XiaoMi-AI文件搜索系统
World File Search System特征选择
cauchy非凸线稀疏特征选择方法用于运动成像中的高维小样本问题eeg解码
EEG信号的时间，频率和空间信息对于运动图像解码至关重要（Zheng等，2022）。因此，已经广泛研究了基于时间频率空间特征的运动图像解码（Chen等，2023）。In the process of temporal- frequency-spatial feature extraction, the original EEG signals are first decomposed into multiple time-frequency units, then the common spatial pattern (CSP) algorithm is used to extract the spatial features on each time-frequency unit, and finally, the spatial features of multiple time-frequency units are cascaded into a feature vector ( Miao et al., 2021 ), which significantly increases脑电图的特征维度。特征尺寸的数量超过一百甚至几百，而特征冗余。此外，由于收集脑电图样本的困难和高成本，尤其是对于患者，样本量通常相对较小，通常只有几十个。因此，时间频率空间特征是高维小样本数据，它将为EEG分类模型带来一系列问题，例如过度拟合和模型解决方案的问题不确定（Chadebec等，2022）。
研究文章利用特征选择和神经网络技术，用于识别TQWT域中局灶性和非焦点EEG信号
1拉合尔大学电气工程系，拉合尔54000，巴基斯坦2 2号生物医学工程系，南德黑兰分公司，伊斯兰阿萨德大学，伊朗伊斯兰阿萨德大学，伊朗3号，伊朗3号电气工程系，政府大学大学，拉霍尔54000，巴基斯坦4000，北部4000，北部54000，上司，上司中国第710049号，北中国6号计算机工程系，工程学院，伊朗，克尔曼的沙希德·巴霍纳尔大学，伊朗，伊朗7号电气工程学院，马来西亚马来西亚马来西亚大学马来西亚大学，马来西亚马来西亚8号，马来西亚8个生物技术工程学系伊朗9号GOFA营地，GOFA工业学院附近和德国Adebabay，Nifas Silk-Lafto，Addis Ababa 26649，埃塞俄比亚10号贾巴利亚营地，联合国救济和工程局（UNRWA），巴勒斯坦难民营，加沙地带，加拿大的贾巴利亚，贾巴利亚，贾巴利亚，巴勒斯坦，科学，科学，科学，科学，科学，科学，科学，，科学。 Lumpur 50603，马来西亚
基于相对小波包熵脑网络和改进的套索
运动成像（MI）脑电图（EEG）信号具有较低的信噪比，这在特征提取和具有高分类精度的特征选择方面带来了挑战。在这项研究中，我们提出了一种方法，该方法将改进的套索与缓解f结合起来，以提取小波数据包熵特征和大脑功能网络的拓扑特征。用于信号降解和通道过滤，根据r 2映射对原始MI EEG进行过滤，然后使用小波软阈值和一对一的多级多级得分公共空间模式算法。随后，提取了大脑网络的相对小波数据包熵和相应的拓扑特征。在特征融合后，杂种类和浮雕法被应用用于特征选择，然后分别是三个分类器和一个集合分类器。实验是在两个公共脑电图数据集（BCI竞争III数据集IIIA和BCI竞争IIA IIA）上进行的，以验证此提出的方法。结果表明，大脑网络拓扑特征和特征选择方法可以更有效地保留脑电图的信息并降低计算复杂性，并且两个公共数据集的平均分类精度均高于90％。因此，该算法适用于MI-BCI，并且在康复和其他领域具有潜在的应用。
![机器学习的数字笔记 [R22A6602]](/simg/g:\will\search\icon\source\4\4ac19c3a1bf04ba74a44507dd8c7709cf5f8c9a0.webp)
机器学习的数字笔记 [R22A6602]
索引 序号 标题 页码 UNIT-I 1 机器学习简介 1 2 特征选择 7 3 特征规范化 13 4 降维 15 5 UNIT-II 6 回归模型 21 7 梯度下降 23 8 性能指标 25 9 决策树 26
使用 fMRI 数据和机器学习的自闭症谱系障碍研究：综述
