XiaoMi-AI文件搜索系统
World File Search System特征提取
Telkomnika电信计算电子和控制
在此，使用离散小波变换（DWT）转换（DWT）转换（DWT）转换和灰度共同发生矩阵（GLCM）的特征提取和特征提取了使用磁性磁共振（MRI）Imagoma（MRI）GLI（MRI）GLI（MRI）（MRI）（MRI）（MRI）图像（LBP），使用了脑肿瘤分类方法（SVM）算法（DWT）变换（DWT）转换（DWT）转换和特征提取（LBP）。 （HGG）组。SVM算法用作分类方法已被广泛用于提高分类主题的研究。通过2个数据类之间的超平面形成，可以说SVM算法是一种可靠的方法，但不需要复杂的计算。DWT转换旨在提供MRI图像中更清晰的特征细节，因此当应用特征提取算法时，预计提取的特征在良性肿瘤MRI图像和恶性肿瘤MRI图像之间会有所不同。使用高低（HL）子带中的1级DWT中的DWT产生的最高特异性，灵敏度和准确性比使用LGG MRI图像中的HL或低高（LH）子频段使用3级水平。与另一项研究相比，我们提出的方法在准确性方面稍好一些，以实现98.6486％的精度对脑肿瘤图像进行分类。
静息态成人额颞叶痴呆与阿尔茨海默病脑电图特征提取鉴别技术的比较研究
摘要：早期阿尔茨海默病 (AD) 和额颞叶痴呆 (FTD) 具有相似的症状，这使其诊断和制定特定治疗策略变得复杂。我们的研究评估了多种特征提取技术，用于从脑电图 (EEG) 信号中识别 AD 和 FTD 生物标志物。我们开发了一种优化的机器学习架构，该架构集成了滑动窗口、特征提取和监督学习，以区分 AD 和 FTD 患者以及健康对照 (HC)。我们的模型具有 90% 的滑动窗口重叠度、SVD 熵用于特征提取和 K 最近邻 (KNN) 用于监督学习，在区分 AD 和 HC、FTD 和 HC 以及 AD 和 FTD 方面分别实现了 93% 和 91%、92.5% 和 93% 以及 91.5% 和 91% 的平均 F1 分数和准确率。特征重要性阵列是一种可解释的 AI 特征，它突出显示了有助于识别和区分 AD 和 FTD 生物标志物的脑叶。这项研究引入了一种使用 EEG 信号检测和区分 AD 和 FTD 的新框架，满足了对早期准确诊断的需求。此外，还记录了滑动窗口、多特征提取和机器学习方法对 AD/FTD 检测和区分的比较评估。
不同情绪状态下脑电信号的特征提取 1 ASHISH PANAT, 2 ANITA PATIL, 3 GAYATRI DESHMUKH 1 研究指导，Priyadarshini Co
摘要-本文旨在分析受试者在不同情绪状态下的真实生活（脑电图）EEG信号，并阐明情绪的影响如何反映在统计参数中。在适当的环境中捕获真实生活数据并进行处理。使用小波变换计算平均值、方差、标准差（STD）、偏度、功率、熵和均方根（RMS）值等统计特征。关键词-熵；功率；RMS值；小波变换。一、引言如今，由于人类生活方式的改变和忙碌的日程安排，会发生各种各样的后果，影响人类的整体健康以及心理健康和情绪稳定。各种情绪的发生反映在大脑各个点诱发的电位上。有多种技术可以观察大脑状态的变化，例如 CT 扫描 (计算机断层扫描)、脑磁图 (脑磁图)、磁共振成像 (磁共振成像)、功能磁共振成像 (功能磁共振成像) 和脑电图 (EEG)。每种技术都有自己的优点和局限性，因此也有各自的应用领域。脑电图是所有这些技术中最便宜的，但仍然可以提供更好的信息内容。脑电图是头皮上的电活动记录，可测量由大脑神经元内的离子电流流动引起的电压波动 [1]。