XiaoMi-AI文件搜索系统
World File Search System特征选择
使用机器学习的多种疾病预测
摘要： - 机器学习是一种计算机技术，已经改变了医疗保健。它可以帮助医生更好，更快地预测疾病。在医疗保健中，使用机器学习算法决策树（DT），逻辑回归（LR），支持向量机（SVM），可以帮助同时预测许多不同的疾病。这有助于医生尽早发现和治疗疾病，这使患者变得更好并为医疗保健节省了钱。本文介绍了我们如何使用从数据中学习的计算机程序来预测许多疾病。它讨论了为什么这是好的，我们可能会遇到什么问题以及我们可能下一步去的地方。我们总结了几种机器学习模型和信息来源，这些模型和信息源通常用于疾病预测中。我们还讨论了特征选择，模型评估的重要性，并结合了几种数据模式以改善疾病预测。我们总结了几种机器学习模型和信息来源，这些模型和信息源通常用于疾病预测中。我们还讨论了特征选择，模型评估的重要性，并结合了几种数据模式以改善疾病预测。研究表明，使用机器学习算法一次预测许多疾病确实可以帮助公共卫生。再次，我们使用机器学习模型来确定个人是否受到一些疾病的影响。该训练模型使用样本数据训练以预测疾病。关键字： - 疾病预测，疾病数据，机器学习，决策树（DT），逻辑回归（LR），支持向量机（SVM）。
基于遗传算法和人工神经网络的瞳孔反应客观疼痛测量实验研究
摘要 对医疗保健提供者来说，获得患者疼痛程度的客观测量一直是一个挑战。医院环境中最常见的疼痛评估方法是询问患者的口头评分，这被认为是一种主观方法。为了获得患者的客观疼痛程度，我们建议使用瞳孔反应和机器学习算法来客观地测量疼痛程度。东北大学招募了 32 名健康受试者参与了这项研究。通过要求健康受试者将手放在装满冰水的桶中，对他们施加疼痛刺激。我们从瞳孔直径数据中提取了 11 个特征。为了获得最佳特征子集，使用遗传算法 (GA) 为人工神经网络 (ANN) 分类器选择特征。在特征选择之前，ANN 的 f1 分数为 54.0 ± 0.25%，包含所有 11 个特征。经过特征选择后，ANN 使用所选特征子集（即平均值、均方根 (RMS) 和瞳孔曲线下面积 (PAUC)）表现出最佳性能，准确率为 81.0%。实验结果表明，瞳孔反应与机器学习算法相结合可能是一种有前途的客观疼痛水平评估方法。这项研究的结果可以改善患者在远程医疗中测量疼痛的体验，尤其是在大多数人不得不待在家里的疫情期间。
应用于磁共振成像 (MRI) 的综合机器学习模型可预测老年人的阿尔茨海默病 (AD)
摘要：越来越多的证据表明，磁共振成像 (MRI) 是诊断阿尔茨海默病 (AD) 和预测这种神经退行性疾病发病的重要技术。在本研究中，我们提出了一个精确度极高的复杂机器学习 (ML) 模型来诊断早期 AD。我们共检查并分析了 150 名受试者 (年龄 ≥ 60 岁) 的 373 项 MRI 测试，同时分析了与标准 AD 诊断相关的 14 个不同特征。我们使用了四种 ML 模型（例如朴素贝叶斯 (NB)、人工神经网络 (ANN)、K 最近邻 (KNN) 和支持向量机 (SVM)）和接收者操作特性 (ROC) 曲线度量来验证模型性能。每个模型评估都在三个独立实验中进行。在第一个实验中，使用手动特征选择进行模型训练，ANN 的 ROC 准确度最高 (0.812)。在第二个实验中，通过包装方法进行自动特征选择，NB 实现了最高的 ROC 0.942。最后一个实验包括将四个模型结合起来开发的集成或混合建模。这种方法提高了 ROC 的准确度，为 0.991。我们得出结论，集成建模的参与，加上选择性特征，可以更准确地预测早期 AD 的发展。
