XiaoMi-AI文件搜索系统
World File Search System活动识别
通过深度学习实现开放世界脑电图解码：一项综合调查
脑电图 (EEG) 解码旨在根据非侵入式测量的大脑活动识别神经处理的感知、语义和认知内容。传统的 EEG 解码方法在应用于静态、控制良好的实验室环境中获取的数据时取得了一定的成功。然而，开放世界环境是一个更现实的设定，其中影响 EEG 记录的情况可能会意外出现，从而大大削弱现有方法的稳健性。近年来，深度学习 (DL) 因其卓越的特征提取能力而成为此类问题的潜在解决方案。它克服了定义“手工制作”特征或使用浅层架构提取的特征的局限性，但通常需要大量昂贵的、专家标记的数据——而这些数据并不总是能够获得。将 DL 与领域特定知识相结合，可以开发出即使使用小样本数据也能解码大脑活动的稳健方法。尽管已经提出了各种 DL 方法来应对 EEG 解码中的一些挑战，但目前缺乏系统的教程概述，特别是针对开放世界应用的教程概述。因此，本文对开放世界 EEG 解码的 DL 方法进行了全面概述，并确定了有希望的研究方向，以启发未来在现实世界应用中对 EEG 解码的研究。
计算情报部B.Tech ...
课程目标1。为计算机视觉引入图像处理技术的各种组成部分。2。了解过滤器和计算图像梯度。3。了解细分，模型拟合和跟踪4。传授有关对象注册和对象匹配的知识5。实施可用于对象识别的各种技术。单元I图像形成：几何摄像头模型，内在和外部参数，几何相机校准 - 线性和非线性接近，线性接近，光和阴影 - 推理，对建模间反射，人类颜色感知。单元-II早期视觉：线性过滤器 - 卷积，傅立叶变换，采样和混叠，作为模板的过滤器，相关性，本地图像特征 - 计算图像梯度，基于梯度的边缘检测器，方向，方向，纹理 - 本地纹理形式使用滤镜，形状。UNIT-III MID-LEVEL VISION: Segmentation by Clustering - Basic Clustering Methods, The Watershed Algorithm, Segmentation Using K-means, Grouping and Model Fitting - Fitting Lines with the Hough Transform, Fitting Curved Structures, Tracking - Tracking by Detection, Tracking Translations by Matching, Tracking Linear Dynamical Models with Kalman Filters.单元IV高级视觉：注册，注册刚性和可变形的物体，光滑的表面及其轮廓 - 轮廓几何，Koenderink定理，bitangent射线歧管，使用解释树和旋转图像，分类，错误，错误和损失的对象匹配。教科书：单位V对象检测和识别：图像中检测对象 - 滑动窗口方法，面部检测，检测人，边界和可变形对象，对象识别 - 分类，选择，应用程序，应用程序 - 跟踪人员，活动识别。
公共启用云的深度学习框架...
gwalior，国会议员摘要：在本评论文章中研究了将深度学习方法纳入公共安全视频调查系统，并特别注意其改善实时监视和预防犯罪的转型能力。随着机器学习和计算机视觉的快速发展，包括卷积神经网络在内的深度学习模型以及经常性的神经网络（RNN）表明，在自动化视频监视任务（包括查找对象，活动识别和异常检测）的自动化能力方面表现出惊人的能力。这些模型对公共安全行动非常有用，因为它们可以使人群管理，可疑行为的识别以及盗窃或殴打等特定的行动。在研究这些系统的技术架构时，本文强调了零件边缘计算和云计算的效果，以允许可扩展性和实时数据处理。Edge Computing提供局部处理以降低延迟并增加响应时间，但基于云的解决方案保证了大量视频信息的完美集成和存储。此外，该研究解决了在公共安全中应用深度学习的困难，包括隐私问题，数据安全，道德问题以及法律的必要性。尽管存在这些困难，但该研究强调了这些技术如何帮助增强安全操作，降低人为错误并提高运营效率。未来的研究方向（例如改善模型的鲁棒性，结合多模式数据源，创建更符合道德和透明的人工智能系统）也来自审查。最后，本文提供了公共安全视频调查系统中深度学习的当前情况和未来可能性的详细概述，从而阐明了他们改变公共安全现场的能力。关键字：深度学习，公共安全，视频监视，异常检测，云计算