近十年来，机器学习方法频繁应用于认知神经科学领域。将机器学习方法引入自闭症谱系障碍 (ASD) 的研究以找出其神经生理基础引起了极大的关注。本文全面回顾了自 2011 年以来应用机器学习方法分析自闭症患者和典型对照 (TC) 功能磁共振成像 (fMRI) 数据的研究。涵盖了全方位的过程，包括从原始 fMRI 数据构建特征、特征选择方法、机器学习方法、高分类准确率的因素和关键结论。应用不同的机器学习方法和从不同部位获取的 fMRI 数据，获得了从 48.3% 到 97% 不等的分类准确率，并定位了重要的大脑区域和网络。通过深入分析，我们发现，在涉及基于任务的 fMRI 数据、用于某些选择原则的单一数据集、有效的特征选择方法或高级机器学习方法的研究中，通常会出现较高的分类准确率。高级深度学习与多站点自闭症脑成像数据交换 (ABIDE) 数据集一起成为研究趋势，尤其是在最近 4 年。在未来，高级特征选择和机器学习方法与多站点数据集或易于操作的基于任务的 fMRI 数据相结合，似乎有可能成为 ASD 的有前途的诊断工具。
使用机器学习预测心血管疾病
摘要 —心血管疾病 (CVD) 是全球主要死亡原因之一。早期诊断和干预对于降低与这些疾病相关的风险至关重要。在本研究中，我们提出了一种基于机器学习的系统，使用极端梯度提升 (XGBoost) 技术预测心血管疾病。我们采用随机搜索的特征选择和超参数优化来提高模型的准确性。通过交叉验证评估模型的性能，并与其他算法进行比较，包括 K 最近邻 (KNN)、朴素贝叶斯、支持向量机 (SVM) 和随机森林。实验结果表明，我们基于 XGBoost 的模型优于其他算法，准确率为 98%，ROC 曲线下面积为 0.98。索引词 —心血管疾病、机器学习、XG-Boost、特征选择、超参数调整、随机搜索、交叉验证、预测模型、算法比较。
2025 Publications.xlsx
Naga Padmavathi，P.，Sree Devi，M.，Maheswara Rao，V.V.R.，Gopala Gupta，A.S.A.L.G。 （2025）。 在CT图像中使用基于优化的特征选择来构建级联的深神经网络，用于检测喉癌。 产品设计和制造系统的最新进展。 ipdims2023。 机械工程中的注释。 施普林格，新加坡。 https://doi.org/10.1007/978-981-97-97-6732-8_39Naga Padmavathi，P.，Sree Devi，M.，Maheswara Rao，V.V.R.，Gopala Gupta，A.S.A.L.G。（2025）。在CT图像中使用基于优化的特征选择来构建级联的深神经网络，用于检测喉癌。产品设计和制造系统的最新进展。ipdims2023。机械工程中的注释。施普林格，新加坡。https://doi.org/10.1007/978-981-97-97-6732-8_39https://doi.org/10.1007/978-981-97-97-6732-8_39
自动化功能提取和选择快速电池容量的数据驱动模型淡出和寿命末期
摘要 - 锂离子细胞可能会在以后的生活中经历快速降解，尤其是使用更多极端使用方案。快速降解的发作称为“膝盖点”，预测对电池的安全且经济上可行的用途很重要。我们提出了一种数据驱动的方法，该方法使用自动化特征选择为高斯工艺回归模型生成输入，该模型估计电池健康的变化，可以预测整个容量淡出轨迹，膝盖点和寿命。特征选择过程富有效地适应不同的输入，并优先考虑那些影响降解的输入。对于所考虑的数据集，发现在特定电压区域所花费的日历时间和时间对降解率的影响很大。该方法对1％以下的容量估计产生了中位根平方错误，并且还产生了膝关节中值和终止预测误差分别为2.6％和1.3％。
通过特征处理方案优化药物 - 目标亲和力预测方法
结果：在这项研究中，为了获得具有高精度和强大可解释性的模型，我们利用了各种传统和尖端的特征选择和降低维度降低技术来处理自我相关特征和相邻的相关特征。然后将这些优化的特征送入学习排名以实现有效的DTA预测。在两个常用数据集上进行的广泛实验结果表明，在各种特征优化方法中，基于回归树的特征选择方法对于构建具有良好性能和稳健性的模型是最有益的。然后，通过利用Shapley添加说明值和增量功能选择AP-PRACH，我们可以获得高质量的功能子集由前150D特征组成，而Top 20D功能对DTA预测产生了突破性的影响。总而言之，我们的研究彻底验证了DTA预测中特征优化的重要性，并作为构建高性能和高解释模型的灵感。