XiaoMi-AI文件搜索系统
World File Search System最近邻
石墨烯量子点中激光诱导高阶波混频和谐波产生
我们介绍了在石墨烯量子点 (GQD) 中通过强双频圆形激光场得出的高阶波混频/谐波产生 (HWM/HHG) 与多体相互作用过程的数值研究结果。展示了这种激光场的相对相位对 GQD 中产生的高阶谐波光谱的影响。这可能允许控制产生的谐波的极化。GQD 由最近邻紧束缚 (TB) 模型描述。在扩展的 Hubbard 近似中考虑多粒子相互作用。我们使用我们已经应用的方法求解带电载流子的现场表示中的量子动力学方程，并获得了 GQD 中高阶波混频/谐波产生过程的通用公式。由于光波点系统的对称性匹配，HWM/HHG 产量的显着提高发生在具有特定群对称性的 GQD 中。对所得结果的分析证实了在双频圆形激光场的某些相位下，具有锯齿状边缘的三角形和六边形GQDs中的HWM/HHG具有足够的效率。
利用人工智能辅助医疗决策预测 COVID-19 患者死亡风险
摘要 — 在 SARS-CoV-2 病毒引起的 COVID-19 疾病爆发后，我们设计并开发了一个基于人工智能 (AI) 和机器学习算法的预测模型，以确定健康风险并预测 COVID-19 患者的死亡风险。在这项研究中，我们使用了全球 117,000 名经实验室确诊的 COVID-19 患者的记录数据。本研究提出了一种 AI 模型，帮助医院和医疗机构决定谁需要首先得到关注，谁有更高的住院优先级，在系统过度拥挤时对患者进行分类，并消除提供必要护理的延误。结果表明，预测死亡率的总体准确率为 93%。我们使用了多种机器学习算法，包括支持向量机 (SVM)、人工神经网络、随机森林、决策树、逻辑回归和 K-最近邻 (KNN) 来预测 COVID-19 患者的死亡率。在这项研究中，还确定了最令人担忧的症状和特征。最后，我们使用了单独的 COVID-19 患者数据集来评估我们开发的模型的准确性，并使用混淆矩阵对我们的分类器进行深入分析并计算我们模型的敏感性和特异性。
基于多图融合的脑功能连接分析
本文提出了一种功能连接网络 (FCN) 分析框架，用于对静息态功能磁共振成像 (rs-fMRI) 数据进行脑部疾病诊断，旨在减少噪声、受试者间差异和受试者间异质性的影响。为此，我们提出的框架研究了一种多图融合方法来探索两个 FCN，即全连接 FCN 和 1 最近邻 (1NN) FCN 之间的共同信息和互补信息，而之前的方法仅侧重于从单个 FCN 进行 FCN 分析。具体而言，我们的框架首先进行图融合以生成具有高判别能力的 rs-fMRI 数据表示，然后使用 L1SVM 联合进行脑部区域选择和疾病诊断。我们进一步评估了所提框架在各种神经疾病数据集上的有效性，例如额颞叶痴呆症 (FTD)、强迫症 (OCD) 和阿尔茨海默病 (AD)。实验结果表明，与最先进的 FCN 分析方法相比，所提框架通过为分类任务选择合理的大脑区域实现了最佳诊断性能。
活化过程的变分量子特征解法
摘要 随机过程理论影响着物理和社会科学。在分子尺度上，由于热波动，随机动力学无处不在。福克-普朗克-斯莫鲁霍夫斯基方程模拟了扩散区域中选定自由度的概率密度随时间的变化，因此它是物理化学中的主力。在本文中，我们报告了变分量子特征值求解器的开发和实现，以解决福克-普朗克-斯莫鲁霍夫斯基特征值问题。我们表明，这种通常用于解决量子化学问题的算法可以有效地应用于经典系统，为量子计算机的新应用铺平了道路。我们计算了具有最近邻相互作用的线性转子链中的构象转变速率。我们提供了一种在量子计算机上对链的给定构象的概率分布进行编码的方法，并评估了其在操作方面的可扩展性。对小链的噪声量子模拟器和量子设备（IBMQ Santiago）进行了性能分析，结果显示无需进一步添加任何错误缓解技术，与经典基准结果一致。
