XiaoMi-AI文件搜索系统
World File Search System特征提取
使用基于梯度的优化来提高锂电池健康估算的准确性：电动汽车应用中的案例研究
摘要：眼睛疲劳对眼部肌肉具有疲劳作用，而眼动性能是对眼睛疲劳状态的宏观反应。为了提前检测和防止眼睛疲劳的风险，这项研究设计了眼疲劳检测实验，收集了实验数据样本并构建了实验数据集。在这项研究中，完成了眼睛追踪特征提取，并通过双向重复测量ANOVA ANOVA讨论了不同疲劳状态下的眼睛跟踪特征的显着性差异（方差分析）。实验结果证明了眼睛跟踪信号的眼睛疲劳检测的可行性。此外，本研究还考虑了不同特征提取方法对眼睛疲劳检测准确性的影响。本研究研究了基于手动特征计算（SVM，DT，RM，ET）的机器学习算法的性能和基于自动特征提取（CNN，自动编码器，变压器，变压器）的深度学习算法。基于方法的组合，本研究提出了特征联合自动编码器算法，并且在实验数据集上进行眼疲劳检测的算法的准确性从82.4％提高到87.9％。
基于 CNN 的全自动胶质瘤分类与多...
摘要：准确分类胶质瘤在临床实践中至关重要。它对临床医生和患者选择适当的治疗方法具有重要意义，有助于促进个性化医疗的发展。在 MICCAI 2020 放射学和病理学联合分类挑战赛中，为每个患者提供了 4 个 MRI 序列和一张 WSI 图像。参赛者需要使用多模态图像来预测胶质瘤的亚型。在本文中，我们提出了一种用于胶质瘤分类的全自动流程。我们提出的模型由两部分组成：特征提取和特征融合，分别负责提取图像的代表性特征和进行预测。具体而言，我们提出了一种用于 3D MRI 体积的无分割自监督特征提取网络。并且通过将传统图像处理方法与卷积神经网络相结合，为 H&E 染色的 WSI 设计了一个特征提取模型。最后，我们融合从多模态图像中提取的特征，并使用密集连接的神经网络来预测最终的分类结果。我们在验证集上使用 F1 分数、Cohen's Kappa 和平衡准确度评估所提出的模型，结果分别达到 0.943、0.903 和 0.889。
基于深度学习的医学图像分析综述
医学图像分析的主要目标是识别解剖结构的患病区域，以便医生更好地了解病变的进展情况。医学图像分析涉及四个主要阶段：(1) 图像预处理；(2) 分割；(3) 特征提取；(4) 模式识别或分类。预处理是增强图像信息以便进行后续处理或消除照片中不需要的失真的过程。将区域（例如肿瘤和器官）分离以进行进一步研究的技术称为分割。特征提取是从感兴趣区域 (ROI) 中仔细选择信息以帮助识别它们的过程。分类有助于根据提取的特征对 ROI 进行分类 [2][3]。
基于分割技术和小波变换的脑肿瘤分类
本文旨在提供使用磁共振图像 (MRI) 对脑肿瘤进行分割和分类的更好方法。在本文中，小波特征是通过使用连续小波变换 (2D-CWT) 将概率密度函数 (PDF) 转换为频谱图图像而形成的，这是一种简单的特征提取方法，而特征提取方法 (PDF 和 2D-CWT) 正在提高性能。此外，为了提高分割性能，使用形态学操作分割图像并使用卷积神经网络 (CNN) 作为分类器。在 BraTS2019 数据集上，该方法的性能是根据 F1 分数和肿瘤区域分割准确度来评估的。这取得了最好的结果，准确度和 F1 分数分别为 97.37% 和 97.43%。
为视障人士提供的智能个人 AI 助理
