XiaoMi-AI文件搜索系统
World File Search System特征矩阵
基于EEG的情绪识别，使用改进的加权水平可见度图
摘要：近年来，情感识别是一个充满挑战和活跃的研究领域，已获得相当大的认识。在这项研究中，试图从脑电图（EEG）信号中提取复杂的网络特征以进行情绪识别。我们提出了一种基于角度测量的向前加权水平可见度图（FWHVG）和向后加权的水平可见度图（BWHVG）的新方法。使用两种类型的复杂网络来提取网络功能。然后，将两个特征矩阵融合到单个特征矩阵中以对脑电图进行分类。基于拟议方法的复杂网络特征和唤醒维度的平均情绪识别精度为97.53％和97.75％。与时间域特征相结合时，所提出的方法的价为98.12％和98.06％的分类精度为98.06％。
基于能量的特征和双 LSTM 神经网络用于基于 EEG 的音乐和语音分类
摘要 人类大脑通过多种方式接收刺激；其中，音频是大脑在交流、娱乐、警告等方面的重要相关刺激来源。在此背景下，本文的目的是推进对大脑对不同类型的音乐和不同性质的声音（语音和音乐）的反应的分类。为此，设计了两个不同的实验，从听不同音乐类型的歌曲和不同语言的句子的受试者那里获取脑电图信号。据此，提出了一种新的方案来表征脑信号以进行分类；该方案基于构建一个特征矩阵，该特征矩阵建立在不同脑电图通道测量的能量之间的关系和使用双长短期记忆神经网络的基础上。利用获得的数据，对基于脑电图的语音和音乐、不同音乐类型以及受试者是否喜欢所听歌曲进行分类进行评估。实验表明，所提出的方案性能令人满意。二元音频类型分类的结果成功率达到 98.66%。在四种音乐流派的多类分类中，准确率达到61.59%，音乐品味的二分类结果上升至96.96%。
使用EEG信号进行MDD检测和情感解码的机器学习方法
情绪解码和自动识别重度抑郁症（MDD）有助于及时诊断该疾病。脑电图（EEG）对人脑功能状态的变化敏感，显示出帮助医生诊断MDD的潜力。在本文中，提出了一种通过融合半球间的不对称性和与EEG信号的交叉相关来鉴定MDD的方法，并针对32名受试者进行了测试[16名MDD患者和16名健康对照（HCS）]。首先，在预处理和分割的EEG信号上提取θ-，α-和β-频条的结构特征和连通性特征。第二，将θ-，α-和β-频带的结构特征矩阵添加到连接性特征矩阵中，以获得混合特征。最后，将结构特征，连接性特征和混合功能馈送到三个分类器中，以选择适合分类的特征，并且发现我们的模式使用混合特征实现了最佳的分类结果。还将结果与某些最先进方法的结果进行了比较，我们的准确度为94.13％，敏感性为95.74％，特定的93.52％的特异性和F1得分（F1）和95.62％的F1评分（F1）为95.62％。该研究可以推广以开发一种可能有助于临床目的的系统。
开发一个基于运动图像的实时异步混合型BCI控制器，用于下LIMB外骨骼
摘要：这项研究旨在开发与步态相关的运动图像（MI）基于较低LIMB外骨骼的基于与基于步态相关的运动图像（MI）的混合脑机构界面（BCI）控制器，并研究控制器在包括标准，Gait-Forwhard和Sit-Down的实际情况下的可行性。在研究中使用过滤库的公共空间模式（FBCSP）和基于信息的最佳个人特征（MIBIF）选择来解码MI脑电图（EEG）信号，并提取特征矩阵作为支持向量机（SVM）分类的输入。连续的眼光开关在操作下LIMB外骨骼时依次与EEG解码器结合。十个主题在OfflINE（培训）和在线方面都表现出80％以上的精度。所有受试者通过开发的实时BCI控制器穿着下LIMB外骨骼成功完成了步态任务。与手动智能手表控制器相比，BCI控制器的时间比为1.45。开发的系统可能有可能是具有神经系统疾病的人，他们可能有效地操作手动控制。
树引导的稀有功能选择和电子健康记录数据逻辑聚合
在分析电子健康记录（EHR）数据时，通常会遇到具有大量稀有二进制特征的统计学习，尤其是在具有先前医疗诊断和程序的疾病建模时。处理所产生的高度稀疏和大规模的二进制特征矩阵是众所周知的具有挑战性的，因为传统方法可能缺乏测试和模型拟合中的不一致性，而机器学习方法可能无法产生可解释的结果或临床上有意义的风险因素。为了改善基于EHR的建模并利用疾病分类的自然分层结构，我们提出了针对大规模回归的树木制定特征选择和逻辑方法，具有稀有的二进制特征，在这种情况下，不仅通过稀疏追求来实现降低尺寸，而且还可以通过与逻辑启动子进行逻辑启动子来实现。我们将组合问题转换为线性约束的正则化估计，该估计可以通过理论上的构造实现可扩展的计算。在具有EHR数据的自杀风险研究中，我们的方法能够选择和汇总以诊断疾病的诊断层次结构为指导的先前的心理健康诊断。通过平衡EHR诊断记录的稀有性和特异性，我们的策略都改善了预测和解释。我们确定了重要的高级类别和心理健康状况的子类别，并同时确定每个人都需要与自杀风险相关的特异性水平。