基于脑电信号的情绪识别中时间窗长度的研究
摘要 本研究旨在利用机器学习技术和便携式无线传感设备 EPOC+，对情绪识别中使用不同长度的时间窗口 (TW) 进行比较分析。本研究以个体在情绪刺激过程中提取的脑电信号数据集为基础，以熵为特征，评估不同分类器模型在不同 TW 长度下的性能。进行了两种类型的分析：被试间和被试内。在五种监督分类器模型中比较了准确率、曲线下面积和 Cohen's Kappa 系数等性能指标：K最近邻 (KNN)、支持向量机 (SVM)、逻辑回归 (LR)、随机森林 (RF) 和决策树 (DT)。结果表明，在两种分析中，所有五种模型在 2 至 15 秒的 TW 中均表现出较高的性能，其中 10 秒 TW 在被试间分析中尤为突出，5 秒 TW 在被试内分析中尤为突出；此外，不建议使用超过20秒的TW。这些结果为研究情绪时EEG信号分析中选择TW提供了有价值的指导。
脑电图通道选择的空间选择优化
摘要 脑电图（EEG）是一种由多个通道组成，用于记录一定时间段内的脑电波活动的工具。脑电图可用于诊断癫痫。可以通过对EEG信号进行通道选择优化来分析EEG癫痫通道，即使用空间选择（SS）和粒子群优化（PSO）方法。在这个最终项目中，我们创建了一个系统来选择癫痫脑电图通道并优化这些通道。在进行渠道选择与优化之前，首先利用K最近邻（K-NN）对输入到渠道选择与优化系统的数据进行分类，得到最佳的K值。本次癫痫脑电信号通道选择采用空间选择方法，优化过程采用粒子群优化方法。从空间选择的结果中获得通道，然后可以使用 PSO 对其进行优化，以获得最优的活动通道并提高这些通道的准确性。测试结果表明,使用5个数据集,通道选择后脑电通道优化准确率最高可达100%。每个数据集包含 6 个训练数据（3 个婴儿和 3 个青少年）和 4 个测试数据（2 个婴儿和 2 个青少年）。获取的通道数也由原来的23个通道减少为最优的7个活跃通道。关键词：EEG、癫痫、K-NN、空间选择、PSO。摘要 脑电图（EEG）是一种由多个通道组成的、用于记录一定时间段内脑电波活动的工具。脑电图可用于诊断癫痫。可以通过使用空间选择 (SS) 和粒子群优化 (PSO) 方法优化 EEG 信号上的通道选择来分析癫痫 EEG 通道。在这个最终项目中，我们创建了一个系统来选择癫痫脑电图通道并优化这些通道。在选择和优化渠道之前，使用K最近邻（K-NN）进行分类，从作为渠道选择和优化系统输入的数据中获取最佳K值。癫痫脑电通道选择采用空间选择方法，优化过程采用粒子群优化方法。从空间选择的结果中，我们得到了通道，然后可以使用 PSO 进行优化，以获得最优的活动通道并提高这些通道的准确性。测试结果表明,使用5个数据集,通道选择后脑电通道优化准确率最高可达100%。每个数据集包含 6 个训练数据（3 个婴儿和 3 个青少年）和 4 个测试数据（2 个婴儿和 2 个青少年）。获得的通道数也由原来的23个通道减少为最优的7个活跃通道。关键词：EEG、癫痫、K-NN、空间选择、PSO。 1. 简介
人工智能辅助疾病预测
