XiaoMi-AI文件搜索系统
World File Search System模式分类
自动识别特定局部皮质折叠模式
对局部皮质折叠模式的研究表明，其与精神疾病以及认知功能存在关联。尽管目前已有可视化 3D 皮质折叠的工具，但手动分类局部脑沟模式仍然是一项耗时且繁琐的任务。事实上，折叠的 3D 可视化有助于专家识别不同的脑沟模式，但折叠变异性非常高，以至于区分这些模式有时需要定义复杂的标准，这使得手动分类变得困难且不可靠。但是，评估这些模式对皮质功能组织的影响可能会受益于对大型数据库的研究，尤其是在研究罕见模式时。本文提出了几种自动分类折叠模式的算法，以便扩展和确认此类大型数据库上的形态学研究。提出了三种方法，第一种方法基于支持向量机 (SVM) 分类器，第二种方法基于非局部图像块估计器评分 (SNIPE) 方法，第三种方法基于 3D 卷积神经网络 (CNN)。这些方法足够通用，适用于各种折叠模式。它们在两种目前没有自动识别方法的模式上进行了测试：前扣带皮层 (ACC) 模式和电源按钮标志 (PBS)。这两种 ACC 模式几乎同样存在，而 PBS 在一般人群中是一种特别罕见的模式。提出的三种模型在 ACC 模式分类中实现了大约 80% 的平衡准确率，在 PBS 分类中实现了大约 60% 的平衡准确率。基于 CNN 的模型由于其执行速度快，更适合 ACC 模式分类。然而，基于 SVM 和 SNIPE 的模型在管理 PBS 识别等不平衡问题方面更有效。
使用多元EEG分析解码秘密空间注意的时间动态：原始振幅和α功率的贡献
可以在不需要眼动的而无需眼睛运动的情况下将注意力定向在空间中。我们使用多元模式分类分析（MVPA）来研究是否可以从EEG Alpha Power和原始活动痕迹中解码秘密空间注意的时间过程。从这些信号中解码注意力可以帮助确定原始的EEG信号和α功率是否反映了注意选择的相同或不同特征。使用经典的提示任务，我们证明了秘密空间注意力的方向可以通过两个信号来解码。但是，原始活动和α功率可能反映出空间注意力的不同特征，而α功率与空间中秘密注意力的方向和原始活动的方向相关，而对感知过程的关注感也影响。
结合人工智能的自动免疫荧光显微镜
间接免疫荧光 (IIF) 是一种重要的实验室诊断筛查方法，因为它具有高灵敏度和特异性以及广泛的抗原谱。然而，荧光模式的显微镜评估对实验室工作人员来说既耗时又具有挑战性。如今，许多实验室使用自动化系统来促进和标准化 IIF 的读数和解释。自动化显微镜系统能够快速数字采集免疫荧光图像，以及可靠的结果评估，包括区分阳性和阴性样本、关键自身抗体的模式分类和滴度指定。新的最先进系统结合了基于深度学习方法的人工智能 (AI)，用于对免疫荧光模式进行分类和计算抗体滴度。实时显微镜的出现，使评估完全在屏幕上进行，为 IIF 诊断提供了新的速度和便利性，以及显微镜和
生物医学信号处理BME 511-秋季2021
描述：这是一个生物医学的“数据科学”课程，涵盖了Sig Nal处理和随机方法在生物医学信号和系统中的应用。在整个课程中采用了一种“动手”方法（请参见“必需软件”部分）。虽然生物医学数据的方向是本课程的关键，但此处涵盖的工具和概念将提供许多在许多领域中使用的基础技能。主题包括：生物医学信号概述；傅立叶变换审查和过滤器设计，滤过滤波和抑制噪声的线性偏置视图（例如，频率过滤，回归，回归，噪声策略，PCA，ICA）；信号和图像的统计推断；估计理论应用于逆成像和系统识别；光谱，频谱图和小波分析；模式分类和诊断决策（机器学习方法和工作流）。
严重言语障碍的人工智能
