XiaoMi-AI文件搜索系统
World File Search System特征提取
基于脑功能网络和样本熵的脑电信号特征提取
(1) 维数 一般取值 1 或 2 ，当 时，要求数据量 在数千点以上，但 过大不能保证序列具有相同 的性质； 一定时，若 ，需要较大才能取得 较好的效果，但是太大会丢失序列的许多细节信 息。 Pincus [ 14 ] 研究认为 比 效果好，可使 序列的联合概率进行动态重构时提供更详细的信 息。 (2) 用来衡量时间序列相似性的大小。如果 选得太小，估计出的统计概率会不理想；若选得 太大，会丢失时间序列中很多细节，达不到预期的 效果。 Pincus [ 14 ] 通过对确定性和随机过程的理论分 析及其对计算和临床应用的研究，总结出取值为 ( 为原始序列的标准差 ) 能得出有效 的统计特征。 (3) 表示输入数据点，一般取值为 100 ～ 5000 。因此根据上述原则，本文取 , 。根据实验研究发现当 时，不同 状态的脑电信号的样本熵并无太大差异；当 时，不同状态的脑电信号的熵值有明显差异。 因此 取值为 100 。即用长度为 100 点，间隔为 4 点 的滑动窗计算 EEG 在运动想象期 (2 ～ 6 s) 的样本 熵序列，然后求该序列的均值作为该 EEG 的样本 熵。 ERS/ERD 现象主要出现在 C3 和 C4 电极对应的 感觉运动区上，例如，右手运动想象时可观测到 C3 电极对应的感觉运动区 ERD 现象，左手运动想 象时可观测到 C4 电极对应的感觉运动区 ERD 现
基于神经网络的特征提取...
摘要 机器学习模型在准确性、计算/内存复杂度、训练时间和适应性等特性方面有所不同。例如，神经网络 (NN) 因其自动特征提取的质量而具有高精度而闻名，而受大脑启发的超维 (HD) 学习模型则以其快速训练、计算效率和适应性而闻名。这项工作提出了一种混合、协同机器学习模型，该模型在上述所有特性方面都表现出色，适用于芯片上的增量在线学习。所提出的模型包括一个 NN 和一个分类器。NN 充当特征提取器，经过专门训练，可以与采用 HD 计算框架的分类器配合良好。这项工作还提出了所述特征提取和分类组件的参数化硬件实现，同时引入了一个编译器，该编译器将任意 NN 和/或分类器映射到上述硬件。所提出的混合机器学习模型具有与 NN 相同的准确度（即 ± 1%），同时与 HD 学习模型相比，准确度至少提高了 10%。此外，与最先进的高性能 HD 学习实现相比，混合模型的端到端硬件实现可将功率效率提高 1.60 倍，同时将延迟时间缩短 2.13 倍。这些结果对于此类协同模型在具有挑战性的认知任务中的应用具有深远意义。
脑肿瘤检测和特征提取和
人体的中央控制单位是大脑。肿瘤未在早期诊断出来，然后会影响大脑意味着它会导致患者的死亡。磁共振图像（MRI）不会产生任何有害的辐射，并且是基于肿瘤等级的区域计算和分类的更好方法。如今，没有自动系统来检测和识别肿瘤的等级。 本文提出了脑肿瘤分类，该分类分为四个阶段，作为预处理，分割，降低和提取，分类。 分割脑肿瘤是肿瘤检测和分类的基本步骤之一。 中位过滤器用于消除k含量簇的噪声和组合，而大小的二进化用于分割脑肿瘤。 dwt（离散小波变换）和GLCM（灰度级别共发生矩阵）用于变换和空间特征提取和PCA（主要成分分析）可降低特征向量以维持脑MRI图像的分类准确性。 为了进行MRIS分类的性能，重要的功能已提交给KSVM（内核支持向量机）。拟议的系统将减少处理时间并可以实现更好的准确性。 所提出的方法已在Brats 2015数据集上进行了验证。如今，没有自动系统来检测和识别肿瘤的等级。本文提出了脑肿瘤分类，该分类分为四个阶段，作为预处理，分割，降低和提取，分类。