对脑电图信号进行分类和降低数据维度对于降低时间复杂度和提高系统性能非常重要。有多种方法可以从脑电图信号中提取特征，但有效的特征选择是分析的关键因素。为了捕捉不同受试者的脑电图信号 (脑机接口)，脑机接口使用 3 个电极：双耳各 2 个电极，头皮上的“CZ”位置（即头部正中央）第 3 个电极。受试者处于合适的环境中，引发不同的情绪，如快乐、愤怒和悲伤，并在每种情绪状态下收集数据。这些数据被采样并用于提取各种特征。EEG 信号的分析可以了解各种情绪状态。因此，这种分析可用于分析不同的情绪问题。但是，当从 EEG 信号中提取的特征数量过多时，EEG 信号的分析会变得耗时且复杂。因此需要减少这些特征。
302049：人工智能与机器学习
单元 1 人工智能与机器学习简介 06 小时人工智能的历史、人工智能与数据科学的比较、机械工程中人工智能的需求、机器学习简介。基础知识：推理、问题解决、知识表示、规划、学习、感知、运动和操纵。人工智能方法：控制论和大脑模拟、符号、亚符号、统计。机器学习方法：监督学习、无监督学习、强化学习。单元 2 特征提取与选择 08 小时特征提取：统计特征、主成分分析。特征选择：排名、决策树 - 熵减少和信息增益、穷举、最佳优先、贪婪前向和后向、特征提取和选择算法在机械工程中的应用。单元 3 分类与回归 08 小时分类：决策树、随机森林、朴素贝叶斯、支持向量机。回归：逻辑回归、支持向量回归。回归树：决策树、随机森林、K-Means、K-最近邻（KNN）。分类和回归算法在机械工程中的应用。
安娜大学:: 钦奈
评估 – 指纹图像的计算机增强和建模 – 指纹增强 – 特征提取 – 指纹分类 – 指纹匹配。第三单元 人脸识别和手部几何形状 9 人脸识别简介，人脸识别神经网络 – 从对应图进行人脸识别 – 手部几何形状 – 扫描 – 特征提取 – 自适应分类器 – 基于视觉的特征提取和模式分类 – 特征提取 – 算法类型 – 生物特征融合。第四单元 多模态生物特征识别和性能 9 评估 多模态生物特征识别系统简介 – 集成策略 – 架构 – 融合水平 – 组合策略 – 训练和适应性 – 多模态生物特征识别系统示例 – 性能评估 – 生物特征识别的统计测量 – FAR – FRR – FTE – EER – 内存需求和分配。第五单元 生物特征认证 9 简介 – 生物特征认证方法 – 生物特征认证系统 – 指纹生物特征认证 – 人脸识别生物特征认证 – 期望 – 最大化理论 – 支持向量机。指纹生物特征认证 – 手掌几何形状生物特征认证 – 保护和信任生物特征交易 – 匹配位置 – 本地主机 – 认证服务器 – 卡上匹配 (MOC) – 多生物特征识别和双因素认证。参考文献： 1.Paul Reid，“网络安全生物特征识别”，Pearson Education，2004 年。Nalini K.Ratha，RundBolle，“自动指纹识别系统，Springer”，2003 年。
结合脑机接口康复系统的机器学习方法优化
