进一步研究（即生理模型）打开新的观点。此外，发现指出，通过机器学习，可以将ECG可穿戴设备用于非侵入性连续血糖监测。
HyperRec：具有高度计算的有效推荐系统
推荐系统是许多商业应用程序（例如在线购物网站）的重要工具。有几个问题使推荐任务在实践中非常具有挑战性。首先是需要有效而紧凑的表示来代表用户，项目和关系。第二个问题是在线市场正在动态变化，因此，建议算法适合快速更新和硬件加速。在本文中，我们提出了一种基于HyperDimensional Computing的新硬件友好推荐算法，称为HyperRec。与现有的解决方案不同，在HyperRec中利用浮点数的浮点数，用户和项目用高维度的二进制向量建模。二进制表示形式使仅使用布尔操作仅使用布尔操作执行提出的算法的推理过程，该算法在各种计算平台上有效，适用于硬件加速。在这项工作中，我们展示了如何利用GPU和FPGA加速所提出的HyperRec。与评级预测的最新方法相比，基于CPU的HyperREC实施的速度更快13.75倍，并且记忆力减少了87％，而预测的平均平方误差（MSE）降低了31.84％。与CPU相比，我们的FPGA施加平均更快67.0倍，能源效率更高6.9倍。与FPGA相比，我们的GPU实施平均进一步达到3.1×加速度，同时仅提供1.2倍降低能源效率。
开发具有多层饲料向前神经网络的混合线性模型，用于糖尿病之间的HBA1C建模
DOI: https://doi.org/10.55057/ajfas.2023.4.1.5 _____________________________________________________________________________________________ Abstract: Hemoglobin A1c (HbA1c) is the gold-standard measure for diagnosing and managing diabetes.鉴于数据驱动决策的重要性，本文旨在开发一种阐明和预测HBA1C水平的方法。我们开发了一种综合方法，用于通过R语法分析多个线性回归，嵌入多层馈电神经网络（MLFFNN）和自举。提出的方法的成功取决于预测的准确性。获得的模型的质量由获得的最小平方误差（MSE）的大小表示。本研究使用了二级糖尿病数据，总共有1000个观察结果来说明开发方法（在自举程序后获得的数据）。在进一步测试之前，对每个预选变量的临床相关性和意义进行了评估。使用MLFFNN方法（例如HBA1C，空腹血糖（FBS），尿素和血液钠水平）评估所提出的变量。发现FBS，尿素和血液钠水平均可用于验证HBA1C。fbs（= 0.45931; std se = 0.01018; p <0.01），尿素（= -0.03777; se = 0.00266; p <0.01）和血液钠水平（= -0.06685; se = 0.01112; p <0.012; p <0.01）对HBA1都产生了重大影响。我们的策略提供了准确的预测。该方法精确地评估了最终模型的有效性。出色的模型性能会导致决策中更有效的管理。Keywords : HbA1c, Linear Model, Multilayer Feed-Forward Neural Network ______________________________________________________________________________ 1.简介
机器学习技术适用于基于光摄像学信号
