XiaoMi-AI文件搜索系统
World File Search System朴素
使用机器学习和物联网预测心脏病......
如今，社会上各个年龄层的心脏病发病率都在上升。因此，有必要建立机器学习系统，以便能够在早期发现和预防心脏病的迹象。还必须有一个方便且同时值得信赖的机制。因此，我们建议创建一个应用程序，可以根据年龄、性别、心电图、心率、胸痛、胆固醇、血压、血糖等基本症状预测心脏病的可能性。该方法将使用使用机器学习算法训练的各种模型，例如支持向量机、朴素贝叶斯分类器和决策树。将测量和区分该方法的准确性，以选择用于评估心脏病的最佳模型。在线医疗保健的最新进展可用于物联网和传感应用。在医疗领域，物联网设备和云计算技术用于管理大量数据。
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。
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。
使用机器学习和...进行空中交通管制
空中交通管制 (ATC) 对人类健康很重要，因为飞行事故经常发生在空中，并导致死亡。空中交通可以通过预测航空系统的参数来控制或避免。本文提出了机器学习 (ML) 和人工智能 (AI) 方法来预测和控制空中交通。所提出的机器学习和人工智能方法是根据空中交通数据集预测空中交通。空中交通可以通过不同的统计方法进行预测，例如逻辑回归 (LR)、决策树 (DT) 和朴素贝叶斯。由于基于准确性和时间的空中交通预测，这些算法的性能较差。这些算法在预测方面存在巨大差异，例如准确度水平和速度。为了解决上述问题，将空中交通数据输入到预先训练的模型中以预测空中交通。与其他统计算法相比，所提出的机器学习和人工智能方法具有高精度预测。与传统方法相比，机器学习和人工智能方法的准确率高达约 96%。
脑电刺激和持续行为状态跟踪在行走人类中的应用
我们收集了 4 名患有药物抵抗性癫痫且植入了研究性 Medtronic Summit RC+S™ 的患者的动态 iEEG 记录，以研究新型刺激模式并追踪长期行为状态动态。患者在同时进行双侧海马 (HPC) iEEG 记录时接受了治疗性 ANT DBS。我们评估了在三天同时进行的 iEEG 和多导睡眠图 (PSG) 期间，使用专家睡眠注释，在不同 ANT 刺激频率 (2 Hz、7 Hz、高频 >100 Hz) [2,30–34] 下自动行为状态分类的可行性和准确性。使用朴素贝叶斯分类器 [35,36] 将 iEEG 信号分类为清醒、快速眼动 (REM) 和非 REM（非 REM：N2 和 N3）。随后，我们在 6 个月内将训练好的分类器部署在 4 名门诊患者身上。
放射治疗和肿瘤学
目标：本研究旨在探索多中心数据异质性对深度学习脑转移瘤 (BM) 自动分割性能的影响，并评估增量迁移学习技术，即不遗忘学习 (LWF)，在不共享原始数据的情况下提高模型通用性的有效性。材料和方法：使用了来自埃尔朗根大学医院 (UKER)、苏黎世大学医院 (USZ)、斯坦福大学、加州大学旧金山分校、纽约大学 (NYU) 和 BraTS Challenge 2023 的总共六个 BM 数据集。首先，分别针对单中心专项训练和混合多中心训练建立 DeepMedic 网络的 BM 自动分割性能。随后评估了隐私保护双边协作，其中将预训练模型共享到另一个中心以使用迁移学习 (TL) 进行进一步训练（带或不带 LWF）。结果：对于单中心训练，在各自的单中心测试数据上，BM 检测的平均 F1 分数范围从 0.625（NYU）到 0.876（UKER）。混合多中心训练显著提高了斯坦福大学和纽约大学的 F1 分数，而其他中心的提高可以忽略不计。当将 UKER 预训练模型应用于 USZ 时，在组合 UKER 和 USZ 测试数据上，LWF 获得的平均 F1 分数 (0.839) 高于朴素 TL (0.570) 和单中心训练 (0.688)。朴素 TL 提高了灵敏度和轮廓绘制精度，但损害了精度。相反，LWF 表现出值得称赞的灵敏度、精度和轮廓绘制精度。当应用于斯坦福大学时，观察到了类似的性能。结论：数据异质性（例如，不同中心的转移密度、空间分布和图像空间分辨率的变化）导致 BM 自动分割的性能不同，对模型的通用性提出了挑战。LWF 是一种很有前途的点对点隐私保护模型训练方法。