分割脑肿瘤是肿瘤检测和分类的基本步骤之一。 中位过滤器用于消除k含量簇的噪声和组合，而大小的二进化用于分割脑肿瘤。 dwt（离散小波变换）和GLCM（灰度级别共发生矩阵）用于变换和空间特征提取和PCA（主要成分分析）可降低特征向量以维持脑MRI图像的分类准确性。 为了进行MRIS分类的性能，重要的功能已提交给KSVM（内核支持向量机）。拟议的系统将减少处理时间并可以实现更好的准确性。 所提出的方法已在Brats 2015数据集上进行了验证。分割脑肿瘤是肿瘤检测和分类的基本步骤之一。中位过滤器用于消除k含量簇的噪声和组合，而大小的二进化用于分割脑肿瘤。dwt（离散小波变换）和GLCM（灰度级别共发生矩阵）用于变换和空间特征提取和PCA（主要成分分析）可降低特征向量以维持脑MRI图像的分类准确性。为了进行MRIS分类的性能，重要的功能已提交给KSVM（内核支持向量机）。拟议的系统将减少处理时间并可以实现更好的准确性。所提出的方法已在Brats 2015数据集上进行了验证。
基于直方图特征提取和Canny边缘
阿尔茨海默病 (AD) 越来越影响老年人，是 65 岁以上人群的主要杀手。不同的深度学习方法用于自动诊断，但它们也存在一些局限性。深度学习是用于检测和分类医学图像的现代方法之一，因为深度学习能够自动提取图像的特征。然而，使用深度学习准确分类医学图像仍然存在局限性，因为提取医学图像的精细边缘有时被认为是困难的，并且图像中存在一些失真。因此，本研究旨在开发一种计算机辅助脑部诊断 (CABD) 系统，该系统可以判断脑部扫描是否显示出阿尔茨海默病的迹象。该系统采用 MRI 和特征提取方法对图像进行分类。本文采用阿尔茨海默病神经影像学计划 (ADNI) 数据集，包括用于阿尔茨海默病患者识别的功能性 MRI 和正电子版本断层扫描，这些扫描是为阿尔茨海默病患者和典型个体制作的。所提出的技术利用 MRI 脑部扫描来发现和分类特征，利用直方图特征提取 (HFE) 技术与 Canny 边缘相结合来表示卷积神经网络 (CNN) 分类的输入图像。此策略跟踪图像中梯度方向的实例。实验结果为 ADNI 图像分类提供了 97.7% 的准确率。
基于小波的特征提取及SVM分类
Pradesh) 摘要 本文探讨了使用小波变换技术在运动想象 (MI) 任务中对 EEG 信号进行特征提取和分类，重点关注事件相关去同步 (ERD) 和事件相关同步 (ERS) 现象。该研究强调了离散小波变换 (DWT) 相对于连续小波变换 (CWT) 的有效性，因为它在处理时间上更高效，并且能够紧凑地表示信号。根据能量压缩特性和捕获与 MI 相关的信号特征的能力对各种小波函数进行了评估，包括 Daubechies 和双正交小波。选择在近似带中表现出最高能量集中的小波进行进一步分析。使用这些选定的小波从 EEG 信号中提取特征，并使用统计和 (HoS) 度量（例如均值、方差、偏度和峰度）进行表征。然后使用这些特征来训练具有不同核函数的支持向量机 (SVM) 分类器。分类结果显示，小波 J db10 和 J bior6.8 的准确率最高，表明它们最适合 MI 任务中的 EEG 信号分析。研究结果表明，优化的小波特征提取与先进的机器学习技术相结合，具有提高脑机接口 (BCI) 系统分类性能的潜力。
纹理特征提取方法：调查
