XiaoMi-AI文件搜索系统
World File Search System特征选择
使用递归特征消除方法
摘要。情感识别是情感计算的一个分支，在过去几十年中引起了极大的关注，因为它可以实现更自然的脑部计算机界面系统。脑电图（EEG）已被证明是情绪识别的有效方式，可以跟踪和记录用户情感状态，尤其是对于原始的情感事件（例如唤醒和价值）。尽管已经显示出大脑信号与情绪状态相关，但提出的模型的有效性在某种程度上受到限制。挑战是提高准确性，同时适当提取有价值的功能可能是成功的关键。本研究提出了一个基于结合分形维度和递归特征消除方法的框架，以增强基于EEG的情绪识别的准确性。要提取和使用基于频谱的分形尺寸和基于光谱的特征，以更准确地识别。递归功能消除将用作特征选择方法，而情绪的分类将由支持向量机（SVM）算法进行。将使用广泛使用的公共数据库测试所提出的框架，与其他研究相比，结果有望证明其准确性和鲁棒性更高。这项研究的贡献主要是关于改善基于脑电图的情绪分类精度。潜在的限制对结果的通用性可能是不同的，因为不同的脑电图数据集可能会为同一框架产生不同的结果。因此，尝试不同的EEG数据集并测试替代特征选择方案对于将来的工作非常有趣。
一种利用深度特征聚类进行情绪识别特征选择的创新多模型神经网络方法
摘要：情绪意识感知是一个正在迅速发展的领域，它可以实现人与机器之间更自然的互动。脑电图 (EEG) 已成为一种测量和跟踪用户情绪状态的便捷方式。EEG 信号的非线性特性会产生高维特征向量，从而导致高计算成本。本文使用深度特征聚类 (DFC) 结合多个神经网络的特征来选择高质量属性，而不是传统的特征选择方法。DFC 方法通过省略不可用的属性来缩短网络的训练时间。首先，将经验模态分解 (EMD) 作为一系列频率应用来分解原始 EEG 信号。在使用解析小波变换 (AWT) 进行特征提取过程之前，将分解后的 EEG 信号的时空分量表示为二维频谱图。使用四个预训练的深度神经网络 (DNN) 来提取深度特征。利用基于差分熵的 EEG 通道选择和 DFC 技术实现降维和特征选择，该技术使用 k 均值聚类计算一系列词汇。然后从一系列视觉词汇项目中确定直方图特征。SEED、DEAP 和 MAHNOB 数据集的分类性能与 DFC 的功能相结合表明，所提出的方法在短处理时间内提高了情绪识别的性能，并且比最新的情绪识别方法更具竞争力。
研究论文 通过静息态闭眼脑电图检测中度创伤性脑损伤
创伤性脑损伤 (TBI) 是如果医疗救治延误，可能带来严重后果的损伤之一。通常，需要分析计算机断层扫描 (CT) 或磁共振成像 (MRI) 来确定中度 TBI 患者的严重程度。然而，由于如今 TBI 患者的数量不断增加，对每位潜在患者进行 CT 扫描或 MRI 扫描不仅成本高昂，而且耗时。因此，在本文中，我们研究了使用具有计算智能的脑电图 (EEG) 作为替代方法来检测中度 TBI 患者严重程度的可能性。EEG 程序比 CT 或 MRI 便宜得多。虽然与 CT 和 MRI 相比，EEG 的空间分辨率不高，但它的时间分辨率很高。使用传统的计算智能方法从 EEG 分析和预测中度 TBI 非常繁琐，因为它们通常涉及复杂的信号预处理、特征提取或特征选择。因此，我们提出了一种使用卷积神经网络 (CNN) 自动对健康受试者和中度 TBI 患者进行分类的方法。该计算智能系统的输入是静息状态下的闭眼脑电图，未经预处理和特征选择。使用的脑电图数据集包括 15 名健康志愿者和 15 名中度 TBI 患者，这些数据来自马来西亚吉兰丹马来西亚理科大学医院。将所提出方法的性能与其他四种现有方法进行了比较。所提出方法的平均分类准确率为 72.46%，优于其他四种方法。结果表明，所提出的方法有可能用作中度 TBI 的初步筛查，以选择患者进行进一步诊断和治疗计划。