用于深度学习脑转移瘤自动分割的多中心隐私保护模型训练
目标：本研究旨在探索多中心数据异质性对深度学习脑转移瘤 (BM) 自动分割性能的影响，并评估增量迁移学习技术，即学习而不遗忘 (LWF)，在不共享原始数据的情况下提高模型通用性的有效性。材料和方法：使用了来自埃尔朗根大学医院 (UKER)、苏黎世大学医院 (USZ)、斯坦福大学、加州大学旧金山分校、纽约大学 (NYU) 和 BraTS Challenge 2023 的总共六个 BM 数据集。首先，分别针对单中心专项训练和混合多中心训练建立 DeepMedic 网络的 BM 自动分割性能。随后评估了隐私保护双边合作，其中将预训练模型共享到另一个中心以使用迁移学习 (TL) 进行进一步训练（带或不带 LWF）。结果：对于单中心训练，在相应的单中心测试数据上，BM 检测的平均 F1 分数范围为 0.625（NYU）至 0.876（UKER）。混合多中心训练显著提高了斯坦福大学和纽约大学的 F1 分数，而其他中心的改善可以忽略不计。当将 UKER 预训练模型应用于 USZ 时，在组合 UKER 和 USZ 测试数据上，LWF 获得的平均 F1 分数 (0.839) 高于朴素 TL (0.570) 和单中心训练 (0.688)。朴素 TL 提高了灵敏度和勾勒准确度，但损害了精度。相反，LWF 表现出令人称赞的灵敏度、精度和勾勒准确度。当应用于斯坦福大学时，观察到了类似的表现。结论：数据异质性（例如，不同中心的转移密度、空间分布和图像空间分辨率的变化）导致 BM 自动分割的性能不同，对模型的通用性构成挑战。LWF 是一种很有前途的点对点隐私保护模型训练方法。
基于傅里叶的替代模型中的窗口补偿...
摘要 — 本文展示了如何在每次相位随机化之后添加第二步窗口来降低基于傅里叶的替代分析中的错误拒绝率。窗口技术减少了傅里叶级数中周期性扩展数据序列边界处的不连续性。然而，它们增加了时间域非平稳性，从而影响替代分析。这种影响对于短低通信号尤其成问题。将相同的窗口应用于替代数据允许具有相同的非平稳性。该方法通过蒙特卡罗模拟在 1 阶自回归过程零假设上进行测试。以前的方法无法同时对左侧和右侧测试产生良好的性能，对双边测试更是如此。结果表明，新方法对于单侧测试和双边测试都是保守的。为了证明所提出的窗口方法在现实环境中是有用的，在这篇扩展论文中，它被应用于 EEG 诊断问题。数据集包含 15 名受试者的 EEG 测量数据，这些受试者分为三组：注意力缺陷障碍主要为多动冲动型 (ADHD)、注意力缺陷障碍主要为注意力不集中型 (ADD)；焦虑症和注意力脆弱型 (ANX)。统计和机器学习 (朴素贝叶斯) 方法均被考虑。平均短窗口 SA (MSWSA) 被用作信号特征，并研究了其相对于窗口系统的性能。主要发现是：(i) MSWSA 特征对于 ADD 的变异性小于对于 ADHD 或 ANX 的变异性，(ii) 所提出的窗口方法降低了 SA 特征的偏差和非正态性，(iii) 使用所提出的方法和朴素贝叶斯分类器，通过留一交叉验证将 ADD 与 ADHD 和 ANX 区分开来的成功率为 93%，以及 (iv) 如果没有所提出的窗口系统，新特征不可能产生有趣的结果。
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。
炼金术与人工智能 - DTIC
数学思维（几何精神）和感知思维（精细精神）之间的区别：数学家不具备感知能力的原因是他们看不到眼前的事物，而且，他们习惯于精确而朴素的数学原理，只有在很好地检查和安排好原理后才进行推理，他们就会迷失在感知问题中，而原理并不允许这样安排……这些原理如此精细，数量如此之多，以至于需要非常敏锐和清晰的感觉才能感知它们，并在感知到它们时做出正确和公正的判断，而大多数情况下他们无法像在数学中那样按顺序证明它们；因为我们对原理的了解方式不同，而且进行这项工作将是一个无休止的过程。我们必须立即、一眼就看清事物，而不是通过推理的过程，至少在一定程度上是这样……数学家希望用数学来处理感知问题，结果却让自己显得可笑……心灵