摘要 - 芳香剂股骨脉冲波速度（CF-PWV）是对动脉刚度的金标准测量，该测量已被认为是有效的心血管疾病（CVD）风险生物标志物。尽管可靠且准确，但是测量CF-PWV的参考方法是耗时的，需要合格的从业者的干预。Photoplethysmography（PPG）是一种非侵入性成本效益的技术，其中包含有关心血管系统的各种信息。本文旨在通过PPG脉冲波分析来探索估计CF-PWV的潜力，以进行大规模的CVD风险筛查。我们的工作包括涉及两个机器学习模型和各种传感器位置的比较分析。基于从silico ppg信号中提取的基准点及其衍生物作为XGBoost和支持向量回归（SVR）模型的输入的一组功能。这些模型在模拟传感器位置上进行了训练，在不同的噪声水平上进行了评估，与以前的研究相比，具有可比性或优越的性能。该提出的方法可在低功率嵌入式处理器上部署。浅表颞动脉位置的信号表现出最佳性能，其R²为1.00，根平方误差（RMSE）为0.13。PPG信号与所提出的方法相结合，尤其是在使用表面颞动脉信号时，尤其是在使用表面上的PWV估计的潜力。我们的结果为所述方法的未来体内验证铺平了道路。索引术语 - 绘画学，机器学习，脉冲年龄，脉冲波速度
大规模水文模型和跨界河流
摘要：大规模的水文建模是河流水文学中的一种新兴方法，尤其是在有限的可用数据的地区。这项研究重点是评估希腊五个跨界河流的两个知名大规模水文模型，即电子型和lisflood的性能。为此，将两种模型的河流插座上的排放时间序列与观察到的数据集进行了比较。比较是使用确定的确定系数，偏差百分比，nash – utcliffe效率，根平方误差和kling-gupta效率进行比较。随后，水文模型的时间序列分别通过缩放因子，线性回归，增量变化和分数映射方法纠正。然后使用相同的统计措施重新评估输出对观测值进行重新评估。结果表明，两个大规模的水文模型都没有持续优于另一个模型，因为一个模型在某些盆地中的表现更好，而另一个模型在其余情况下表现出色。偏差校正过程将线性回归和分位数映射确定为案例研究盆地最合适的方法。此外，该研究还评估了上游水域对河流预算的影响。该研究强调了大型模型在跨界水文学中的重要性，它在全球范围内对其在任何河流盆地中的适用性提出了一种方法论方法，并强调了产出在国际水域合作管理中的有用性。
超声心动图对收缩功能的辅助解释
临床决策需要抽象的客观精确和可靠的超声心动图评估（LVEF）。最近，已经开发了人工智能（AI）模型来准确估计LVEF。这项研究的目的是评估AI模型是否可以估算LVEF的专家读取并降低1级读取器的机构间变异性，其中AI-LVEF在超声心动图屏幕上显示。方法是由1级超声心动图技能（解释图像的最低能力水平）的五位心脏病学家进行的，这项前瞻性超声心动图研究。协议1：测量48个病例的视觉LVEF，而无需从AI-LVEF输入。协议2：再次向所有读者展示了48个情况，其中包含AI-LVEF数据。为了评估有或没有AI-LVEF的一致性和准确性，将每个视觉LVEF测量与五位专家读者的平均估计值进行了比较。结果在AI-LVEF和参考LVEF（r = 0.90，p <0.001）之间发现了良好的相关性。对于分类LVEF，心力衰竭的曲线下面积为0.95，而保留的EF为0.96，心力衰竭减少了EF。对于精确度，使用Ai-LVEF将SD从6.1±2.3降低至2.5±0.9（p <0.001）。对于精度，用AI-LVEF将根平方误差从7.5±3.1提高到5.6±3.2（p = 0.004）。结论AI可以为来自不同机构的1级读者的超声心动图上的收缩功能解释。
用原始特征重新思考知识蒸馏
用于半分割的大多数现有知识蒸馏方法着重于从原始特征中提取各种复杂知识。但是，这种知识通常是手动设计的，并且像传统功能工程一样依赖于先前的知识。在本文中，我们旨在提出一种使用RAW功能的简单有效的功能蒸馏方法。为此，我们重新审视了功能蒸馏中的开创性工作，Fitnets可以将平方误差（MSE）损失（MSE）损失最小化。我们的实验表明，在某些情况下，这种幼稚的方法可以产生良好的结果，甚至超过了一些精心设计的方法。但是，它需要仔细调整蒸馏损失的重量。通过将fitnets的损失函数分解为差异项和角度差项，我们发现角度差异项的重量受教师特征和学生特征的幅度的影响。我们通过实验表明，角度差异项在特征蒸馏中起着至关重要的作用，而不同模型产生的特征的大小可能会有很大变化。因此，很难确定各种模型的适合减肥体重。为了避免角度蒸馏术语的重量受到特征的影响，我们提出了角度蒸馏，并探索沿不同效率尺寸的蒸馏角度信息，以进行语义分割。广泛的例子表明，我们的简单方法对超级参数表现出极大的效果，并实现了语义细分的最先进的蒸馏性能。