如何引用本文：Abdul Razzak Khan Qureshi，Shivani Patnaha，Prerita Kulkarni，Priyanka Singh，Manish Joshi，Indra Vaidya（2024）机器Lear
摘要尽管云计算已经广泛使用，但除了大大改善资源经济和可访问性外，它还引发了许多安全问题。这项研究的目的是找出基于机器学习的入侵检测系统（ID）如何改善云安全性。为了实时检测和中和攻击，提出的IDS使用了各种算法，例如支持向量机（SVM），随机森林，决策树，最近的邻居（KNN）和深度学习技术，例如卷积神经网络（CNN）。在适应新攻击向量时，它可以最大程度地减少误报。为了提高响应时间和检测准确性，该研究将性能优化策略与特征选择方法相结合。它还强调了使用最新数据集进行现实攻击方案和强大的模型验证（例如CSE-CICIDS2018）。结果表明，基于机器学习的入侵检测系统（IDS）比基于传统的签名系统更有效地发现新颖和复杂的威胁。最终，本研究提供了深刻的信息，以为云网络创建更聪明，更灵活的网络安全解决方案，并强调机器学习在保护敏感数据和保证跨各种应用程序中云服务的完整性时所起的关键功能。关键字 - 云计算，卷积神经网络，网络安全，决策树，特征选择，入侵检测系统，k-neareast邻居，机器学习，绩效优化，随机森林，安全漏洞，基于签名
算法和AI驱动社交媒体对青少年的心理影响：行动呼吁
摘要 - 本文提出了一种新的在线功能选择方法，并意识到群体公平。它的症结在于优化所选特征子集中产生模型的准确性和公平性之间的权衡。我们设置的技术挑战是双重的：1）流媒体功能输入，因此，如果其信息已被其之前到达的其他类似功能涵盖的信息可能会过时或重新进行预测，而2）2）非缔合功能相关性，从而使这些偏见可能从这些看似可理解的，未经保护的功能中泄漏出来。为了克服这一点，我们提出了通过因果公平（SFCF）的流式特征选择，该特征选择分别构建了两个因果图，分别为预测标签和受保护特征，努力建模流媒体特征，标签和受保护信息之间的复杂相关结构。因此，可以通过去除这些特征与受保护的特征相关但与标签无关的因果关系来从预测建模中消除偏差。我们认为，当大量删除的功能（未受保护但可用于重建偏见信息）损害学习准确性时，最初的预测功能后来可以被接受。我们在流式传输特征研究中广泛使用的五个数据集上的SFCF基准，结果证明了其在六个竞争对手模型上的性能优越性，就特征选择的效率和稀疏性而言，以及由此产生的预测模型的均衡优势。
DR。 Priyakshi Mahanta
在阿萨姆语语言中进行性别检测的特征选择。在信息，通信和计算技术中：第七届国际会议，ICICCT 2022，印度新德里，2022年7月16日，修订了选定的论文（pp。73-82）。CHAM：瑞士施普林格。 •Mahanta，P.，Devi，N.，Bhattacharyya，D。K.和Kalita，J。K.（2016年12月）。 aCHAM：瑞士施普林格。•Mahanta，P.，Devi，N.，Bhattacharyya，D。K.和Kalita，J。K.（2016年12月）。a
Blake Bextine博士于2023年加入ARPA-H担任董事高级顾问。在加入ARPA-H之前，Bextine担任DARPA，担任计划经理S
Blake Bextine博士于2023年加入ARPA-H担任董事的高级顾问。在加入ARPA-H之前，Bextine从2016年3月开始担任DARPA，担任计划经理，并担任生物技术办公室的代理副总监两次。他对解决农业生物技术和粮食安全面临的问题的新方法感兴趣，包括基于核酸基于核酸的抗死病/抗原策略以及昆虫和植物转化策略，以进行快速特征选择。此外，Bextine还专注于使用尖端合成生物学平台的基础设施发展和废物消除的气候意识方法。