大数据技术在学前教育模式优化中的应用
从现有数据看，各地不少幼儿园在教育技术开发与实施上存在着不足，不同地区信息化发展水平不一。随着信息技术在学前教育的普及，学前教育各个领域已经有了一定的数据积累，但幼儿不安全行为数据具有不平衡性和稀疏性的双重特点。通过引入欠采样、特征选择、集成学习的集成模型，实现了不安全行为的集成识别，并将计算机编程计算应用到实际的学前教育模型中，也对大数据技术在优化学前教育模型中的应用进行了研究。
使用机器学习技术从 MRI ADC 图像中提取特征以进行脑肿瘤分类
方法：这项前瞻性研究使用了 1599 个标记的 MRI 脑 ADC 图像切片，其中 995 个为恶性，604 个为良性，这些切片来自 195 名经放射学诊断并经组织病理学确诊为脑肿瘤的患者。从每位患者的 MRI ADC 图像中提取人口统计学信息、平均像素值、偏度、峰度、灰度共生矩阵 (GLCM) 特征、平均值、方差、能量、熵、对比度、同质性、相关性、突出度和阴影。在特征选择阶段，使用 ANOVA f 检验测量提取特征的有效性。然后，将这些特征用作几种机器学习分类算法的输入，并评估相应的模型。结果：根据 ANOVA f 检验特征选择过程的结果，两个属性：偏度（3.34）和 GLCM 同质性（3.45）的 ANOVA f 检验分数最低。因此，在继续实验时排除这两个特征。在测试的不同 ML 算法中，选择随机森林分类器来构建最终的 ML 模型，因为它具有最高的准确度。在超参数调整过程之后，最终模型能够以 90.41% 的准确率预测恶性和良性肿瘤。结论：本研究得出结论，上述特征（偏度和 GLCM 同质性除外）对于识别和区分恶性和良性脑肿瘤具有重要意义。此外，它们有助于开发一种高性能 ML 模型，该模型能够在尝试侵入性诊断程序（例如脑活检）之前协助脑肿瘤诊断过程的决策步骤。
轮椅运动和控制中的基于脑电图的摩托车eeg BCI：系统文献评论
摘要：2019年冠状病毒病的大流行紧急情况（COVID-19）阐明了需要创新的艾滋病，设备和辅助技术，使患有严重残疾的人能够过着日常生活。基于EEG的大脑计算机界面（BCI）可以带领具有重大健康挑战的人来改善其独立性，促进参与活动，从而增强整体幸福感和预防障碍。 此系统审查提供了基于脑电图的BCI的最新应用，尤其是使用电动机（MI）数据的BCIS，用于轮椅控制和移动。 它对自2010年以来进行的不同研究进行了彻底的检查，重点是算法分析，具有提取，特征选择和分类技术以及轮椅组件和性能评估。 本文提供的结果可以强调适用于严重残疾人的当前生物医学仪器的局限性，并将重点放在创新的研究主题上。基于EEG的大脑计算机界面（BCI）可以带领具有重大健康挑战的人来改善其独立性，促进参与活动，从而增强整体幸福感和预防障碍。此系统审查提供了基于脑电图的BCI的最新应用，尤其是使用电动机（MI）数据的BCIS，用于轮椅控制和移动。它对自2010年以来进行的不同研究进行了彻底的检查，重点是算法分析，具有提取，特征选择和分类技术以及轮椅组件和性能评估。本文提供的结果可以强调适用于严重残疾人的当前生物医学仪器的局限性，并将重点放在创新的研究主题上。
分析音乐对脑波模式的影响
摘要 — 最近，情感神经科学领域的研究人员对识别与特定情绪相对应的大脑活动模式产生了浓厚的兴趣。由于音乐对大脑活动的影响存在争议，音乐刺激与脑电波之间的关系尤其令人感兴趣。虽然音乐可以对大脑产生抗惊厥作用并充当治疗刺激，但它也可能产生促惊厥作用，例如引发癫痫发作。在本文中，我们采用计算方法来了解不同类型的音乐对人脑的影响；我们分析了 3 种不同类型的音乐对参与者脑电图 (EEG) 的影响。使用 14 通道耳机记录了 24 名参与者在聆听不同音乐刺激时的大脑活动。从信号中提取统计特征，并使用各种特征选择技术识别有用的特征和通道。