基于特征提取的盲人物体识别 [4]。SIFT（尺度不变特征）算法被提出来实现该解决方案。它不需要任何形式的图像转换。进行预处理以消除噪声和不均匀照明造成的挑战。然后借助局部特征提取方法找出兴趣点，并为其计算特征或向量和描述符。该算法有助于将图像表示为图像的兴趣点集合，这些图像对图像变换不变且对照明变化有部分影响。它克服了以前实现 RGB 到 HSI 转换的缺点，因为图像的复杂性不会影响性能。但是，所使用的算法是闭源的，很难在不同设备上实现。
使用深度学习模型检测脑肿瘤
摘要-本综述的目的是对磁共振成像 (MRI) 在脑肿瘤检测中的应用提供全面的文献综述。本文涵盖了广泛的主题，包括肿瘤分析、数据集增强技术、分割算法、特征提取方法、分类方法和深度学习技术的应用。通过研究使用 MRI 进行脑肿瘤检测的重要研究和进展，本综述将为该领域的现状提供宝贵的见解。它还确定了该领域内的挑战和趋势，使其成为有兴趣进一步探索使用 MRI 进行脑肿瘤检测的研究人员的重要资源。索引术语 - 肿瘤分析、MRI、分割、特征提取、深度学习。
跨主体解码本地场电位的眼动目标
神经工程的最新进展表明，通过长期植入的微电极阵列从受试者的前额叶皮层（PFC）收集的局部田间电位（LFP）信号是用于设计鲁棒和弹性大脑 - 计算机接口（BCIS）[1-4]的峰值计数记录的可靠替代方法。非参数回归的理论已证明对基于LFP的解码器的成功至关重要。如[4，5]所述，非参数回归在LFPS中的应用导致基于著名的Pinsker定理的基于复杂的基于频谱的特征提取技术的发展。与流行的特征提取方法相反，例如基于常规的功率谱密度（PSD）的解码器[6]或基于试验的空间协方差矩阵[7，8]的解码器，仅考虑了LFP信号振幅中存储的信息，Pinsker的特征
研究文章一种针对不同频率脑电图数据的基于深度学习的分类方法
近年来，脑电图研究（EEG）的研究集中在EEG信号的特征提取上。方便而简单的EEG采集设备的开发产生了各种EEG信号源和脑电图数据的多样性。因此，EEG分类方法的适应性已变得重要。这项研究提出了一个深层网络模型，用于自主学习和脑电图信号的分类，该模型可以自适应地将EEG信号分类为不同的采样频率和长度。当用不同的采样频率分析脑电图数据时，人工设计特征提取方法无法获得稳定的分类结果。然而，所提出的深度网络模型显示出更高的通用性和分类精度，尤其是对于长度短的脑电图信号，这是由两个数据集验证的。
从影像中提取线性特征的技术回顾
摘要 几十年来，从遥感图像中自动提取线性特征一直是广泛研究的主题。最近的研究表明，提取特征信息可用于更新地理信息系统 (GIS) 等应用，前景广阔。近年来，随着多种机载和卫星传感器的发射，可用图像的增加刺激了研究。然而，虽然图像数据范围和可用性的扩展为获取图像相关产品提供了新的可能性，但也对图像处理提出了新的要求。有效处理大量可用数据需要提高自动化程度，同时仍要利用人类操作员的技能。本文概述了用于线性特征提取的图像类型。本文还介绍了用于特征提取的方法，并考虑了这些程序的定量和定性准确性评估。
使用红外热成像技术检测脑肿瘤...
致密组织，即使由于激素变化，热成像也不会受到影响。热成像单独使用时的灵敏度为 83%，与 MRI 结合时的灵敏度为 95%。这也具有较高的假阳性率和假阴性率，但可以通过使用增强方法进一步降低。脑热成像的工作原理是发现大脑表面温度的升高。该方法使用各种技术来分析大脑，如颜色分析、不对称分析、人工神经网络、特征提取、数据挖掘技术、分割方法、顺序特征选择技术等。使用热成像检测脑癌始于筛查脑部并分析获得热图的热变化。观察图像，然后按照有序序列开始进一步处理，如预处理、分割、特征提取、分类和后处理。