锚定偏差影响可解释 AI 系统中的心理模型形成和用户依赖
可解释人工智能 (XAI) 方法用于为机器学习和人工智能模型带来透明度，从而改善最终用户的决策过程。虽然这些方法旨在提高人类的理解力和心理模型，但认知偏见仍然会以系统设计者无法预料的方式影响用户的心理模型和决策。本文介绍了智能系统中由于排序效应而导致的认知偏见的研究。我们进行了一项受控用户研究，以了解观察系统弱点和优势的顺序如何影响用户的心理模型、任务绩效和对智能系统的依赖，并研究解释在解决这种偏见中的作用。使用烹饪领域的可解释视频活动识别工具，我们要求参与者验证是否遵循了一组厨房政策，每项政策都侧重于弱点或优势。我们控制了策略的顺序和解释的存在来检验我们的假设。我们的主要发现表明，那些早期观察到系统优势的人更容易受到自动化偏见的影响，并且由于对系统的第一印象是积极的，所以犯了更多错误，同时他们建立了更准确的系统能力心理模型。另一方面，那些较早发现弱点的人犯的错误明显较少，因为他们倾向于更多地依赖自己，同时他们也低估了模型能力，因为他们对模型的第一印象更为负面。我们的工作提出了强有力的发现，旨在让智能系统设计师在设计此类工具时意识到这种偏见。
通过逃避噬菌体抗性机制来改善噬菌体疗法
可穿戴传感器提供了巨大的机会，可以识别各种应用的活动和感兴趣的事件。但是，当前系统的主要局限性是，在系统配置的任何更改中，需要对经过特定传感器进行训练的机器学习算法，例如添加新的传感器。在本文中，我们的目标是为新传感器训练Ma-Chine学习算法，以识别现有传感器可检测的活动和观察结果。我们创建了一种域适应方法，可以将训练算法从已知的可穿戴传感器扩展到新传感器，从而消除了对机器学习算法进行手动培训的需求。具体来说，我们提出的方法消除了在新传感器上捕获取代量的数据的必要性。我们提出了用于人类活动识别的随机特征的概念，并设计了深神网络的新结构，以近似特征的后验分布。此近似通过使用新传感器的有限的未标记数据来对齐新传感器的特征空间，以便可以将先前定义的分类器与新传感器一起使用。实验结果表明，与基于确定性特征的典型卷积神经网络相比，（ii）我们的框架优于最先进的域适应算法，与典型的卷积神经网络相比，与典型的卷积神经网络相比，（i）随机特征对加性噪声更强大。与训练新传感器的模型相比，使用有限的未标记培训数据训练新的传感器时，它也可以提高10％。
OMAD：针对物质和非物质用户的设备上心理异常检测
摘要 —COVID-19 期间的居家令有助于拉平曲线，但具有讽刺意味的是，它却引发了物质使用障碍患者的心理健康问题。使用现成的消费级可穿戴设备（如智能手表）测量大脑中的电活动信号并将其实时映射到潜在的情绪、行为和情绪变化，在假设心理健康异常方面发挥着重要作用。在这项工作中，我们建议实现一种可穿戴的设备心理异常检测 (OMAD) 系统，以检测导致心理健康问题的异常行为和活动，并帮助临床医生设计有效的干预策略。我们提出了一种基于脑电图 (EEG) 信号的内在伪影去除模型，以更好地关联细粒度的行为变化。我们在伪影去除和活动识别（主要）模块上设计了模型压缩技术。我们在卷积神经网络和多层感知器上实现了基于幅度的权重剪枝技术，以在 Nvidia Jetson Nano 上使用推理阶段；可穿戴设备中最受资源限制的设备之一。我们尝试了三种不同的特征提取和伪影去除方法组合。我们使用对照组和治疗组（酒精组）的 EEG 数据，针对不同的物体识别任务，评估了 OMAD 在未剪枝和压缩模型的准确度、F1 分数、内存使用率和运行时间方面的性能。我们的伪影去除模型和主要活动检测模型分别实现了约 ≈ 93% 和 90% 的准确度，模型大小（70%）和推理时间（31%）显著减少。索引术语 — 物质使用障碍、精神异常检测、EEG 伪影、权重剪枝、资源受限设备。
医疗互联网中的异常检测...
