XiaoMi-AI文件搜索系统
World File Search System集训
精准医疗的新时代
哈佛医学院的研究人员和麻省理工学院的研究人员在麻省总医院合作，他们假设他们可以建立一个深度学习模型来评估肺部扫描成像并预测个人风险，而无需额外的人口统计或临床数据。哈佛/麻省理工学院的团队使用三组低剂量计算机断层扫描 (LDCT 扫描) 数据集训练了一个 3D 卷积神经网络架构，一组来自 NLST 参与者的 6,282 次 LDCT，来自麻省总医院的 8,821 次 LDCT，以及来自长庚纪念医院的 12,280 次 LDCT，其中包括具有各种吸烟史的人（包括非吸烟者）。他们的模型名为 Sybil，由几家大型医疗保健公司和投资者资助，事实证明，只需一次低剂量计算机断层扫描 (LDCT) 扫描即可准确预测吸烟者和非吸烟者未来患肺癌的风险。
通过脑电图在线识别情绪
摘要 — 脑信号的自动模式识别可以带来新的体验，增强广泛领域的应用。其研究领域之一是通过脑电图 (EEG) 识别情绪，与其他方法相比，它显示出独特的优势。然而，脑机接口 (BCI) 的研究通常分为两个连续的阶段：数据收集和数据分析。这些阶段在生产环境中的功能系统视角中留下了一个空白，因为从业者需要等待相当长的时间才能看到当前活动的结果。在这项工作中，利用开放资源开发了一个情绪（积极、中性和消极）的在线分类系统。使用 SEED IV 数据集训练了五个机器学习模型，该数据集标有不同的情绪。使用嵌套交叉验证和网格搜索对模型进行训练和测试，以获得最佳超参数。Python 中的算法实现与 OpenBCI 软件集成，以捕获 EEG 信号、处理它们并命令模拟。单个受试者的最佳平均准确率为76.19%，全体受试者的平均准确率为57.07%，信号处理和预测的平均执行时间加起来约为1毫秒，展现了实时特性的应用潜力。
使用基于 AI 的姿势识别支持的 MOCAP 系统辅助观察人体工程学评估方法
摘要。观察性人体工程学评估方法具有固有的主观性。即使使用相同的数据集，观察者的评估结果也可能不同。虽然运动捕捉 (MOCAP) 系统提高了运动数据收集的速度和准确性，但用于计算评估的算法似乎依赖于预定义的条件来执行它们。此外，这些条件的创作并不总是很清楚。利用人工智能 (AI) 和 MOCAP 系统，计算机化的人体工程学评估可以变得更像人类观察，并且随着时间的推移而改进，只要有适当的训练数据集。人工智能可以协助人体工程学专家进行姿势检测，这在使用需要姿势定义的方法（例如 Ovako 工作姿势评估系统 (OWAS)）时很有用。本研究旨在证明人工智能模型在进行人体工程学评估时的实用性，并证明拥有专门的数据库用于当前和未来的人工智能训练的好处。使用 Xsens MVN MOCAP 数据集训练了几种算法，并比较了它们在用例中的性能。人工智能算法可以提供准确的姿势预测。所开发的方法旨在提供基于对多名工人的观察来进行人工智能辅助人体工程学评估的指导方针。
使用Inception V3 检测番茄叶疾病使用Inception V3
abhishek_official@hotmail.com，mahato.satyajeet1@gmail.com摘要：农业是我们社会最关键的领域之一，自从中世纪以来。作物疾病是对粮食安全的重大威胁，但是由于世界许多地方缺乏设施，因此很难及时检测。细菌和真菌以多种方式感染番茄植物。早期疫病和晚期疫病是两种影响植物的真菌疾病。细菌斑是由四种xanthomonas物种引起的，可以在多于西红柿的任何地方找到。智能手机辅助疾病检测现在是可能的，这要归功于全球智能手机的渗透不断上升，并且通过深度学习使机器视觉的最新发展成为可能。为了区分不同的番茄叶，我们使用了54,306张在受控条件下收集的患病和健康植物叶片图像的公共数据集训练了深度卷积神经网络疾病，并选择了西红柿的图像。对越来越广泛且公共可访问的图像数据集的培训深度学习模型指向技术诊断的直接途径。关键字：早期疫病，晚疫病，细菌斑点，叶片，片状叶斑，靶点点，黄色叶卷病毒，Mosiac病毒，两个斑点的蜘蛛螨1.引言农业是每个文明的基本基础之一。种植蔬菜（如西红柿）在印度各种亚热带气候中有效。一种患病的植物无法达到其正常状态。晚疫病和早期疫病是两种常见的番茄疾病[1]。一种疾病也可以描述为干扰植物的产量并降低其活力。在印度，疾病随季节的变化而受到环境因素的影响。病原体和本季节种植的各种作物在这些疾病中起作用。他们有可能破坏番茄植物和农业土地。可能会发现晚期疫病和植物叶的早期疫病，但是如果手动执行需要很长时间。结果，需要更新的更改。借助图像处理和计算机视觉，有很多方法可以检测对象及其独特的特征。深度学习CNN模型[2]是最常见的方法之一。在我们的情况下，该模型将根据叶子的图片检测疾病。