XiaoMi-AI文件搜索系统
World File Search System用语
在基本教室中使用语音教学和干预措施的有效性
这个项目（696或796注册）是由Red的研究生研究带给您的，可以免费获得，并获得了数字收藏的存储库。已被授权的Red：Digital Collections的授权管理员所接受，将其纳入论文，论文和项目。有关更多信息，请联系red@mnstate.edu。
利用语音 AI 和深度学习重新构想虚拟会议
Pexip 战略联盟高级副总裁 Eddie Clifton 表示：“Pexip 的语音解决方案采用先进的架构，这使我们的 Pexip 团队能够提供增强的虚拟会议体验，从而为更具包容性的人际互动创造空间。”“接下来，我们将探索使用 NVIDIA Maxine 进一步扩展和应用我们的服务器端转码技术，以及使用 NVIDIA Riva 进一步扩展和应用语音 AI 技术。”Pexip 和 NVIDIA Maxine 致力于添加创新的降噪技术，消除背景噪音，并使会议体验更加强大。Pexip 和 NVIDIA Riva 正在探索为需要极度保密的客户引入语音技术，用于 Pexip 本地服务。
利用语音和人工智能筛查早期阿尔茨海默病和淀粉样β蛋白阳性
早期发现阿尔茨海默病对于确定适合使用改善病情的药物的患者和改善非药物预防干预措施的可及性至关重要。先前的研究表明，阿尔茨海默病痴呆及其临床前期患者的言语变化是可察觉的。本研究评估全自动语音人工智能系统是否可以检测认知障碍和淀粉样蛋白β阳性，这是阿尔茨海默病早期的特征。来自英国（NCT04828122）和美国（NCT04928976）姊妹研究的 200 名参与者（年龄 54-85 岁，平均 70.6 岁；114 名女性，86 名男性）完成了相同的评估，并在当前分析中进行了合并。参与者是从先前的临床试验中招募的，这些试验中淀粉样蛋白β状态（97 人淀粉样蛋白阳性，103 人淀粉样蛋白阴性，通过 PET 或 CSF 测试确定）和临床诊断状态已知（94 人认知无障碍，106 人患有轻度认知障碍或轻度阿尔茨海默病）。自动故事回忆任务是在有监督的面对面或远程医疗评估期间进行的，参与者被要求立即回忆故事，并在短暂的延迟后回忆故事。人工智能文本对评估模型从原始故事文本生成基于向量的输出，并记录和转录参与者的回忆，量化它们之间的差异。基于向量的表示被输入到逻辑回归模型中，用锦标赛留对交叉验证分析进行训练，以预测淀粉样蛋白β状态（主要终点）、轻度认知障碍和诊断亚组中的淀粉样蛋白β状态（次要终点）。通过将测试结果的受试者工作特征曲线下面积与参考标准（诊断和淀粉样蛋白状态）进行比较来评估预测。模拟分析评估了基于言语的筛查的两个潜在优势：（i）与简易精神状态检查相比，在初级保健中筛查轻度认知障碍，以及（ii）在确定淀粉样蛋白阳性样本时，在 PET 扫描之前进行预筛查。基于言语的筛查可预测全样本中的淀粉样蛋白β阳性（曲线下面积 = 0.77）和轻度认知障碍或轻度阿尔茨海默病（曲线下面积 = 0.83），并预测子样本中的淀粉样蛋白β（轻度认知障碍或轻度阿尔茨海默病：曲线下面积 = 0.82；认知无障碍：曲线下面积 = 0.71）。模拟分析表明，在初级保健中，基于言语的筛查可以略微提高对轻度认知障碍的检测（+8.5%），同时降低假阳性（-59.1%）。此外，基于言语的淀粉样蛋白预筛查估计可分别将轻度认知障碍患者和认知未障碍患者所需的 PET 扫描次数减少 35.3% 和 35.5%。基于语音的评估为轻度认知障碍和淀粉样蛋白β阳性提供了方便且可扩展的筛查。
使用语音生物标记物对成年远程医疗呼叫者的自杀风险进行分类：回顾性观察研究