抽象的纹理分析用于非常广泛的场和应用，从纹理分类（例如，用于遥感）到分割（例如，在生物医学成像中），通过图像合成或模式识别（例如，用于图像inpainting）。对于这些图像处理过程中的每一个，首先，必须从原始图像中提取描述纹理属性的象征性特征。在过去的几十年中，已经提出了各种特征提取方法。每个人都有其优点和局限性：其中一些的性能不是通过翻译，旋转，affin和perspective变换来修改的；其他人的计算复杂性低；其他人再次容易实施；等等。本文对纹理特征提取方法进行了全面的调查。后者分为七个类：统计方法，结构方法，基于转换的方法，基于模型的方法，基于图形的方法，基于学习的方法和基于熵的方法。对于这七个类中的每种方法，我们介绍了概念，优势和缺点，并给出了应用程序的示例。这项调查使我们能够确定两类方法，特别是在将来值得关注的方法，因为它们的表现似乎很有趣，但是他们的详尽研究尚未进行。
通过正交小波分解特征提取
在过去十年中，对便携式电子设备的需求迅速增加，这促使电池生产的增长增长。自从1990年代开发作为商业能源储能解决方案以来，锂离子电池（LIB）由于其较长的周期寿命，高能量密度，低自我放电速率和高工作电压而引起了科学和工业的极大关注。生产LIB需要大量的聚合物粘合剂 - 通常是聚偏二氟乙烯（PVDF），以进行处理和性能。但是，由于该材料是石化衍生的，因此它远非“绿色”或可持续性。另一方面，聚合物及其构建块在整个自然界中被广泛发现，并且可以以低成本从生物量中获得。因此，用生物质衍生的粘合剂代替PVDF是减少LIB环境足迹的一种有前途的方法。此外，聚合物粘合剂在下一代电池性能中起着至关重要的作用。例如，硅（Si）是一种有前途的大容量阳极材料，因为它具有高理论能力（4200 mahg -1），工作势较低，并且在地壳中具有很高的丰度。但是，由于传统的粘合剂仅与硅的天然表面相互作用，并且无法维持电极的长期完整性，因此其在电荷/放电期间的巨大变化往往会导致循环寿命缩短。自然衍生的聚合物由于其高结构优势而在该角色上取得了更好的成功。在这篇综述中，我们总结了源自各种生物质源的硅阳极粘合剂的最新发展，重点是聚合物特性及其对电池性能的影响。我们根据自己对这些作品的评估提出了各种观点，并对该领域的未来前景进行了简要评论。
基于脑电图的特征提取方法：评论
摘要 - 简介：脑部计算机界面（BCI）是一种迅速发展的尖端技术，在该技术中，在人脑和计算机之间建立了通信途径。BCI也被称为直接神经接口，用户可以在该界面借助大脑信号来控制外部设备。神经信号通常使用脑电图（EEG）测量。目标：从EEG数据中提取特征在可穿戴的BCI计算场中扮演了一个可疑的作用。由于大量脑电图数据，主要的挑战是有效的特征提取并减轻了计算负担。本文的目的是审查有效和强大的BCI系统的这种不同特征提取技术。方法：我们回顾了基于EEG的BCI研究中采用的特征提取技术。我们综合了这些研究，以介绍分类法并与利弊报告其使用情况。显着性：本文对基于EEG的BCI具有及其特性的特征提取技术进行了全面的审查。此外，还讨论了公开挑战以在BCI研究中进一步发展。
通过遗传算法进行图像特征提取的研究。
从庞大且可能异构的影像数据集中提取感兴趣的特征是许多终端用户面临的一项关键任务。从大范围环境监测到太空商业勘探，再到现代制图，工人和研究人员可以使用在一系列光谱带中运行的高性能收集平台。随着新的分发技术和数据格式使这些数据的传播越来越便宜和容易，成功利用这些信息的瓶颈比以往任何时候都更多地取决于是否有合适的分析工具。开发这些工具是一项昂贵的业务，通常需要高技能分析师投入大量时间。国家和商业压力为开发用于传统数据格式（例如，光电影像、全色和/或可见/红外）的成熟工具提供了必要的动力，用于被认为重要的特定任务，但可能会出现新情况，现有工具可能是专有的或保密的。分析工具的通用性本身就是一个重要问题。成熟的工具经常表现出很强的专业化。此外，随着 LANDSAT 和 SPOT 等多光谱传感器平台的出现，分析师现在可以搜索光谱、空间以及可能的混合空间光谱特征，这需要开发全新的工具包。我们在遥感领域的工作促使我们寻求