XiaoMi-AI文件搜索系统
World File Search System脑中风
基于深度学习的脑卒中检测
2、3、4 印度斯坦工程技术学院本科生。 -----------------------------------------------------------------------***---------------------------------------------------------------- 摘要：几十年来，机器学习一直用于评估医疗数据集。中风是老年人最常见的疾病之一。这些图像的表示方法通常用于早期诊断中风。深度学习技术最近在计算机视觉、图像识别、自然语言处理以及最显著的放射学等多个领域获得了关注。本研究利用 CNN 和深度学习模型来诊断脑中风图像。建议的方法使用卷积神经网络将脑中风图像分为正常和病理类别。所有分类过程的最佳算法是卷积神经网络。我们发现深度学习模型不仅对非医学图像有用，而且还能在医学图像诊断中提供准确的结果，特别是在脑中风的检测方面。
使用深度学习预测脑卒中
计算机科学与工程系 1,2,3,4 SRM 科学技术学院，Vadapalani 钦奈，印度 摘要：脑中风是一种潜在的致命疾病，当大脑的血液供应突然被切断时就会发生。早期发现和预防对于改善患者的治疗效果至关重要，因为脑中风是全球残疾和死亡的主要原因。随着人工智能和机器学习的发展，人们对使用这些技术创建脑中风预测模型的兴趣日益浓厚。在本文中，我们提出了一种基于深度学习的脑中风预测方法。我们的策略基于卷积神经网络 (CNN) 和循环神经网络 (RNN) 的架构。RNN 分析患者的人口统计信息、病史和测试结果，而 CNN 用于从计算机断层扫描 (CT) 或磁共振成像 (MRI) 扫描等医学图片中提取特征。该模型使用大量患者记录数据集进行训练，包括曾患和未患脑中风的患者。我们的结果表明，上述基于深度学习的策略可以成为早期发现和预防脑卒中的有用工具。医疗保健提供者可以通过识别脑卒中高风险人群，采取主动措施阻止疾病的发生。此外，我们的方法可以与临床决策系统相结合，为患者护理提供即时预测和建议。因此，我们的研究表明，深度学习方法在创建精确可靠的脑卒中预测模型方面具有潜力。未来的研究可能会考察模型预测的可解释性以及我们的模型在不同患者群体和数据源中的通用性 关键词：深度学习、CNN、RNN、早期中风检测、临床决策
使用柔性单极天线进行早期脑卒中检测
摘要 — 本文设计、印刷并分析了一种喷墨印刷开槽圆盘单极天线，该天线在聚对苯二甲酸乙二酯 (PET) 基板上处于 2.45 GHz ISM 频段，可用于早期检测脑中风。PET 因其低损耗角正切、柔韧性和防潮特性而被用作基板。通过实施开槽方法，该天线的尺寸减小到 40 × 38 mm2。印刷天线的带宽为 480 MHz（19.55%），频率范围为 2.25 GHz 至 2.73 GHz。它显示出 99% 的辐射效率，在 2.45 GHz 频率下实现的增益为 2.78 dB。单基地雷达 (MR) 方法被视为通过分析有无中风的头部模型接收信号的变化来检测脑中风。计算了 2.45 GHz 频率下的最大特定吸收率 (SAR) 分布。紧凑的尺寸和灵活的特性使得该单极天线适合于脑中风的早期检测。
使用机器学习方法预测脑卒中
印度马哈拉施特拉邦浦那工程学院摘要 - 中风是一种通过撕裂大脑血管而造成损害的疾病。当大脑中的血液和各种营养物质停止流动时，也可能发生中风。根据世界卫生组织 (WHO) 的说法，中风是世界上导致死亡和残疾的主要原因之一。大多数工作都是关于心脏病发作的预测，但很少有工作显示脑中风的风险。因此，人工智能模型被用来预测脑中风的风险。该项目旨在确定患者中风风险的熟悉程度及其决定因素。该研究考虑了许多因素，并使用逻辑回归、决策树分类、随机森林分类、KNN 和 SVM 等 ML 算法进行准确预测。索引术语 - 机器学习；逻辑回归；决策树分类；随机森林分类；k-最近邻；支持向量机。