利用生物信号进行焦虑检测的机器学习
摘要：焦虑症 (AD) 是一种主要的精神疾病。然而，由于 AD 的症状和混杂因素很多，很难诊断，患者长期得不到治疗。因此，研究人员对非侵入性生物信号的兴趣日益浓厚，例如脑电图 (EEG)、心电图 (ECG)、皮肤电反应 (EDA) 和呼吸 (RSP)。将机器学习应用于这些信号使临床医生能够识别焦虑模式并区分病人和健康人。此外，已经开发了具有多种不同生物信号的模型，以提高准确性和便利性。本文回顾并总结了 2012 年至 2022 年发表的将不同的机器学习算法应用于各种生物信号的研究。在此过程中，它提供了当前发展优缺点的观点，以指导未来焦虑检测的进步。具体而言，这篇文献综述表明，对于样本量为 10 至 102 名参与者的研究，测量准确度在 55% 至 98% 之间，非常有希望。平均而言，仅使用 EEG 的研究似乎获得了最佳性能，但使用 EDA、RSP 和心率可获得最准确的结果。随机森林和支持向量机被发现是广泛使用的机器学习方法，只要进行了特征选择，它们就会产生良好的结果。神经网络也被广泛使用，并提供良好的准确性，其优点是不需要进行特征选择。这篇综述还评论了模态的有效组合以及检测焦虑的不同模型的成功。
基于深度学习的情绪识别方法，使用脑电图 (EEG) 信号，采用双向长短期记忆 (Bi-LSTM)
摘要：情绪是人类日常交流的重要组成部分。脑电图 (EEG) 信号可将大脑的情绪状态和动态联系起来，脑机接口 (BCI) 可利用这些信号提供更好的人机交互。在情绪识别领域已经进行了一些研究。然而，使用 EEG 信号的情绪识别过程面临的最重要问题之一是识别的准确性。本文提出了一种基于深度学习的通过 EEG 信号进行情绪识别的方法，包括数据选择、特征提取、特征选择和分类阶段。这项研究服务于医学领域，因为情绪识别模型有助于诊断心理和行为障碍。这项研究有助于提高情绪识别模型的性能，以获得更准确的结果，进而有助于做出正确的医疗决策。这项工作使用了标准的预处理生理信号情绪分析数据库 (DEAP)。从数据集中提取了统计特征、小波特征和赫斯特指数。特征选择任务通过二进制灰狼优化器实现。在分类阶段，使用堆叠双向长短期记忆 (Bi-LSTM) 模型来识别人类情绪。本文将情绪分为三大类：唤醒、效价和喜好。与过去研究中使用的方法相比，所提出的方法实现了较高的准确率，效价、唤醒和喜好的平均准确率分别为 99.45%、96.87% 和 99.68%，这被认为是情绪识别模型的高性能。
大鼠半乳糖诱导的白内障
背景：大鼠模型由于其成本效益以及与人类的显着生理和遗传相似性而广泛用于研究白内障，这项研究的目的是确定由于大鼠的半乳糖暴露而导致白内障的基因。方法：我们分析了来自基因表达综合的四个数据集，包括不同大鼠菌株中白内障的离体和体内模型。特征选择工具用于识别与白内障相关基因表达中潜在相关的基因。实施了决策树算法，并使用摇动和石灰来解释其预测。为了验证基因表达水平，在M199培养基中培养的六个大鼠透镜上进行了PCR，仅在M199中诱导白内障和六个镜片。结果：使用特征选择工具，四个关键基因 - plagl2，cmtm7，pcyt1b和nr1d2。在分析的数据集之间，只有白内障和对照组之间的PCYT1B显着差异。该模型显示出强大的预测性能，尤其是在离体数据集中。摇摆和石灰分析表明，CMTM7对模型预测的影响最大。PCR结果没有显示白内障和对照组之间基因表达的显着差异。结论：在体内数据集中训练的决策树模型可以预测过体内和体内白内障，尽管白内障和对照组之间没有发现显着的基因表达差异。给定少量样本，需要进行较大的研究来验证我们的发现。