摘要。本文旨在分析用于非标准语音识别的创新人工智能 (AI) 系统 (Voiceitt ® ) 如何彻底改变针对严重言语障碍人士的增强替代通信 (AAC) 技术。通过使用便携式设备的内置功能，基于 AI 的算法可以“理解”构音障碍语音并将其“翻译”为流畅的实时用户通信，这要归功于“语音捐赠者”结果系统。模式分类算法是为非标准语音识别定制的。基于 AI 的系统针对每个人独特的语言表达进行个性化设置，并在 AAC 效率方面迈出了真正的一步。早期的实证研究结果表明，模拟辅助工具在解决语音、语言和沟通需求 (SLCN) 方面存在局限性。最近，语音生成设备 (SGD) 已成功用于支持自闭症和构音障碍患者的交流。
AI 初创企业商业模式
摘要 我们目前观察到使用人工智能 (AI) 作为其商业模式一部分的初创企业迅速崛起。虽然最近的研究表明 AI 初创企业采用了新颖或不同的商业模式，但有人可能会认为 AI 技术已经在商业模式中使用了很长时间——质疑这些商业模式的新颖性。因此，本研究调查了 AI 初创企业商业模式与常见的 IT 相关商业模式的潜在区别。首先，从 100 家 AI 初创企业的样本中开发出 AI 初创企业的商业模式分类，并得出四种原型商业模式模式：AI 驱动的产品/服务提供商、AI 开发促进者、数据分析提供商和深度技术研究员。其次，基于这一描述性分析，讨论了人工智能初创企业商业模式的三个独特方面：（1）通过人工智能能力的新价值主张，（2）数据在价值创造中的不同作用，以及（3）人工智能技术对整体的影响
物理康复中的运动模式识别
摘要：本文提出了一种解决方案，以支持现有和未来的运动康复应用。所提出的方法结合了基于人机交互的运动疗法的优势以及智能决策系统的认知特性。通过这种解决方案，治疗可以完全适应患者和病情的需求，同时保持患者的成功感，从而激励他们。在我们现代数字时代，人机交互界面的发展与用户需求的增长同步。现有技术存在局限性，这可能会降低现代输入设备（如 Kinect 传感器或任何其他类似传感器）的有效性。本文介绍了多种新开发和改进的方法，旨在克服这些局限性。这些方法可以使运动模式识别完全适应用户的技能。主要目标是将该方法应用于运动康复，其中主管、治疗师可以通过基于距离矢量的手势识别（DVGR）、基于参考距离的同步/异步运动识别（RDSMR/RDAMR）和实时自适应运动模式分类（RAMPC）方法来个性化康复练习。
![arXiv:2110.04192v1 [cs.RO] 2021 年 10 月 8 日](/simg/g:\will\search\icon\source\0\09ac937e22f04d97f302e6094de523a048c15c44.webp)
arXiv:2110.04192v1 [cs.RO] 2021 年 10 月 8 日
描述代理奖励函数的可解释人工智能技术可以在各种环境中增强人机协作。人类对代理奖励函数的理解特别有益的一个环境是在价值一致环境中。在价值一致环境中，代理旨在通过交互推断人类的奖励函数，以便协助人类完成任务。如果人类能够理解代理在奖励理解方面存在差距，他们将能够更高效、更有效地进行教学，从而更快地提高人机团队的绩效。为了在价值一致环境和类似环境中支持人类合作者，首先需要了解不同奖励解释技术在各种领域的有效性。在本文中，我们介绍了奖励解释技术的信息模式分类，提出了一套用于人类奖励理解的评估技术，并介绍了领域复杂性的四个轴。然后，我们提出一项实验来研究涵盖一系列复杂程度各异的领域中的多种信息模式的广泛奖励解释技术的相对有效性。