XiaoMi-AI文件搜索系统
World File Search System最近邻
机器学习和深度学习在心脏病检测中的应用
为了协助医生进行护理，人们开发并引入了患者决策支持系统。通常，它们通过医疗数据处理和具有临床经验的一定程度的知识来发挥作用。这些框架的改进将提高医疗诊断决策的效率，医疗保健系统通常被视为“信息丰富”但“知识贫乏”。在医疗保健领域，有各种各样的证据可用。然而，为了揭示结果中的秘密关联和模式，缺乏适当的研究方法。在商业和科学领域，已经确定了多种应用来提取知识机器学习和深度学习。在医疗保健领域使用机器学习和深度学习方法可以识别有用的知识。在本研究中，我们彻底研究了基于分类的机器学习和深度学习技术（如 SVM、逻辑回归、K-最近邻、极端梯度提升、随机森林决策树、朴素贝叶斯、人工神经网络和 CNN）对大量医疗保健数据的潜在用途。
SCNTA：- IGI 全球
随着高速网络的不断扩展，实时网络检测应用面临着漏洞威胁。对于公司和 ISP 来说，实时流量分类是一个问题。分类器监视器由三个模块组成：数据包捕获 (CoP) 和预处理、流量协调 (RoF) 和机器学习 (ML) 分类。基于并行处理以及明确定义的数据接口，模块被构建，允许每个模块单独修改和升级。流量协调 (RoF) 机制成为此管道中的输出瓶颈。在此实现中，使用了最佳协调过程，平均交付时间为 0.62 秒。为了验证该方法，作者在分类模块中将 AdaBoost 集成学习算法 (ABELA)、朴素贝叶斯 (NB)、决策树 (DT)、K 最近邻 (KNN) 和灵活朴素贝叶斯 (FNB) 的结果等同起来。本文介绍了运行时CSNTA分类（基于流）方案的架构设计。
实时人工智能预测胸痛急诊室患者的主要不良心脏事件
背景：大数据驱动和人工智能 (AI) 与机器学习 (ML) 方法从未与医院信息系统 (HIS) 集成，用于预测急诊科 (ED) 胸痛患者的主要不良心脏事件 (MACE)。因此，我们进行了本研究以阐明这一点。方法：2009 年至 2018 年期间，共确定了三家医院 85,254 名患有胸痛的 ED 患者。我们将患者随机分为 70%/30% 的组别，以进行 ML 模型训练和测试。我们使用来自他们电子健康记录的 14 个临床变量，使用合成少数过采样技术预处理算法构建随机森林模型，以预测 1 个月内的急性心肌梗死 (AMI) 和 1 个月内的全因死亡率。还对随机森林、逻辑回归、支持向量聚类 (SVC) 和 K 最近邻 (KNN) 模型的预测准确度进行了比较。
影像组学结合机器学习方法鉴别脑泡型包虫病与脑转移瘤
方法对51例患者（其中室管膜瘤24例、髓母细胞瘤27例）的增强T1WI图像进行分析，提取了188个特征，包括直方图、形状特征和纹理特征。然后使用单变量分析、单变量分析筛选和多变量逻辑回归选择了66个特征。他们建立了四种机器学习模型——随机森林、支持向量机、自适应增强、K最近邻。当使用多元逻辑回归选择的特征进行随机森林时，获得了最高的AUC值（AUC = 0.91）。影像组学和机器学习方法的组合可以很好地区分儿童室管膜瘤和髓母细胞瘤，从而为医生的临床实践提供帮助。在我们的研究中，KNN分类器的AUC分别为0.97、0.94，准确率为0.86和
XX 自旋‑1/2 中的纠缠和量子关联......
