XiaoMi-AI文件搜索系统
World File Search System最近邻
介子-氟耦合系统中的信息和退相干......
量子系统的幺正演化保持了其相干性，但系统与其环境之间的相互作用会导致退相干，即系统中存储的量子信息被降解的过程。植入氟化物晶体的自旋极化正电荷介子实现了这种相干量子系统，介子和最近邻氟核自旋的纠缠导致介子极化的振荡时间依赖性，可以检测和测量。在这里，我们表明，更远的核自旋的退相干效应可以定量建模，从而可以非常详细地描述将介子-氟“系统”与其“环境”耦合的退相干过程，并使我们能够在量子信息降解时跟踪系统熵。这些结果显示了如何精确量化植入氟化物晶体中量子纠缠态的介子的自旋弛豫。
人工智能在智能医疗中的应用...
帕金森病与大脑记忆力减退、焦虑和抑郁有关。除了姿势受损和僵硬的症状外，还可以观察到平衡能力差和行走困难等问题。致力于使计算机能够自主学习而无需明确编程的领域被称为机器学习。本文讨论了一种基于人工智能的帕金森病诊断方法。该系统的输入是通过帕金森病患者笔迹的照片样本提供的。使用浮雕特征选项对收到的照片进行预处理以开始该过程。这有助于选择用于识别帕金森病的特征。之后，采用线性判别分析 (LDA) 算法来降低维度，从而降低输入数据中存在的总维度数。然后分别通过径向基函数支持向量机 (SVM-RBF)、k-最近邻 (KNN) 和朴素贝叶斯算法对照片进行分类。
使用机器学习预测心血管疾病
摘要 —心血管疾病 (CVD) 是全球主要死亡原因之一。早期诊断和干预对于降低与这些疾病相关的风险至关重要。在本研究中，我们提出了一种基于机器学习的系统，使用极端梯度提升 (XGBoost) 技术预测心血管疾病。我们采用随机搜索的特征选择和超参数优化来提高模型的准确性。通过交叉验证评估模型的性能，并与其他算法进行比较，包括 K 最近邻 (KNN)、朴素贝叶斯、支持向量机 (SVM) 和随机森林。实验结果表明，我们基于 XGBoost 的模型优于其他算法，准确率为 98%，ROC 曲线下面积为 0.98。索引词 —心血管疾病、机器学习、XG-Boost、特征选择、超参数调整、随机搜索、交叉验证、预测模型、算法比较。
基于机器学习的脑机接口任务识别有效性分析
摘要：本研究旨在比较脑电图 (EEG) 信号特征提取方法在脑活动分类有效性方面的效果。为了进行分类，使用 EEG 设备从 17 位受试者的三种心理状态（放松、兴奋和解决逻辑任务）中获取脑电图信号。对获取的信号进行采用独立成分分析 (ICA) 的盲源分离。使用 Welch 方法、自回归建模和离散小波变换进行特征提取。执行主成分分析 (PCA) 以降低特征向量的维数。使用 k-最近邻 (kNN)、支持向量机 (SVM) 和神经网络 (NN) 进行分类。展示了精度、召回率、F1 分数以及基于统计分析的讨论。本文还包含用于预处理和实验主要部分的代码。
基于机器学习的脑机接口任务识别有效性分析
摘要：本研究旨在比较脑电图 (EEG) 信号特征提取方法在脑活动分类有效性方面的效果。为了进行分类，使用 EEG 设备从 17 位受试者的三种心理状态（放松、兴奋和解决逻辑任务）中获取脑电图信号。对获取的信号进行采用独立成分分析 (ICA) 的盲源分离。使用 Welch 方法、自回归建模和离散小波变换进行特征提取。执行主成分分析 (PCA) 以降低特征向量的维数。使用 k-最近邻 (kNN)、支持向量机 (SVM) 和神经网络 (NN) 进行分类。展示了精度、召回率、F1 分数以及基于统计分析的讨论。本文还包含用于预处理和实验主要部分的代码。
基于 P 波、HRV 和 QR 电交替特征的阵发性心房颤动检测方法