背景：人工智能有可能革新目前用于检测自杀迫在眉睫的风险的做法，并解决传统评估方法的缺陷。目标：在本文中，我们试图根据澳大利亚 2 家远程医疗咨询服务机构拨打的大量（n=281）电话，将短片段（40 毫秒）的语音根据自杀低风险和迫在眉睫的风险自动分类。方法：本研究纳入了来自澳大利亚 On The Line（n=266，94.7%）和堪培拉 000 紧急服务（n=15，5.3%）的共 281 条帮助热线电话录音。当呼叫者确认意图、计划和手段的可用性时，对迫在眉睫的自杀风险进行编码；风险级别由响应咨询师评估，并由临床研究团队使用哥伦比亚自杀严重程度评定量表（=5/6）重新评估。低自杀风险在没有意图、计划和手段的情况下通过哥伦比亚自杀严重程度量表评分（=1/2）进行编码。预处理包括语音信号的标准化和预强调，而语音生物特征则使用统计语言 r 提取。使用套索回归确定候选预测因子。使用带有样条函数以解释非线性的广义加性混合效应模型将每种语音生物标记物评估为自杀风险的预测因子。最后，使用逐个分量的梯度增强模型根据预编码的自杀风险评级对每通通话记录进行分类。结果：总共将 77 个迫在眉睫的风险呼叫与 204 个低风险呼叫进行了比较。此外，从每个语音帧中提取了 36 个语音生物标记物。呼叫者性别是一个显着的调节因素（β =–.84，95% CI –0.85，-0.84；t =6.59，P <.001）。候选生物标记物减少到 11 个主要标记物，并为男性和女性开发了不同的模型。使用留一交叉验证，确保没有一个呼叫者的语音帧同时出现在训练和测试数据集中，精度或召回曲线下面积达到 0.985（95% CI 0.97, 1.0）。gamboost 分类模型正确分类了 469,332/470,032（99.85%）个语音帧。结论：本研究展示了在生态有效环境中对即将发生的自杀风险进行客观、有效和经济的评估，并可能应用于实时评估和响应。试验注册：澳大利亚新西兰临床试验注册中心 ACTRN12622000486729；https://www.anzctr.org.au/ACTRN12622000486729.aspx
一种使用语音图像和耳朵的新型在线 BCI 系统......
背景和目标：本文研究了一种通过脑机接口 (BCI) 与家用电器交互的新方法，使用定制的可穿戴 BCI 耳机从用户耳朵周围获取脑电图 (EEG) 信号。方法：用户参与语音想象 (SI)，这是一种心理任务，他们想象说出一个特定的单词而不产生任何声音，以控制交互式模拟家用电器。在这项工作中，采用了多种模型来提高系统的性能。时间堆叠多频带协方差矩阵 (TSMBC) 方法用于表示 SI 任务期间的神经活动，其中包括空间、时间和频谱信息。为了进一步提高我们提出的系统在日常生活中的可用性，增加了一个校准会话，其中对预训练模型进行了微调，以在最少的训练下保持性能。招募了 11 名参与者，在三个不同的会话中评估我们的方法：一个训练会话、一个校准会话和一个在线会话，在在线会话中，用户可以自由地自行实现给定目标。结果：在离线实验中，所有参与者都能够实现明显高于偶然水平的分类准确率。在在线实验中，少数参与者能够使用所提出的系统以较高的准确率和相对较快的命令传递速度自由控制家用电器。最好的参与者分别实现了 0.85 和 3.79 s/命令的平均真实阳性率和命令传递时间。结论：基于积极的实验结果和用户调查，新颖的基于耳部 EEG-SI 的 BCI 范式是一种有前途的可穿戴 BCI 系统用于日常生活的方法。© 2022 Elsevier BV 保留所有权利。
符号作为弥合人机鸿沟的通用语言，用于可解释和可建议的人工智能系统
尽管许多现代人工智能系统通常能够学习自己的表征，拥有令人惊讶的强大功能，但人们对它们的不可捉摸性以及与人类互动能力随之而来的问题感到非常不满。虽然已经提出了神经符号方法等替代方案，但对于这些方法的具体内容缺乏共识。通常有两个独立的动机：(i) 符号作为人机交互的通用语言；(ii) 符号作为人工智能系统在其内部推理中使用的系统生成的抽象。关于人工智能系统是否需要在其内部推理中使用符号来实现一般智能能力，目前尚无定论。无论答案是什么，人机交互中对（人类可理解的）符号的需求似乎非常引人注目。符号，就像情绪一样，可能不是智能本身的必要条件，但它们对于人工智能系统与人类互动至关重要——因为我们既不能关闭我们的情绪，也不能没有我们的符号。特别是在许多人为设计的领域，人类会对提供明确的（符号）知识和建议感兴趣——并期望机器以同样的方式进行解释。仅此一点就要求人工智能系统维护一个符号界面以便与人类互动。在这篇蓝天论文中，我们论证了这一观点，并讨论了需要追求的研究方向，以实现这种类型的人机互动。
利用语义相似性解释人工智能对疾病进展的预测