物联网 (IoT) 成为医疗设备领域最新进展中最流行的术语。IoT 流程和结构中的医疗保健数据在健康和技术方面非常敏感和关键。异常值检测方法被视为任何 IoT 系统的主要工具或阶段，主要分为统计和概率、聚类和基于分类的异常值检测。最近，模糊逻辑 (FL) 系统与其他基于 ML 的工具一起用于集成和级联系统以增强异常值检测性能，但其局限性涉及异常值的错误检测。在本文中，我们提出了一个模糊逻辑系统，该系统使用局部异常值因子 (LOF)、基于连通性的异常值因子 (COF) 和广义 LOF 的每个点的异常分数来消除将点分类为异常值或正常值的混淆。关于人类活动识别 (HAR) 数据集，FL 实现了 98.2% 的值。与 LOF、COF 和 GLOF 各自的性能相比，准确率略有提高，但精确度和召回率的提高表明正确分类的数据有所增加，并且真实数据和异常数据均未被错误分类。结果表明，精确度和召回率的提高表明正确分类的数据有所增加。因此，可以确认，输入分数的模糊逻辑在减轻异常数据错误检测方面达到了预期目标。通过比较本研究中提出的模糊逻辑集合和不同类型的局部密度分数，模糊逻辑的结果提供了一种新方法来阐述或融合相同目的的不同工具以提高检测性能
分析机器学习算法在中风检测中的性能
Trailokya Raj Ojha* 尼泊尔工程学院计算机科学与工程系助理教授，44800 巴克塔普尔，尼泊尔 电子邮件：trailikyaro@nec.edu.np ORCID iD：https://orcid.org/0000-0001-7554-1731 *通讯作者 Ashish Kumar Jha 尼泊尔工程学院计算机科学与工程系助理教授，44800 巴克塔普尔，尼泊尔 电子邮件：ashishkj@nec.edu.np ORCID iD：https://orcid.org/0000-0003-4530-1942 收到日期：2022 年 9 月 20 日；修订日期：2022 年 10 月 26 日；接受日期：2022 年 11 月 25 日；出版日期：2023 年 4 月 8 日 摘要：脑中风是一种脑供血不足导致细胞死亡的疾病。由于缺乏血液供应，脑细胞死亡，大脑不同部位出现残疾。近年来，中风已成为死亡和残疾的主要原因之一。对受影响个体的调查显示，有几种风险因素被认为是导致中风的原因。考虑到这些风险因素，已经进行了许多研究工作来对中风进行分类和预测。在这项研究中，我们应用了五种机器学习算法来根据个人的病史和身体活动识别和分类中风。考虑了不同的生理因素，并将其应用于机器学习算法，如朴素贝叶斯、AdaBoost、决策表、k-NN 和随机森林。决策表算法在根据应用数据集中的不同生理因素预测中风方面表现最佳，准确率为 82.1%。机器学习算法可以帮助更好地根据个人的病史和身体活动进行临床中风预测。索引词：脑卒中、机器学习、数据分析、预测
生物工程中的人工智能
我们很高兴介绍本期特刊，《生物工程中的人工智能：医学机器人技术，成像和个性化疗法》的开创性进步，在人工智能（AI）和生物工程交叉的相交中的开拓性研究集合。此问题强调了医学机器人技术，成像技术和个性化治疗学的变革性进步，这些进步正在塑造医疗保健的未来。AI驱动的创新正在推进精确医学，并实现了新颖的诊断和治疗方法。例如，谢赫（Sheikh）和吉尔万卡（Jirvankar）的研究[1]探讨了AI在纳米颗粒设计中的应用，以进行精确肿瘤学，并为癌症治疗的新领域提供了新的领域。同样，Hamad，Khoshnaw和Shahzad [2]的研究采用了弹性和敏感性技术来对HIV感染性疾病进行建模，从而强调了AI在复杂疾病建模中的实用性。在计算生物学领域，Sridhar [3]将分叉分析与最佳控制策略相结合，以解决分子网络，证明了AI应用的跨学科性质。此外，Camacho Carlos等人说明了医学机器人技术的进步。[4]，他开发了一种用于人类活动识别的2D CNN-LSTM方法，展示了在医疗康复和机器人技术中的顺序图像处理的力量。总而言之，这些贡献体现了本期特刊的核心主题，从创新计算策略到在个性化医学和道德考虑中应用AI。此外，此外，Hajare，Rewatkar和Reddy的研究进一步说明了AI在增强诊断能力方面的作用[5]，该研究提出了一个可解释的AI（XAI）框架，用于早期预测急性冠状动脉综合征的早期预测，从而取消了基于AI的诊断术中透视和解释能力的重要性。我们作者的合作不仅解决了当前的挑战，而且还解决了生物工程发展的未来进步的道路。
通过...进行时间序列的自监督对比预训练
时间序列的预训练提出了一个独特的挑战，因为预训练和目标域之间可能存在不匹配，例如时间动态的变化、快速演变的趋势以及长期和短期周期效应，这可能会导致下游性能不佳。虽然领域自适应方法可以缓解这些变化，但大多数方法都需要直接来自目标域的示例，这使得它们对于预训练来说不是最优的。为了应对这一挑战，方法需要适应具有不同时间动态的目标域，并且能够在预训练期间无需看到任何目标示例即可做到这一点。相对于其他模态，在时间序列中，我们期望同一示例的基于时间和基于频率的表示在时频空间中位置靠近。为此，我们假设时频一致性 (TF-C)——将示例的基于时间的邻域嵌入到靠近其基于频率的邻域——对于预训练是可取的。受 TF-C 启发，我们定义了一个可分解的预训练模型，其中自监督信号由时间和频率分量之间的距离提供，每个分量都通过对比估计单独训练。我们在八个数据集上评估了新方法，包括电诊断测试、人体活动识别、机械故障检测和身体状态监测。针对八种最先进方法的实验表明，TF-C 在一对一设置（例如，在 EMG 数据上微调 EEG 预训练模型）中平均比基线高出 15.4%（F1 分数），在具有挑战性的一对多设置（例如，对 EEG 预训练模型进行微调以进行手势识别或机械故障预测）中高出 8.4%（精度），反映了现实世界应用中出现的场景广度。源代码和数据集可在https://github.com/mims-harvard/TFC-pretraining获得。