XiaoMi-AI文件搜索系统
World File Search System自动检测
使用基于 glcm 的特征自动检测脑肿瘤...
在医学成像应用中，对脑肿瘤的准确检测和分类仍然至关重要。利用现代机器学习技术对于实现精确和自动化诊断至关重要。本研究介绍了一种使用开源 Kaggle 数据集磁共振成像 (MRI) 扫描进行脑肿瘤检测和分类的自动化系统。该系统采用 Otsu 阈值进行图像分割，基于 GLCM 的特征提取进行有效的特征工程，并采用 PCA（主成分分析）进行降维。值得注意的是，GLCM 提取的显着特征使用一种称为自适应 SVM（支持向量机）的自适应机器学习算法进行分类，从而增强了分类过程。以性能评估为重点，提出的算法结合了自适应 SVM 作为分类器，并与现有方法进行了严格评估。值得注意的是，实验结果表现出卓越的准确性，所提出的方法在检测和分类脑肿瘤方面均实现了令人印象深刻的 98.3% 的准确率。这种优于以前方法的优势凸显了组合 GLCM、PCA 和 SVM 方法在脑肿瘤分类和检测中的有效性，为诊断带来了有希望的进步。这些发现对医学成像中蓬勃发展的机器学习领域做出了重大贡献，强调了自适应 SVM 作为提高诊断精度的宝贵工具的潜力。值得注意的是，所达到的准确率达到 98.3%，超过了现有研究的准确率，进一步巩固了所提出的系统在临床实践中的有效性。
使用机器学习对主动脉狭窄的自动检测
结果：包括577名患者的注释图像。对来自338名患者的数据（平均n = 10,253个标记图像）的数据进行了培训，对119名患者进行了验证（平均n = 3,505个标记的图像），并对120名患者的测试组（平均n = 3,511个标记的图像）进行了评估。用AUROC为0.96实现的全自动筛选。 网络可以区分明显的（无度，轻度至中度）与明显的（中度或重度），而AUROC为0.86，早期（轻度或轻度至中度至中度）和显着（中度或重度），而AUROC为0.75。 在8,502个门诊经胸膜超声心动图的队列中对这些网络的外部验证表明，仅使用parasternal的长轴成像仅用AUROC进行0.91的筛查，可以实现AS筛选。用AUROC为0.96实现的全自动筛选。网络可以区分明显的（无度，轻度至中度）与明显的（中度或重度），而AUROC为0.86，早期（轻度或轻度至中度至中度）和显着（中度或重度），而AUROC为0.75。在8,502个门诊经胸膜超声心动图的队列中对这些网络的外部验证表明，仅使用parasternal的长轴成像仅用AUROC进行0.91的筛查，可以实现AS筛选。
使用...自动检测自闭症谱系障碍
摘要：自闭症谱系障碍 (ASD) 是一种脑部疾病，其特征是在儿童早期出现各种体征和症状。ASD 还与受影响个体的沟通障碍和重复行为有关。已经开发了各种 ASD 检测方法，包括神经影像学模式和心理测试。在这些方法中，磁共振成像 (MRI) 成像模式对医生至关重要。临床医生依靠 MRI 模式准确诊断 ASD。MRI 模式是非侵入性方法，包括功能性 (fMRI) 和结构性 (sMRI) 神经影像学方法。然而，对于专家来说，使用 fMRI 和 sMRI 诊断 ASD 通常费力且耗时；因此，已经开发了几种基于人工智能 (AI) 的计算机辅助设计系统 (CADS) 来协助专科医生。传统的机器学习 (ML) 和深度学习 (DL) 是用于诊断 ASD 的最流行的 AI 方案。本研究旨在回顾使用 AI 自动检测 ASD。我们回顾了几种使用 ML 技术开发的 CADS，用于使用 MRI 模式自动诊断 ASD。使用 DL 技术开发 ASD 自动诊断模型的研究非常有限。补充附录提供了使用 DL 开发的研究摘要。然后，详细描述了使用 MRI 和 AI 技术自动诊断 ASD 期间遇到的挑战。此外，还讨论了使用 ML 和 DL 自动诊断 ASD 的研究的图形比较。我们建议未来使用 AI 技术和 MRI 神经成像检测 ASD 的方法。
使用机器学习方法自动检测嗜睡
摘要。如今，交通事故的数量稳步增加。这些事故的主要原因是由于饮酒和驾驶员疲劳而导致的驾驶受损。主要目标是创建一个能够测量驾驶员嗜睡程度的系统。如果确定了嗜睡，则将通过与警报警告系统和文本消息系统集成来发出警告。嗜睡检测是使用OpenCV，Python和机器学习构建的。在研究中利用了大量的注释驱动器图像以及各种驾驶场景和照明条件的图像，以增强数据集。用于检测驱动器嗜睡的系统提供了一种可行的方法，可以避免因驾驶员疲倦而导致的汽车事故。它检查驾驶员的眼睛并在必要时提醒他们。进一步的改进可以通过最大程度地减少虚假警告数量来提高警报系统的准确性。
使用机器学习对在线骚扰的自动检测
