XiaoMi-AI文件搜索系统
World File Search System特征提取
研究文章 FDCNet：用于肿瘤检测和分类的模糊 CNN 和分形特征提取的介绍
使用磁共振成像检测脑肿瘤是目前人工智能和医学工程面临的最大挑战之一。尽早发现这些脑肿瘤非常重要，因为它们可能会长大直至死亡。脑肿瘤可分为良性和恶性。创建一个智能医疗诊断系统来根据 MRI 成像诊断脑肿瘤是医学工程的重要组成部分，因为它可以帮助医生尽早发现脑肿瘤并监督整个康复过程中的治疗。在本研究中，提出了一种诊断良性和恶性脑肿瘤的综合方法。所提出的方法包括四个部分：图像增强以降低噪声并统一图像大小、对比度和亮度，基于形态学算子的图像分割，特征提取操作（包括基于分形模型的尺寸减小和特征选择），以及最终根据模糊深度卷积神经网络的分割和最佳类别的选择来改进特征。实验结果中使用 BraTS 数据集作为磁共振成像数据。还将一系列评估标准与以前的方法进行了比较，其中所提出的方法的准确率为 98.68%，具有显著的效果。
在单元格的监督分类中优化特征提取和分类器的组合xhoena polisi duro 1,2*，arban uka 2，
在细胞的监督分类中优化特征提取和分类器的组合组合Xhoena polisi duro 1,2*，Arban UKA 2，Griselda alushllari 2，Albana Ndreu Halili 3，Dimitrios A. Karras A. Karras A. Karras 2，Nihal Engin vrana vrana 4 1 Informatics obs s. noli oblia，“ fan nori”，koria，koria，koria，korica，korica，korica，korka，korka，“ korcua”。 xpolisi@epoka.edu.al（X.P.D.）。2埃波卡大学计算机工程系，阿尔巴尼亚蒂拉纳市； auka@epoka.edu.al（a.u.）galushllari@epoka.edu.al（G.A。）dkarras@epoka.edu.al（d.a.k.）3西巴尔干大学医学系，阿尔巴尼亚提拉娜； albana.halili@wbu.edu.al（a.n.h。） 4法国斯特拉斯堡的Spartha Medical； evrana@sparthamedical.eu（N.E.V.） 摘要：医学领域的发展已经开放了在个性化患者层面进行分析的机会。 可以进行的重要分析之一是对工程材料的细胞反应，最合适的非侵入性方法是成像。 这些细胞的图像是未染色的Brightfield图像，因为在存在生物材料和流体的情况下，它们是从多参数微流体室获取的，这些室可能会随着时间的流逝而改变光路的长度，因为细胞的健康状态被监测。 这些实验条件导致具有独特照明，纹理和噪声频谱的图像数据集。 本研究通过将特征提取体系结构和机器学习分类器结合起来，探讨了监督细胞分类的优化，并重点介绍了生物材料风险评估中的应用。 1。 简介3西巴尔干大学医学系，阿尔巴尼亚提拉娜； albana.halili@wbu.edu.al（a.n.h。）4法国斯特拉斯堡的Spartha Medical； evrana@sparthamedical.eu（N.E.V.）摘要：医学领域的发展已经开放了在个性化患者层面进行分析的机会。可以进行的重要分析之一是对工程材料的细胞反应，最合适的非侵入性方法是成像。这些细胞的图像是未染色的Brightfield图像，因为在存在生物材料和流体的情况下，它们是从多参数微流体室获取的，这些室可能会随着时间的流逝而改变光路的长度，因为细胞的健康状态被监测。这些实验条件导致具有独特照明，纹理和噪声频谱的图像数据集。本研究通过将特征提取体系结构和机器学习分类器结合起来，探讨了监督细胞分类的优化，并重点介绍了生物材料风险评估中的应用。1。简介分析了三种细胞类型（A549，BALB 3T3和THP1）的Brightfield显微镜图像，以评估Inception V3，Squeeze Net和VGG16架构与分类器与包括KNN，决策树，随机森林，Adaboost，Adaboost，Neural Networks和Natan bayes的分类器配对的影响的影响。使用信息增益降低维度，以提高计算效率和准确性。使用不同参数的Butterworth过滤器用于平衡图像特征和降噪的增强，从而在某些情况下提高了分类性能。实验结果表明，与神经网络配对时，VGG16体系结构可实现通过不同指标衡量的更高分类精度。与未经过滤的数据集相比，使用Butterworth过滤器时的精度提高了，并且各种Butterworth滤波器之间的差异表明了优化这些类型图像的过滤器参数的重要性。关键字：生物材料风险评估，细胞图像分类，分类器，特征提取，个性化医学，监督分类。
手部运动多层极限学习机...