阵发性心房颤动 (PAF) 的检测是一个相当复杂的过程，由心脏病专家或电生理学家通过读取心电图 (ECG) 手动执行。目前，已经提出了基于快速傅里叶变换 (FFT)、贝叶斯最优分类器 (BOC)、K 最近邻 (K-NN) 和人工神经网络 (ANN) 的自动检测计算技术。在本研究中，基于 P 波、QRS 复合波和心电图心率变异性 (HRV) 的形态获得了六个特征。使用来自 Physionet 心律失常数据库 MIT-BIH 的临床心电图信号验证了该方法的性能。前馈神经网络用于检测 PAF 的存在，总体准确率达到 97.4%。结果表明，与仅使用其中一个或最多两个信息的其他研究相比，加入 P 波、HRV 和 QR 电交替的信息可以提高识别 PAF 事件的准确性。
人工智能教育文本分类 - 个人机器人组
我们希望确保学生彻底理解文本分类的所有步骤。为此，我们强调了 (1) 词向量、(2) K-最近邻 (KNN) 算法和 (3) 分类偏差的概念。然后，学生在 (4) 编程活动和最终项目中展示了他们的理解。1.词向量：向学生介绍了如何用词向量以数字形式表示单词的概念。我们通过示例创建了包含单词“公主”的词向量，并确定其向量中与“皇室”、“男性气质”、“女性气质”和“年龄”相对应的数字应该高还是低。2.KNN 算法：为了更好地理解 KNN 算法，学生使用在二维图上绘制的单词的视觉效果 [ 4 ]。他们了解了 K 参数的选择如何影响算法的输出。3.分类偏差：为了说明分类偏差，学生使用词语类比网站来绘制诸如“护士”、“医生”等工作，
食品包装和保质期
使用 k-最近邻 (KNN) 算法对由鱼明胶与棕榈油、丁香和牛至精油混合制成的可生物降解包装进行分类和选择。所有增强薄膜都具有很强的抗吸引力，特别是丁香精油样品，其值为 53.18 MPa。此外，棕榈油和精油的添加增加了包装的弹性和厚度。这些包装具有抗氧化和抗菌性能，牛至精油薄膜和棕榈油薄膜的金黄色葡萄球菌抑菌区分别为 11.73 和 11.23 毫米。事实证明，KNN 对包装的分类和选择非常有效。结果表明，丁香精油包装具有最高的抗氧化活性、拉伸强度和伸长率。棕榈油因其抗菌活性、抗氧化性能、丰富性和低成本而成为可生物降解薄膜应用的有趣替代品。由添加植物油的鱼明胶制成的包装是食品应用的一种很有前途的替代品。
基于脑电图的多任务相关心理负荷识别
Lipo Wang 新加坡南洋理工大学电气与电子工程学院 ELPWang@ntu.edu.sg 摘要 — 心理负荷可以通过脑电图 (EEG) 识别，并可用于评估用户执行不同任务时的心理努力。在这项工作中，我们设计并实施了一项与无任务、视觉任务、听觉任务和多任务表现相关的心理负荷识别实验。使用同步容量 SIMKAP 测试在 12 名受试者中诱发与多任务相关的不同程度的心理负荷。使用 Emotiv 设备收集 EEG 数据，使用功率、统计、分形维数 (FD) 特征与支持向量机 (SVM) 和 k-最近邻 (k-NN) 分类器进行处理和分析。当使用统计和 FD 特征组合时，使用 SVM 对 2 个类的最佳准确率为 90.39%，对 4 个类的最佳准确率为 80.09%。所提出的算法可以应用于心理负荷监测。
使用机器学习技术预测心脏病的有效模型——一项比较研究
摘要：心血管疾病是现代世界最重要的死亡原因之一，而对临床信息评估的重大障碍可能是对心血管疾病的预期。机器学习 (ML) 已被证明有助于在医疗行业的大量数据中进行预测和决策。此外，ML 算法已应用于物联网等许多重要领域。在本文中，我们应用了各种 ML 方法来预测和分类心脏病患者的疾病，包括 K-最近邻算法 (KNN)、朴素贝叶斯 (NB)、神经网络 (NN)、决策树 (DT)、支持向量机 (SVM)、随机森林 (RF)、逻辑回归 (LR)、梯度提升 GB)、随机梯度下降 (SGD) 和 Ada-Boost。对所有模型进行了评估，并选择了最准确的预测模型以提高心脏病发作预测的准确性。与其他模型相比，我们的结果高效、充分，可以帮助更有效、更准确地预测心脏病。