社交网络的广泛使用已改变了人们交流，共享信息和与他人联系的方式。尽管这些平台提供了许多好处，但它们也会引起有害行为，例如网络欺凌，在线骚扰和仇恨言论。在线骚扰可能会对受害者产生严重的心理，情感和社会后果，这是确保安全和积极的数字环境的关键问题。社交网络的匿名性和影响力常常加剧问题，因为有害内容会迅速传播并影响大量受众。调节在线内容的传统方法在很大程度上取决于手动审查和用户报告。但是，这些方法耗时，效率低下，通常无法实时检测滥用内容。因此，在升级之前能够识别和缓解在线骚扰的自动化系统迫切需要。机器学习（ML）和自然语言处理（NLP）通过在社交媒体上自动检测有害内容来提供有希望的解决方案。
深卷卷神经网络基于脑肿瘤的自动检测
摘要 - 深度卷积神经网络（DCNN）已被广泛研究以在生物医学图像处理领域进行不同类型的检测和分类。其中许多产生的结果与放射科医生和神经病学家相比，与之相当甚至更好。但是，从此类DCNN中获得良好结果的挑战是大型数据集的要求。在本研究中，本研究介绍了一种独特的基于单模型的方法，用于对小数据集进行分类。使用了一个称为regnety-3.2g的修改后的DCNN，与正则化掉落和下降块集成在一起，以防止过度拟合。此外，一种改进的增强技术称为randaugment来减轻小数据集的问题。最后，MWNL（多加权的新损失）方法和端到端CLS（累积学习策略）用于解决样本规模不平等的问题，分类中的复杂性以及降低样本对培训的影响。索引术语 - 脑部肿瘤，深度学习，机器学习，数据增强，卷积神经网络，MRI
一种CNN方法来自动检测和分类脑肿瘤
摘要 - 脑肿瘤需要评估以确保及时诊断和有效的患者治疗。形态学因素，例如大小，位置，纹理和可变外观 - 肿瘤检查。医学成像提出了挑战，包括噪声和不完整的图像。本研究文章介绍了一种处理磁共振成像（MRI）数据的方法，包括用于图像分类和DeNoing的技术。有效使用MRI图像使医疗专业人员可以检测包括肿瘤在内的脑部疾病。这项研究旨在通过分析提供的MRI数据来对健康的脑组织和脑肿瘤进行分类。与诸如计算机断层扫描（CT）之类的替代方法不同，MRI技术提供了内部解剖组件的更详细表示，是研究与脑肿瘤相关的数据的合适选择。MRI图片首先使用各向异性扩散滤波器进行脱氧技术。用于模型创建的数据集是公共访问且经过验证的脑肿瘤分类（MRI）数据库，其中包括3,264次大脑MRI扫描。SMOTE用于数据增强和数据集平衡。卷积神经网络（CNN），例如RESNET152V2，VGG，VIT和EFIDENTEN，用于分类程序。有效网络的精度为98％，是记录最高的。索引术语 - MRI，EfficityNet，脑肿瘤，Smote，CNN
使用可穿戴 fNIRS 和机器学习自动检测认知疲劳
摘要：可穿戴传感器越来越多地应用于医疗保健领域，以生成数据并以不引人注意的方式监控患者。它们在脑机接口 (BCI) 中的应用允许不引人注意地监控一个人的认知状态。认知疲劳是与多个领域相关的一种特殊状态，它可能会影响绩效和注意力等能力。对这种状态的监测将应用于真实的学习环境中，以检测和建议有效的休息时间。在本研究中，使用两个功能性近红外光谱 (fNIRS) 可穿戴设备构建 BCI，以使用机器学习算法自动检测认知疲劳状态。开发了一种实验程序来有效诱导认知疲劳，其中包括接近真实的数字课程和两个标准认知任务：Corsi-Block 任务和集中任务。机器学习模型经过用户调整，以考虑每个参与者的个人动态，分类准确率达到约 70.91 ± 13.67%。我们得出的结论是，尽管该方法对某些受试者有效，但在应用之前需要单独验证。此外，任务时间并不是分类（即诱发认知疲劳）的特别决定因素。进一步的研究将包括其他生理信号和人机交互变量。
从智能手机捕获的心电图照片中自动检测心脏状况
摘要背景研究人员已经开发了基于机器学习的ECG诊断算法，这些算法匹配甚至超过心脏病专家的性能水平。但是，它们中的大多数不能用于现实世界中，因为老年的ECG机器不允许安装新算法。目的是开发一种智能手机应用程序，该应用程序会自动从照片中提取ECG波形，并通过研究人员构建的各种诊断算法将其转换为电压序列进行下游分析。方法是使用客观检测和图像分割模型从临床医生拍摄的照片中自动提取ECG波形的一种新型方法。模块化机器学习模型的开发是为了依次执行波形识别，脱离环线和比例校准。然后使用基于机器学习的心律分类器分析提取的数据。从40个516扫描和444张照片的ECG的结果波形自动提取。扫描13 258（96.8％）的12 828（96.8％）和5743中的5399（94.0％）被正确裁剪和标记。11 604 of 12 735（91.1％）扫描，5752中的5062（88.0％）拍摄的波形在自动环和噪声删除后获得了成功的电压时间信号提取。在概念验证示范中，使用ECGS的照片作为输入，使用ECGS的照片，可达到91.3％的敏感性，94.2％的敏感性，94.2％的特异性，95.6％的阳性预测价值，88.6％的负预测值和93.4％的F1得分。结论对象检测和图像分割模型允许从照片中自动提取ECG信号以进行下游诊断。这条新颖的管道规定了需要昂贵的ECG硬件升级的需求，从而为大规模实施基于机器学习的诊断算法铺平了道路。