脑机接口 (BCI) 技术通过脑电图 (EEG) 将人与机器连接起来。BCI 的机制是模式识别，通过特征提取和分类进行。各种特征提取和分类方法可以区分人类的运动，尤其是手部运动。这些方法的组合可以大大提高结果的准确性。本文探讨了多层极限学习机 (ML-ELM) 计算的九种特征提取类型的性能。在不同数量的 EEG 通道和不同的 ML-ELM 结构上测试了所提出的方法。此外，在离线模式下对真实和虚构的手部运动进行分类时，将 ML-ELM 的性能与 ELM、支持向量机和朴素贝叶斯的性能进行了比较。以离散小波变换 (DWT) 作为特征提取的 ML-ELM 优于其他分类方法，最高准确率为 0.98。因此，作者还发现结构影响 ML-ELM 对不同任务、使用的特征提取和使用的通道的准确性。
使用EEG
摘要：使用脑电图的情绪识别已被广泛研究，以应对与情感计算相关的挑战。在EEG信号上使用手动特征提取方法会导致学习模型的最佳性能。通过深度学习的进步作为自动化功能工程的工具，在这项工作中，已经提出了手动和自动特征提取方法的混合体。不同大脑区域中的不对称性在2D载体中被捕获，称为ASMAP，从EEG信号的差分熵特征中捕获。这些ASMAP随后用于使用卷积神经网络模型自动提取特征。已将所提出的特征提取方法与差分熵和其他特征提取方法（例如相对不对称，差异不对称和差异尾巴）进行了比较。使用SJTU情绪EEG数据集和DEAP数据集进行了基于类数量的不同分类问题的DEAP数据集进行实验。获得的结果表明，提出的特征提取方法会导致更高的分类精度，从而优于其他特征提取方法。使用SJTU情感EEG数据集，在三级分类问题上达到了97.10％的最高分类精度。此外，这项工作还评估了窗口大小对分类精度的影响。
基于卷积网络的运动想象脑电自制数据集分类算法研究
同时，它将卷积神经网络与传统方法相结合，以基于短时傅立叶变换和连续小波变形的特征提取方法提出特征提取方法。卷积神经网络分类算法使用特征提取算法来提取时间频率特征来制作时间频率图，并使用卷积网络来快速学习分类的功能。测试结果表明，该算法在运动图像脑电图公共数据集中的精度为96％，而自制数据集的精度率约为92％，这证明了算法在运动成像EEG分类中的可行性。
基于CSP的新功能以及针对运动图像EEG分类
摘要：常见的空间模式（CSP）是基于运动图像的大脑计算机接口（BCI）中一种非常有效的特征提取方法，但其性能取决于最佳频段的选择。尽管已经提出了许多研究工作来改善CSP，但其中大多数工作都有大量计算成本和长期提取时间的问题。在本文中提出了基于CSP的三种新功能提取方法，并在本文中提出了一种基于非convex日志正规化的新功能选择方法。首先，EEG信号在空间上被CSP滤过，然后提出了三种新的特征提取方法。我们分别将它们称为CSP小波，CSP-WPD和CSP-FB。用于CSP小波和CSP-WPD，离散小波变换（DWT）或小波数据包分解（WPD）用于分解空间滤波的信号，然后将波浪系数的能量和标准偏差作为特征提取为特征。对于CSP-FB，通过过滤器库（FB）将空间过滤的信号滤光到多个频段中，然后将每个频段的方差的对数提取为特征。