摘要.[目的]中风患者无法自行活动，必须进行康复训练，让神经系统触发并恢复功能。传统做法是使用电极帽提取脑波特征，并与辅助设备相结合。但存在电极帽不易佩戴、电位识别不佳的问题，且不同的提取方法会影响脑机接口（BCI）的准确性，仍有改进空间。[对象与方法]本实验使用的脑波耳机无需导电凝胶即可获得良好的脑电图进行神经诱导并驱动上肢康复机器人。接下来，邀请8名中风患者和200名正常参与者进行为期4周的康复训练。使用快速傅里叶变换（FFT）、幅值平方相干性（MSC）特征提取方法和诱导闪烁频率的五种机器学习技术来确定训练的有效性。 [结果] 结果表明最佳稳态视觉诱发闪烁频率为 6 Hz, FFT 的识别率比 MSC 方法提高约 5.2%; 对不同的特征提取方法采用优化模型可使识别率提高 1.3%～9.1%。[结论] 基于 Fugl-Meyer 评估 (FMA)、改良 Ashworth 量表 (MAS) 指数改进及功能性磁共振成像 (fMRI) 的图像显示大脑运动感觉区域已成为集中激活现象。 除了强化特征提取方法外, 还让肘部动作有明显的恢复效果。关键词: 脑机接口, 稳态视觉诱发电位, 特征提取
安娜大学：钦奈
评估 – 计算机增强和指纹图像建模 – 指纹增强 – 特征提取 – 指纹分类 – 指纹匹配。 第三单元人脸识别和手部几何形状 9 人脸识别简介，人脸识别神经网络 – 从对应图进行人脸识别 – 手部几何形状 – 扫描 – 特征提取 – 自适应分类器 – 基于视觉的特征提取和模式分类 – 特征提取 – 算法类型 – 生物特征融合。 第四单元多模式生物特征识别和性能 9 评估多模式生物特征识别系统简介 – 集成策略 – 架构 – 融合水平 – 组合策略 – 训练和适应性 – 多模式生物特征识别系统示例 – 性能评估 – 生物特征识别的统计测量 – FAR – FRR – FTE – EER – 内存需求和分配。第五单元 生物特征认证 9 简介 – 生物特征认证方法 – 生物特征认证系统 – 指纹生物特征认证 – 人脸识别生物特征认证 – 期望 – 最大化理论 – 支持向量机。指纹生物特征认证 – 手掌几何特征生物特征认证 – 确保生物特征交易的安全性和可信性 – 匹配位置 – 本地主机 – 认证服务器 – 卡上匹配 (MOC) – 多生物特征和双因素认证。 参考文献： 1. Paul Reid，“网络安全生物特征识别”，Pearson Education，2004 年。Nalini K.Ratha、RundBolle，“自动指纹识别系统，Springer”，2003 年。
基于CNN-GRU网络的运动想象分类...
摘要：最近，各种深度神经网络已被用于对脑电图（EEG）信号进行分类。EEG 是一种可以非侵入性方式获取的脑信号，具有很高的时间分辨率。它可用于解码用户的意图。由于 EEG 信号具有高维特征空间，因此需要适当的特征提取方法来提高分类性能。在本研究中，我们获得了时空特征表示，并用组合卷积神经网络（CNN）-门控循环单元（GRU）模型对其进行分类。为此，我们在每个不同的时间带中获得协方差矩阵，然后在时间轴上将它们连接起来以获得最终的时空特征表示。在分类模型中，CNN 负责空间特征提取，GRU 负责时间特征提取。通过区分空间数据处理和时间数据处理来提高分类性能。对于 BCI 竞赛 IV 2a 数据集，所提出的模型的平均准确率为 77.70% (± 15.39)。作为基线方法，所提出的方法优于所有其他方法。
在脑电图选择中的优化脑电图障碍受试者的脑电图信号分析
脑电图是检测睡眠障碍的非常有效的工具。在文献调查中讨论了各种算法进步。信号采集，预处理，特征提取和分类是其实施的一般步骤。由于人工神经网络（ANN）非常适用于睡眠障碍的识别，因此无需明确的特征提取。ANN本质上能够理解数据中的基本模式。计算出的召回的值不过是在各自电极所做的读数的总体组合。随着数据的变化而变化。如今，通过选择最佳特征选择方法，该作品在优化电极数量方面正在进展。如今，通过选择最佳特征选择方法，该作品在优化电极数量方面正在进展。