XiaoMi-AI文件搜索系统
World File Search System音系学
听觉和语言的解剖学和生理学
• 言语发音，包括发音、运动计划和执行、音系学和口音矫正 • 流畅性和流畅性障碍 • 声音和共鸣，包括呼吸和发声 • 接受性语言和表达性语言，包括音系学、形态学、句法学、语义学、语用学（语言使用和交流的社会方面）、语言前交流（如手势、符号、肢体语言）以及说、听、读、写的能力 • 听力，包括对言语和语言的影响 • 吞咽/喂食，包括（a）颌面肌的结构和功能和（b）口腔、咽喉、肺、食道、胃肠道和生命周期内的相关功能 • 沟通的认知方面，包括注意力、记忆力、排序、解决问题和执行功能 • 沟通的社会方面，包括挑战性行为、无效的社交技能和缺乏沟通机会 • 辅助和替代沟通方式
VAIDIO — AI影像辨识入侵侦测系统
本产品具有以人工智慧与深度学习技术作为基础的AI引擎，可以针对影像串流中的目标物件作进㇐步的种类辨识。例如将「人」作为目标辨识物件， AI引擎便会排除因为其他不相关物体(动物、塑胶袋、黄昏/黎明的光影移动)进入目标侦测区域(ROI, Region of Interest)所产生的误报，大幅提升入侵侦测的准确率。
理工系教养科目(宇宙地球科学) Basic science and technology ...
理工系教养科目(宇宙地球科学) Basic science and technology courses (Earth and space sciences)
科学与工程通识教育科目（太空和地球科学）基础科学与技术...
理工系教养科目 (宇宙地球科学) Basic science and technology courses (Earth and space sciences)
音乐和语言获取
音乐扩展到仅仅是娱乐性，具有增强众多能力的潜力，正如Schellenberg阐明的那样[8]。在这些功能中，音乐与语言技能之间的关联是显着的。大量个人坚持音乐可以有效地帮助语言获取的观念。作为Gerry等人。认为，音乐会培养神经系统的演变，因此经常帮助婴儿学习语言。另外，有人提出音乐允许儿童处于最早的发育阶段，可以理解其周围环境，而不是语言理解。鉴于两者都是表达方式，创造力可能会增强其获取和应用语言的能力。此外，Janus等人进行的研究。[7]建议，接受了音乐训练并成功掌握第二语言的个人在非语言执行控制任务中经常表现出卓越的表现。这导致了音乐和语言可能具有某些固有特征的推论。一些从业人员甚至采用音乐作为教学语言的教学策略，因为歌曲可能会增强记忆合并。这种语言学习的增强可能会进一步扩展到音乐引起的其他认知效果。尽管有足够的研究致力于探索音乐与认知能力之间的相互作用，但直接检查音乐和语言之间的相互关系仍然相对较少。因此，本文献综述打算仔细检查在认知能力，语言作品和神经发展的背景下研究个人与语言和音乐相遇的研究。
音乐和语言发展
在音乐体验中使用了其他感官，因为声音振动的不同频率传递给了大脑。例如，主要基于低频声音和“节拍”的摇滚音乐使我们想移动 - 它刺激了身体，以模仿音乐的动作；古典音乐包含较高的声音频率，这些声音刺激了大脑的较高区域，引起了人们的注意。因此，如果我们想吸引我们的孩子，我们会用尽乐观的音乐 - 但是，这种唤醒音乐的太多并不能提高注意力，而婴儿将变得太兴奋，并且并不是真正专注于您试图促进的活动。同样，不断播放或唱歌舒缓的音乐只会使您的宝宝入睡 - 方便您在想让他们入睡时，但对任何“学习播放”都不好。因此，最好的歌曲和节奏歌曲的关键特征是情绪高涨的平衡饮食，其次是放松和休息的时期 - 对大家来说！
语言学（辅修）
语言学是研究人类语言的科学。它力求确定人类语言中什么是必要的、什么是可能的、什么是不可能的。语言学家在努力确定各个语言的独特品质的同时，也在不断寻找语言的普遍性——这些属性的解释力可以跨越所有语言。语言学学科围绕句法（句子的组织原则）、形态学（单词的构造原则）、语义学（意义的研究）、语音学（语音的研究）、音系学（语言的声音模式）、历史语言学（语言随时间变化的方式）、社会语言学（语言与社会的相互作用）、心理语言学和神经语言学（语言在大脑中的表征）。目前，教职员工的研究涵盖整个领域，包括句法和语义的相互作用、语音学和音系学、语言接触、洋泾浜语和克里奥尔语、城市社会语言学以及句法过程的计算机类比等主题。
使用预先训练的深度学习模型对 EEG 数据进行内部学习......
内在语言是一种内化的语言，人们用这种语言思考纯粹的意义。从大脑活动数据中解码内在语言不仅可以促进残障患者的交流，还可以帮助健康人整理思路，提高对元认知的理解。在之前的研究中，一种名为 EEGNet 的 EEG 数据深度学习模型被用于内在语言解码。然而，它在 4 类分类任务中只达到了 30% 的准确率。数据稀缺和内在语言解码固有的难度可能是原因，但这项研究假设以前的研究中特征提取不足。为了提高解码内在语言的准确性，使用迁移学习被认为是更有效的；在这种学习中，模型事先在不同的数据集上进行训练，然后针对目标数据进行微调。然而，迁移学习尚未应用于内在语言，甚至尚未应用于 EEG 数据。迁移学习对不同任务的脑电图数据或非脑电图数据的有效性尚未得到充分验证。本研究通过使用不同任务的脑电图数据和非脑电图数据对公开的内部语音数据集进行迁移学习，验证了特征提取的改进。结果证实，使用来自不同受试者的数据的迁移学习可以提高内部语音的准确性，但使用来自不同任务的脑电图数据的迁移学习则不会。另一方面，对于图像数据集，通过冻结某些层可以确认准确性的提高，即使数据的性质与脑电图数据不同。
人工智能在临床诊断中的应用
1 ）美国国家科学、工程和医学院医学研究所。人非圣贤，孰能无过。华盛顿哥伦比亚特区：美国国家科学院出版社；2001。 2 ）美国国家科学、工程和医学院医学研究所。改善医疗保健诊断。华盛顿哥伦比亚特区：美国国家科学院出版社；2016。 3 ） Rajkomar A，Dean J，Kohane I。医学中的机器学习。N Engl J Med 2019；380：1347―58。 4 ） Crombie DL。诊断过程。J Coll Gen Pract 1963；6：579―89。 5 ） Sandler G。临床医学中病史的重要性以及不必要检查的成本。Am Heart J 1980； 100: 928 ― 31。6）Heneghan C，Glasziou P，Thompson M，Rose P，Balla J，Lasserson D 等. 初级保健中使用的诊断策略. BMJ 2009; 338: b946。7）Shimizu T，Tokuda Y. 枢轴和集群策略：预防诊断错误的措施. Int J Gen Med 2012; 5: 917 ― 21。