在横向磁场 (TF) 存在下，二聚化自旋 1/2 XX 蜂窝模型的基态相图是已知的。在没有磁场的情况下，已经鉴定出两个量子相，即 Néel 相和二聚相。此外，通过施加磁场还会出现倾斜 Néel 相和顺磁 (PM) 相。在本文中，我们利用两种强大的数值精确技术，Lanczos 精确对角化和密度矩阵重正化群 (DMRG) 方法，通过关注最近邻自旋之间的量子关联、并发和量子不和谐 (QD) 来研究该模型。我们表明，量子关联可以捕捉基态相图整个范围内量子临界点的位置，这与以前的结果一致。虽然并发和 QD 是短程的，但它们对长程临界关联具有重要意义。此外，我们还讨论了从饱和场周围的纠缠场开始的“磁纠缠”行为。
基于机器学习的库欣病内镜鼻内入路治疗结果预测：未来即将到来？
缩写 ACTH = 促肾上腺皮质激素；AUC = 曲线下面积；CD = 库欣病；CS = 海绵窦；DI = 尿崩症；EEA = 内镜经鼻入路；GBM = 梯度增强机；GLM = 广义线性模型；GTR = 大体肿瘤切除术；IPSS = 下岩窦取样；KNN = k-最近邻；ML = 机器学习；NPV = 阴性预测值；PAS = 过碘酸希夫；PPV = 阳性预测值；RF = 随机森林；ROC = 受试者工作特征；SF-1 = 类固醇生成因子-1；SVM = 支持向量机。随附编者按 DOI：10.3171/2020.3.FOCUS20213。提交于 2020 年 1 月 31 日。接受于 2020 年 3 月 4 日。引用时请包含 DOI：10.3171/2020.3.FOCUS2060。 * MZ 和 VES 对这项工作的贡献相同，并共同为第一作者。
利用人工智能算法混合模型精准检测乳腺癌转移
方法 在本研究中，我们使用了威斯康星乳腺癌数据集 [(https://archive.ics.uci.edu/ml/datasets/Breast+Cancer+Wisconsin+(Diagnostic)] 中的数字化病理图像数据，其中包括 357 个良性和 212 个恶性 BC 样本。我们主要回顾了 2006-2019 年期间基于各种算法对从癌症组织收集的图像进行诊断和分类的报告。我们的审查表明，单独应用 ML 算法在疾病的检测和预测方面并不准确和成功。接下来，我们使用 7 种标准化且广泛使用的算法对我们的样本中的 BC 进行分类以进行比较。我们应用的前两种算法是使用基于核方法的密度估计概率的 K-最近邻 (KNN) 和用于模式提取的决策树 (DT)。我们的第三个算法是森林树 (FT)，我们使用了一组 FT 对癌症患者进行分类。我们向每个 FT 输入了一组数据，以便算法可以开始学习。对于预测，我们使用了一组新数据，以便 FT 可以预测结果。
人工智能应用于电池研究：炒作还是现实？
1.简介 B 1.1.什么是 AI？C 1.2.关于数据的重要性和良好实践 D 1.3.监督和非监督方法 E 1.4.超参数 E 1.5.最常用的机器学习方法 F 1.5.1.神经网络 F 1.5.2.决策树、随机森林、Boosting 和 Bagging 方法 G 1.5.3.支持向量机 G 1.5.4. k-最近邻 G 1.5.5.基于概率的方法 G 1.5.6.生成模型和逆向设计 H 1.6。编程语言和平台 I 1.7。大纲/范围 I 2。材料设计和合成的应用 J 2.1。材料发现 J 2.1.1。活性电极材料 K 2.1.2。固体电解质 M 2.1.3。液体电解质 N 2.2。材料的加速多尺度建模 O 2.3。实验规划、材料筛选和合成 Q 2.4。观点与挑战 R 3.应用于电极和电池制造 S
医疗 VR 训练模拟器中的评分和评估...
摘要 本研究提出并评估了虚拟现实 (VR) 训练模拟器的评分和评估方法。VR 模拟器可捕获详细的 n 维人体运动数据，这些数据可用于性能分析。开发了定制的医疗触觉 VR 训练模拟器，并用于记录来自 271 名具有多种临床经验水平的受训者的数据。提出了 DTW 多元原型 (DTW-MP)。VR 数据被分为新手、中级或专家。用于时间序列分类的算法的准确率为：动态时间规整 1-最近邻 (DTW-1NN) 60%，最近质心 SoftDTW 分类 77.5%，深度学习：ResNet 85%，FCN 75%，CNN 72.5% 和 MCDCNN 28.5%。专家 VR 数据记录可用于指导新手。评估反馈可以帮助受训者提高技能和一致性。动作分析可以识别个人使用的不同技术。可以实时动态检测错误，发出警报以防止受伤。
智能分析脑电信号以评估消费者决策：神经营销研究
摘要 — 神经营销是一个新兴领域，它将神经科学与营销相结合，以更好地了解影响消费者决策的因素。该研究提出了一种通过分析脑电图 (EEG) 信号来了解消费者对广告 (ads) 和产品的积极和消极反应的方法。这些信号是使用低成本单电极耳机从 18-22 岁志愿者那里记录下来的。采用朴素贝叶斯 (NB)、支持向量机 (SVM)、k 最近邻和决策树等机器学习方法以及提出的深度学习 (DL) 模型进行了详细的受试者相关 (SD) 和受试者独立 (SI) 分析。SVM 和 NB 对 SD 分析的准确度 (Acc.) 为 0.63。在 SI 分析中，SVM 在广告、产品和基于性别的分析中表现更好。此外，DL 模型的性能与 SVM 相当，尤其是在基于产品和广告的分析中。索引词 —BCI、EEG、神经营销、机器学习、深度学习