基于混乱理论和细胞自动机的使用的使用
通过公共渠道交换大量信息已成为日常发生，这种情况在可能发生网络攻击的情况下会产生巨大的风险，并激发学术和科学界制定新的强大安全计划。该研究的目的是使用数学和人工智能工具来提出新的安全计划。下面介绍了用于文本的加密货币算法的设计和实现。所采用的方法包括使用细胞自动机检测载体图像的边缘，利用颜色对比度的多样性以及Tinkerbell混沌吸引子生成两个伪随机序列：一种用于加密方案，而另一个用于选择载体图像的边缘像素图像的边缘像素图像隐藏。此外，还包括一个验证阶段，其中接收器提供了一个代码以确认未更改stegoimage。使用Diffie-Hellman算法在发件人和接收方之间共享系统密钥。对所提出的算法进行了一系列地理和加密性能测试，包括熵分析，均方根误差（MSE），相关系数，关键敏感性，峰值信号 - 噪声比（PSNR），归一化的根平方误差（NRMSE）以及结构相似性指数（SSI）。将PSNR，MSE和SSI测试的结果与科学基准进行了比较，揭示了与信息安全标准保持一致的指标。最后，由于学术练习的结果，对加密货币算法进行了整合，其指标使其可能适用于现实世界中的环境。
使用机器学习的股票市场预测
M.SC数据科学，计算机科学，孟买大学摘要股票市场预测一直是财务分析师和机器学习从业人员的重大兴趣和研究的主题。本摘要概述了股票市场预测领域中的关键方面和方法。金融市场的不可预测和动态性质为准确的预测带来了挑战。但是，机器学习技术的进步，大规模财务数据的可用性以及计算能力使计算促进了复杂预测模型的发展。在这项工作中，我们研究了各种机器学习算法的应用，包括回归，时间序列模型和支持向量机，以预测股票价格。该研究重点是数据预处理，功能工程和模型评估，以提高预测准确性。使用多样化的数据集评估指标，例如平方误差（MSE），均方根误差（RMSE）和平均绝对百分比误差（MAPE）来衡量模型性能。在承认金融市场的固有不确定性时，这项研究有助于就投资和金融中的数据驱动决策进行更广泛的对话。这项研究的结果提供了对股价预测中机器学习技术的优势和局限性的见解。关键字：机器学习1，线性回归2，投资策略3，金融市场4。1。其固有的波动性和复杂性促使人们追求准确的预测方法来破译其运动。引言股市作为一个动态而复杂的金融生态系统，引起了几代投资者，分析师和研究人员的关注。寻求有效的股票市场预测不仅是一项学术练习；它对财务决策，风险管理和对市场动态的广泛理解具有深远的影响。
基于高斯混合模型和K值选择算法的机器人臂的新型轨迹学习方法
在机器人臂轨迹模仿学习领域，高斯混合模型被广泛用于捕获复杂轨迹特征的能力。但是，利用这些模型的一个主要挑战在于初始化过程，尤其是在确定高斯核的数量或K值时。K-Value的选择显着影响模型的性能，而传统方法（例如基于经验知识的随机选择或选择）通常会导致次优结果。为了应对这一挑战，本文提出了一种用于机器人臂的新型轨迹学习方法，该方法将高斯混合模型与K值选择算法相结合。所提出的方法利用肘法的原理以及指数函数，校正项和权重调整的特性，以确定最佳的K值。接下来，使用最佳的K值应用K-均值聚类来初始化高斯混合模型的参数，然后通过预期最大化算法进行完善和训练。然后将所得的模型参数eTers用于高斯混合物回归中，以生成机器人的臂轨迹。通过使用二维理论非线性动态系统和使用实际机器人臂数据的物理实验的模拟实验来验证所提出方法的有效性。这些结果表明，所提出的方法显着提高了机器人臂轨迹产生的准确性和效率，从而为改善机器人操纵任务提供了有希望的解决方案。实验结果表明，COM占据传统的高斯混合模型方法，所提出的方法将轨迹精度提高了15％以上，如降低平均绝对误差和根平方误差所示。