基于虚拟网络架构的天空地一体化多域网络资源编排：一种DRL方法
摘要 传统地面无线通信网络由于部署、覆盖和容量问题无法为智能交通系统（ITS）等人工智能（AI）应用提供高质量服务，天空地一体化网络（SAGIN）成为业界的研究热点。与传统无线通信网络相比，SAGIN更加灵活可靠，覆盖范围更广，无缝连接质量更高。但由于其固有的异构、时变和自组织特性，SAGIN的部署和使用仍然面临巨大挑战，其中异构资源的编排是关键问题。基于虚拟网络架构和深度强化学习（DRL），将SAGIN的异构资源编排建模为多域虚拟网络嵌入（VNE）问题，提出一种SAGIN跨域VNE算法。对SAGIN的不同网络段进行建模，并根据SAGIN的实际情况和用户需求设置网络属性。在深度强化学习中，代理由一个五层策略网络充当。我们根据从SAGIN中提取的网络属性构建特征矩阵，并将其作为代理的训练环境。通过训练可以得出每个底层节点被嵌入的概率。在测试阶段，我们根据此概率依次完成虚拟节点和链接的嵌入过程。最后，我们从训练和测试两个方面验证了算法的有效性。
基于EEG的高性能抑郁状态识别 5-HT6受体配体的效果与... 结合 3D微/纳米水凝胶结构由二... 制造 基于氧化石墨烯的2D/3D复合材料，用于增强环氧涂层的抗腐蚀特性 文章通过高纤维曲线加密增强了车辆互联网中的隐私 算法翻译校正机制
抑郁症是一种对人有害的全球疾病。基于各种规模的传统识别方法不够客观和准确。脑电图（EEG）包含丰富的生理信息，这使其成为识别抑郁状态的新研究方向。但是，大多数基于EEG的算法仅提取原始的EEG特征，而忽略复杂的时空信息相互作用，这将降低性能。因此，迫切需要一种更准确和客观的抑郁识别方法。在这项工作中，我们提出了一种新型的抑郁识别模型：W-GCN-GRU。在我们提出的方法中，我们根据Spearman的等级相关系数审查了六个敏感特征，并通过AUC分配了不同的权重系数，以通过AUC进行敏感特征的加权融合。特别是，我们将基于加权敏感特征作为抑郁识别模型的GCN和GRU级联网络使用。对于GCN，我们创造性地基于相关系数矩阵将脑功能网络作为邻接矩阵输入和加权融合敏感的特征用作节点特征矩阵输入。我们所提出的模型在我们的自我收集的数据集和MODMA数据集上表现良好，精度为94.72％，表现优于其他方法。我们的发现表明，特征维度降低，加权融合和脑电图空间信息都对抑郁识别产生了很大影响。
对不良药物反应预测模型的研究...
摘要 - 在临床治疗中，确定药物的潜在不良反应可以帮助医生做出药物决策。响应先前研究的问题，即需要为药物的每种不良反应构建高维和稀疏，独立的预测模型，并且预测准确性较低，本文基于知识图和深度学习，开发了一个不良药物反应预测模型，这可以预测实验结果。涵盖不良药物反应的统一预测。知识图嵌入技术可以融合药物之间的相关信息，并减轻特征矩阵中高维稀疏性的缺点，而深度学习的有效训练能力可以提高模型的预测准确性。本文根据药物特征数据构建了不良药物反应知识图；通过在不同的嵌入策略下分析知识图的嵌入效果，选择了最佳的嵌入策略来获得样品向量；然后构建了卷积神经网络模型以预测不良反应。结果表明，在疏远嵌入模型和400维嵌入策略下，卷积神经网络模型具有最佳的预测效果。重复实验曲线下的平均准确性，𝑭评分，召回率和面积优于文献中报告的方法。获得的预测模型具有良好的预测准确性和稳定性，可以为以后的安全药物指导提供有效的参考。
制造工程技术硕士
成型和金属切割 模块：1 FEM 的数学基础 6 小时 工程中的一般场问题-离散和连续模型特性-边界值问题的变分公式-最小势能原理-加权残差法-大方程组的解-高斯消元法。 模块：2 FEM 的一般理论 5 小时 FEM 的一般理论-FEM 程序-域离散化-插值多项式的选择-收敛要求-单纯形元素的形状函数。 模块：3 一维结构分析的 FEM 8 小时 弹性问题的元素特征矩阵和向量-元素特征矩阵的组装-边界条件的合并-方程的解-后处理-使用杆、桁架和梁元素解决结构力学问题。 模块：4 二维固体力学的 FEM 6 小时 使用恒定应变可训练和矩形元素进行平面应力、平面应变和轴对称应力分析-自然坐标系和数值积分。模块：5 传热的有限元法 6 小时 考虑传导和对流损失的传热元素方程的制定 - 使用单纯形元素的一维、二维和轴对称稳态传热分析 - 瞬态传热分析简介。 模块：6 非线性有限元法的基本概念 6 小时 非线性问题 - 材料非线性分析 - 几何非线性分析 - 材料和几何非线性组合 - 非线性接触条件。 模块：7 制造业中有限元分析的应用 6 小时 铸件和焊接件凝固的有限元分析 - 特殊考虑、潜热结合 - 案例研究。 金属成型和金属切削的有限元分析、切屑分离标准、应变率依赖性的结合 - 案例研究。 模块：8 当代问题 2 小时 总讲座时长：45 小时 教科书