改进的ResNet152v2：使用基于迁移学习的方法对脑卒中进行二分类和混合分割
摘要简介：当脑血管破裂时，大脑会受到一种称为中风的疾病的伤害。当大脑的血液和其他营养物质流动中断时，可能会出现症状。世界卫生组织 (WHO) 声称，中风是全球致残和死亡的主要原因。通过及早发现中风的不同警告症状，可以减轻中风的严重程度。可以使用计算机断层扫描 (CT) 图像快速诊断脑中风。虽然专家们正在研究每一次脑部 CT 扫描，但时间过得很快。这种情况可能会导致治疗延迟和错误。因此，我们专注于使用有效的迁移学习方法进行中风检测。材料和方法：为了提高检测准确性，使用 Red Fox 优化算法 (RFOA) 对大脑中风影响的区域进行分割。然后使用高级 Dragonfly 算法进一步处理处理后的区域。分割后的图像提取包括形态学、小波特征和灰度共生矩阵 (GLCM)。然后使用修改后的 ResNet152V2 对正常和中风图像进行分类。我们使用脑卒中 CT 图像数据集使用 Python 进行测试以进行实施。结果：根据性能分析，所提出的方法优于其他深度学习算法，实现了 99.25% 的最佳准确度、99.65% 的灵敏度、99.06% 的 F1 分数、99.63% 的精确度和 99.56% 的特异性。结论：所提出的基于深度学习的分类系统在考虑性能标准的所有输入预测模型中返回最佳解决方案，并提高了系统的功效；因此，它可以更好地帮助医生和放射科医生诊断脑中风患者。
使用机器学习技术分析不平衡的中风预测数据集
摘要摘要中风是一种以脑内血管破裂为特征的疾病，可导致脑损伤。当大脑的血液和必需营养素供应中断时，可能会出现各种症状。本研究的主要目标是使用机器学习和深度学习来预测早期发生脑中风的可能性。及时发现中风的各种警告信号可以显著降低中风的严重程度。本文对特征进行了全面的分析，以提高中风预测的有效性。从 Kaggle 网站上获取了一个可靠的中风预测数据集，以衡量所提算法的有效性。该数据集存在类别不平衡问题，这意味着负样本总数高于正样本总数。结果基于使用过采样技术创建的平衡数据集报告。这项提案的工作使用 Smote 和 Adasyn 来处理不平衡问题，以获得更好的评估指标。此外，与原始不平衡数据集和其他基准测试算法相比，使用 Adasyn 过采样利用平衡数据集的混合神经网络和随机森林 (NN-RF) 实现了 75% 的最高 F1 分数。
使用机器学习预测脑卒中
摘要- 中风通常被称为脑血管意外 (CVA)，是指大脑的一部分失去血流，导致这些脑细胞控制的身体区域功能失调。由于血流不畅或脑组织出血，这种血液供应减少可能是缺血性或出血性的。由于可能导致死亡或终身残疾，中风是一种医疗紧急情况。缺血性中风可以得到控制，但这种治疗必须在中风症状出现后几小时内开始。如果怀疑是中风，患者、其家人或目击者应立即拨打紧急医疗救助电话。短暂性脑缺血发作 (TIA 或小中风) 是一种短暂的缺血性中风，症状会自行消失。这种情况也需要立即进行评估，以降低未来中风的风险。如果所有症状在 24 小时内消失，那么从定义上讲，这就是中风，而不是 TIA。世界卫生组织 (WHO) 称，中风是全球第二大死亡原因。约占所有死亡人数的 11%。我们的 ML 模型使用数据集进行生存预测，根据性别、年龄、各种疾病和吸烟状况等输入来确定患者中风的可能性。与大多数其他数据集不同，我们的数据集集中于脑中风的重要风险因素特征。关键词 - 计算机学习、脑损伤。短暂性脑缺血发作、缺血性中风。