摘要 神经退行性疾病的复杂性促使人们开发人工智能方法来预测损伤和疾病进展的风险。然而，尽管这些方法取得了成功，但它们大多是黑箱性质，阻碍了它们在疾病管理中的应用。可解释的人工智能有望通过对模型及其预测进行解释来弥合这一差距，从而促进用户的理解和信任。在生物医学领域，鉴于其复杂性，可解释的人工智能方法可以从将模型与领域知识的表示（本体）联系起来中受益匪浅。本体提供了更多可解释的特征，因为它们在语义上丰富且情境化，因此最终用户可以更好地理解；它们还对现有知识进行建模，从而支持探究给定的人工智能模型结果如何与现有科学知识相吻合。我们提出了一种可解释性方法，利用丰富的生物医学本体全景来构建基于语义相似性的解释，将患者数据和人工智能预测情境化。这些解释反映了人类的基本解释机制——相似性——同时解决了数据复杂性、异质性和规模的挑战。
围手术期医学中的人工智能：适用于 FDA 批准设备的通用语言提案
随着人工智能在围手术期医学中的应用越来越普遍，临床医生区分这些算法的差异化方面的能力至关重要。目前，有许多营销和技术术语来描述这些算法，但标准化程度很低。此外，与算法开发人员的沟通对于实现有效和实用的实施至关重要。这些讨论中特别令人感兴趣的是医疗从业者对算法和工具的输出或预测的理解程度。这项工作提出了一种简单的命名法，临床医生和开发人员都可以理解，以快速描述模型结果的可解释性。有三个高级类别：透明、半透明和不透明。为了证明该术语的适用性和实用性，这些术语被应用于已获得食品和药物管理局批准的人工智能和机器学习产品。在此审查和分类过程中，发现 22 种算法具有围手术期效用（在总共 70 种算法的数据库中），其中 12 种有公开的引文。这项工作的主要目的是建立一个通用的命名法，以加快和简化从临床医生到开发人员的算法要求的描述以及从开发人员到临床医生的适当的模型使用和限制的解释。
使用语义系统工程技术验证...
简介MBSE旨在将工程模型整合到工具和领域边界跨越传统系统工程活动（例如，需求启发和可追溯性，设计，分析，验证和验证）[1]，[2]。但是，MBSE与复杂的系统工程项目涉及的多个基于模型的基础架构的互操作性并不能固有地解决。挑战是在系统工程的三个维度上实施数字连续性：跨学科，整个生命周期和供应链[3]。更改系统要求或设计必须通过供应链自动繁殖，以促进对其影响的快速评估。文档将在需要时自动生成和更新。
应用语言学文学硕士 S.no 注册号 姓名 课程 科目 1 20HAMA07 CHAVALA MANOJ KUMAR 应用语言学文学硕士 2 20HAMA17 NYATHA TIRUPATHI 应用语言学文学硕士
MSC 数学 1 20MMMM05 RAMESH BABU M 理科硕士 数学/应用数学 2 20MMMM09 KAUSTUVA GHOSH 理科硕士 数学/应用数学 3 20MMMM10 JOYDIP MONDAL 理科硕士 数学/应用数学 4 20MMMM14 SUDIP MANNA 理科硕士 数学/应用数学 5 20MMMM20 SANDIPAN DAS 理科硕士 数学/应用数学 6 20MMMM23 RIYA MANDAL 理科硕士 数学/应用数学 7 20MMMM26 RASMITA BEHERA 理科硕士 数学/应用数学 8 20MMMM28 K SUVARNA KUMARI 理科硕士数学/应用数学 9 20MMMM30 MANYA RAJ 理学硕士 数学/应用数学 10 20MMMM31 KUNDAN YADAV 理学硕士 数学/应用数学 11 20MMMM32 NAUMAN ANSARY 理学硕士 数学/应用数学 12 20MMMM33 SAFURUDDIN MONDAL 理学硕士 数学/应用数学 13 20MMMM36 PAWAN KUMAR SAW 理学硕士 数学/应用数学 14 20MMMM38 ARKA GHOSH 理学硕士 数学/应用数学 15 20MMMM43 AVIRAL SRIVASTAVA 理学硕士 数学/应用数学 16 20MMMM44 SASWATA GHOSH 理学硕士数学/应用数学 17 20MMMM46 RIJU PATRA 理学硕士 数学/应用数学 18 20MMMM50 KARIMAJJI KESAVARAO 理学硕士 数学/应用数学 19 20MMMM57 ANWESHA SAMANTA 理学硕士 数学/应用数学