其次，提出了一种使用非convex log函数正规的稀疏优化方法，为我们称为log的特征选择，并给出了对数的优化算法。最后，集合学习用于辅助特征选择和分类模型构建。梳理特征提取和特征选择方法，总共获得了三种新的EEG解码方法，即CSP-Wavelet + Log，CSP-WPD + LOG和CSP-FB + LOG。使用四个公共运动图像数据集来验证所提出方法的性能。与现有方法相比，所提出的方法的最高平均分类精度分别为88.86、83.40、81.53和80.83，分别为1-4。CSP-FB的特征提取时间最短。实验结果表明，所提出的方法可以有效地提高分类精度并减少特征提取时间。全面考虑了分类精度和特征提取时间，CSP-FB +日志具有最佳性能，可用于实时BCI系统。
基于局部均值分解和 Fisher 规则的多尺度模糊熵用于人体运动分析中的脑电特征提取
脑电信号（EEG）是由大量神经元产生的非线性、非平稳、随机的微弱信号，在人工智能、生物医学工程等领域具有重要的研究价值和实际意义，而脑电特征提取是直接影响处理结果的重要步骤，目前常用的脑电特征提取方法有频域或时域分析、时频结合等方法。由于脑电信号的非线性，上述方法都存在一定的局限性。因此，该文提出一种基于局部均值分解和Fisher规则的多尺度模糊熵用于人体运动分析中的脑电特征提取。首先将脑电信号自适应地分解为一系列乘积函数（PF）分量，然后选取有效的PF分量并计算多尺度模糊熵，利用多尺度模糊熵进行特征提取。利用Fisher规则对模糊熵在不同尺度上的特征分类能力进行排序，选取排序最高的多尺度模糊熵构成最优特征向量，实现特征降维。实验结果表明，该方法能有效提取脑电信号特征，验证了新方法的有效性和可行性。
纤维弯曲感应的结构化轻型机器学习
摘要：当光与复杂介质相互作用（例如较少或多模式光纤）相互作用时，发生的复杂的光学失真通常是随机的，并且是通信和传感系统的错误源。我们提出使用轨道角动量（OAM）特征提取来减轻相位噪声，并允许使用联合偶联作为纤维传感的有效工具。OAM特征提取是通过被动的全光OAM消除来实现的，我们以94.1％的精度演示了纤维弯曲跟踪。相反，当使用经过卷积的神经网络进行培训的纤维输出强度测量训练时，确定相同的弯曲位置仅获得了14％的精度。此外，与基于强度图像的测量值相比，OAM特征提取的训练信息减少了120倍。这项工作表明结构化的轻型机器学习可以在各种未来的传感技术中使用。
使用优化的量子神经网络对脑电图信号进行分类
近年来，机器学习的算法被用于脑信号识别，作为诊断阿尔茨海默氏病和癫痫等疾病的有用技术。在本文中，脑电图（EEG）信号在标准化这些信号后使用优化的量子神经网络（QNN）进行分类。将小波变换（WT）和独立组件分析（ICA）用于特征提取。这些算法用于降低数据的尺寸，这是对优化QNN的输入，目的是在特征提取过程后执行分类过程。这项研究使用了优化的QNN，一种馈电神经网络（FFNN）的形式，以识别脑电图信号。使用粒子群优化（PSO）算法来优化量子神经网络，从而改善了系统性能的训练过程。优化的QNN为我们提供了更快，更现实的结果。根据模拟结果，ICA的总分类为82.4％，而WT的总分类为78.43％；从这些结果中，使用ICA进行特征提取比使用WT更好。