利用这些特征，我们建立了基于 K 近邻 (KNN)、支持向量机 (SVM) 和神经网络 (NN) 的分类模型。我们的分析表明，NN 与遗传算法 (GA) 特征选择相结合，在对 3 种音乐流派进行分类时可以达到 97.5% 的最高准确率。该模型在根据参与者的情绪主观评分对音乐进行分类时也达到了 98.6% 的准确率。此外，记录的脑电波可识别出不同的伽马波水平，这对于检测癫痫发作至关重要。我们的结果表明，这些计算技术可根据音乐对人脑的影响有效地区分音乐流派。索引词 — 脑活动、脑电图、情感神经科学、特征提取、分类、音乐疗法
使用机器的森林和陆火脆弱性评估和映射
抽象的森林和土地火（FLF）严重损害了森林生态系统并降低其功能。预测容易发生火灾的地区对于有效的管理和预防至关重要。机器学习（ML）在该领域显示出潜力。到2022年，东努萨·坦加拉（East Nusa Tenggara）（NTT）在印度尼西亚的火灾发生率最高，燃烧了70,637公顷。这项研究使用七种ML方法评估了NTT的FLF漏洞：高斯天真的贝叶斯，支撑矢量机，逻辑回归，人工神经网络，随机森林，渐变升压机和极端的毕业增强机（XGB）。使用ArcGI开发了NTT 2022火灾数据和14个与火灾相关因素的地理空间数据集。使用信息增益比进行特征选择，确定了十二个关键特征：高程，斜率角，坡度，平面曲率，土地覆盖，NDVI，通往道路的距离，建筑物的距离，每年降雨，平均温度，风速，风速和相对湿度。XGB模型表现最佳，训练的AUC值为0.959，测试为0.743。由此产生的脆弱性图显示了关键的火灾因素：高程，柔和的斜坡，弯曲的地形，森林覆盖，植被不良，人类活动，遥远的消防资源，低降雨，高温，高风速和湿度低。建议包括土地管理，防火植被，政策执法，社区教育和基础设施增强。关键字：东努萨·坦格拉（East Nusa Tenggara），森林和陆地火，特征选择，机器学习，映射
卡方和p值与机器学习功能选择
相反，应使用卡方检验和p值来确保真正的关联，而不是依靠套索和RF方法。5-7因此，它们的结果可能有所不同。机器学习中的特征选择可能无法提供真正的关联，原因有几个原因。一个主要问题是过度插入，其中模型，尤其是复杂的模型，捕获噪声而不是训练数据中的真正基础模式。此外，机器学习算法通常会鉴于特征与目标变量之间的相关性，但是这些相关性可能并不意味着因果关系。这种区别至关重要，因为相关并不意味着一个变量会导致另一个变量。另一个挑战是特征选择方法固有的偏差和差异。这些方法可能对使用的特定数据敏感，从而导致偏见或高变化的恢复，这些偏差并不能很好地推广到新数据。此外，不同的算法具有不同的优势和劣势。例如，拉索可能会收缩一些系数为零，可能缺少重要的重要特征，而RF由于其固有的结构而可能会过度强调某些特征。卡方检验和p值是统计方法，可在目标和特征之间提供真正关联。卡方检验和p值测量特征与目标变量之间关联的统计意义，有助于将真实关联与随机噪声区分开。这些方法基于假设检验，提供了一个框架，以测试观察到的关联是否可能是由于偶然的原因。另外，统计方法可以控制混杂变量，以确保确定的关联不是虚假的。最后，统计测试的结果通常可重现，可以在不同数据集中验证。
机器学习（4个学分）
机器学习介绍，监督学习 - 线性回归，逻辑回归，感知。指数族，广义线性模型。（8）生成学习算法。高斯判别分析。幼稚的贝叶斯。支持向量机。偏见/方差权衡模型选择和特征选择。评估和调试学习算法，决策树，随机森林。（10）深度学习简介 - 卷积神经网络。（4）无监督的学习聚类 - k-均值，em，高斯的混合物，因子分析。降低降低 - ICA。（8）增强学习-MDP，Bellman方程，价值迭代和政策迭代，线性二次调节（LQR），Q学习。值函数近似。（12）