人工智能（AI）是一种在经过编程以模仿人类行为的机器中模拟和扩展人类智能的新技术[1,2]。人工智能主要包括机器学习（ML）、机器人、图像识别、语言识别、神经网络（NN）、自然语言处理和专家系统[3]。人工智能的基本内容包括研究知识表示、机器感知、机器思维、机器行为和机器学习。其中，机器学习是人工智能的核心。机器学习主要研究如何使计算机获得类似于人的学习能力，使其能够通过学习自动获取知识[4]。目前，机器学习的常见算法包括：决策树[5]、朴素贝叶斯分类器（NBC）[6]、支持向量机算法（SVM）[7]、随机森林、多元线性回归（MLR）、人工神经网络（ANN）算法、boosting和bagging算法、逻辑回归（LR）、k最近邻（KNN）。图1显示了人工智能、机器学习和医学的领域和关系。机器学习的学习机制是模拟人类获取知识和技能的能力。ANN是一种信息处理工具，由多个感知器以一定的方式连接起来[8, 9]。与人脑中的神经元类似，神经元堆叠并连接
使用人工智能管理和识别糖尿病并发症
“智能”是人类在动物界中领先地位的各种能力的结合，剑桥词典将其定义为“学习、理解和做出判断或基于理性发表意见的能力”[1]。赋予计算机智能的新目标开辟了“人工智能（AI）”的新领域，1977 年，博登恰当地将其定义为“使计算机能够完成人类需要智能才能完成的事情的能力”[2]。人工智能方法和技术包括基于案例的推理、机器学习和深度学习[人工神经网络（ANN）、支持向量机、朴素贝叶斯、决策树、随机森林、分类和回归树以及 k 最近邻]、进化计算和混合智能系统以及模糊逻辑（FL），这些方法和技术在过去几十年中被应用于医学和健康领域。这些方法有助于疾病诊断和分类，并协助医疗保健专业人员完成需要处理数据和知识的任务[3, 4]。配备改进的摄像头和生物识别技术的智能手机以及具有更快计算能力的健身可穿戴设备的使用为健康行业开辟了新领域。2017 年的一项调查显示，68% 的移动健康应用开发者认为
基于物联网的糖尿病诊断 ANFIS 框架
物联网 (IoT) 在医疗保健领域的日益融合正在彻底改变患者监测和疾病预测。本文介绍了一种基于机器学习 (ML) 的框架，使用自适应神经模糊推理系统 (ANFIS) 来预测糖尿病。该系统利用 IoT 数据来监测关键健康参数，包括血糖水平、血压和年龄，为糖尿病患者提供实时诊断。本研究中使用的数据集来自 UCI 存储库，并使用 ANFIS 模型进行预处理、特征选择和分类。与其他机器学习算法（如支持向量机 (SVM)、朴素贝叶斯和 K 最近邻 (KNN)）的比较分析表明，所提出的方法具有出色的预测性能。实验结果表明，ANFIS 模型的准确率达到 95.5%，优于传统模型，并在临床环境中提供更可靠的决策。这项研究强调了物联网与机器学习相结合在改善预测性医疗保健应用方面的潜力，并强调了实时患者监测系统的需求。关键词
使用 XGBOOST 进行基于机器学习的临床疾病预测
1,2 印度拉杰果德马尔瓦迪大学 摘要：科学技术对医疗行业的巨大影响导致了大量数据的收集。由于数据的大量积累，医生发现在早期识别或预测患者是否患有疾病变得更加复杂。幸运的是，监督机器学习算法的进步在收集数据的处理中展示了巨大的影响，并帮助医务人员快速准确地预测高风险疾病的早期存在。这不仅有助于预防疾病的传播，还可以节省患者可能产生的巨额医疗费用。本文旨在评估疾病检测中的多种监督机器学习模型，并通过性能基准对其进行分析。主要讨论的监督学习算法是 K-最近邻 (KNN)、决策树 (DT)、朴素贝叶斯 (NB)、随机森林、XGBoost、CNN、DNN。XGBoost 在预测心脏病和糖尿病方面表现出色。 XGBoost 预测糖尿病和心脏病的精度，卷积神经网络 (CNN) 预测脑肿瘤的精度。