WiMi ประกาศการจําแนกประเภทที่ปรับปรุงขึ้นบนพื้นฐานของ EEG และ fNIRS

(SeaPRwire) –   ปักกิ่ง, วันที่ 28 พฤศจิกายน 2566 — บริษัท WiMi Hologram Cloud Inc. (NASDAQ: WIMI) (“WiMi” หรือ “บริษัท”) ให้บริการเทคโนโลยีฮอโลแกรมเสริมความจริง (AR) ระดับโลก ได้ประกาศว่า โดยรวมข้อมูลจาก EEG และ fNIRS และใช้แอลกอริทึมเพื่อเรียนรู้เครื่องจักรเพื่อการจัดประเภทที่ปรับปรุง ความเป็นพลวัตรระหว่าง EEG และ fNIRS ไม่เพียงที่จะปรับปรุงความแม่นยําและความละเอียดของการรู้จํากิจกรรมสมอง แต่ยังให้ข้อมูลสนับสนุนที่ครอบคลุมมากขึ้นสําหรับการวิจัยวิทยาศาสตร์ประสาท

การจัดประเภทที่ปรับปรุงของ WiMi บนพื้นฐานของ EEG และ fNIRS รวมถึงขั้นตอนสําคัญของการได้มาของข้อมูลและการประมวลผลล่วงหน้า การรวมสัญญาณและการสกัดคุณลักษณะ การถ่วงน้ําหนักคุณลักษณะและการปรับปรุง การออกแบบและการฝึกผู้ตัดสิน และการวิเคราะห์ผลและการปรับปรุง ซึ่งทําให้เกิดการรวมสัญญาณและการสกัดคุณลักษณะโดยใช้ประโยชน์จากความได้เปรียบที่ต่างกันของสัญญาณ EEG และ fNIRS แล้วจึงใช้วิธีการถ่วงน้ําหนักเพื่อเสริมประสิทธิภาพของการจัดประเภท และออกแบบแบบแผนผู้ตัดสินโดยใช้แอลกอริทึมเรียนรู้ของเครื่องจักรสําหรับการฝึกและการปรับปรุง สุดท้ายประสิทธิภาพและความเสถียรของผู้ตัดสินจะได้รับการปรับปรุงผ่านการวิเคราะห์และการปรับปรุงผลการฝึกของผู้ตัดสิน

การได้มาของข้อมูลและการประมวลผลล่วงหน้า: โดยการได้มาและการประมวลผลล่วงหน้าของสัญญาณ EEG และ fNIRS ซึ่งใช้อุปกรณ์พิเศษสําหรับการได้มาของสัญญาณกิจกรรมสมอง และเทคนิคการประมวลผลล่วงหน้าเพื่อกรอง การลดรบกวน และการรักษาข้อมูลดิบเพื่อกําจัดการรบกวนและความผิดพลาด ซึ่งทําให้เกิดความน่าเชื่อถือและความแม่นยําของการวิเคราะห์ต่อไป

การรวมสัญญาณและการสกัดคุณลักษณะ: สัญญาณ EEG และ fNIRS ที่ประมวลผลล่วงหน้าแล้วจะถูกรวมและสกัดคุณลักษณะสําคัญ การรวมรวมถึงแอลกอริทึมการรวมสัญญาณตามลําดับเวลา และเทคนิคการรวมข้อมูลพื้นที่ กระบวนการสกัดคุณลักษณะอาจรวมถึงคุณลักษณะที่สกัดจากมุมมองต่างๆ เช่น คุณลักษณะสเปกตรัม คุณลักษณะในโดเมนเวลา หรือคุณลักษณะการแจกจ่ายพื้นที่

การถ่วงน้ําหนักคุณลักษณะและการออกแบบผู้ตัดสิน: คุณลักษณะที่สกัดได้จะได้รับการถ่วงน้ําหนักเพื่อปรับปรุงความแม่นยําของผู้ตัดสิน วิธีการถ่วงน้ําหนักคุณลักษณะที่มีพื้นฐานบน k-Means คลัสเตอริงหรือวิธีการถ่วงน้ําหนักคุณลักษณะที่มีพื้นฐานบนความแตกต่าง คุณลักษณะสามารถได้รับการถ่วงน้ําหนักตามความสําคัญของมันต่อการรู้จํากิจกรรมสมองแตกต่างกันเพื่อปรับปรุงประสิทธิภาพของผู้ตัดสินรวม

บทความนี้ให้บริการโดยผู้ให้บริการเนื้อหาภายนอก SeaPRwire (https://www.seaprwire.com/) ไม่ได้ให้การรับประกันหรือแถลงการณ์ใดๆ ที่เกี่ยวข้องกับบทความนี้

หมวดหมู่: ข่าวสําคัญ ข่าวประจําวัน

SeaPRwire ให้บริการกระจายข่าวประชาสัมพันธ์แก่ลูกค้าทั่วโลกในหลายภาษา (Asia: Japan, Korea, Australia, Arab; Greater China: Hong Kong, Taiwan, PRC China; Southeast Asia: Singapore, Vietnam, Thailand, Malaysia, Indonesia, Philippines; Europe: Germany, France, Spain, Italy, Russia, UK; America: US, Canada, Mexico, Brazil) 

การฝึกและการยืนยันผู้ตัดสิน: โดยใช้ข้อมูลคุณลักษณะที่ถูกถ่วงน้ําหนักและปรับปรุงแล้ว จะสร้างแบบแผนการจัดประเภทที่เหมาะสมรวมถึงการวิเคราะห์เชิงเส้นแบบแยกแยะ (LDA) เครื่องจักรสนับสนุน (SVM) และแอลกอริทึมเพื่อนใกล้สุด (kNN) ประสิทธิภาพและความแม่นยําของผู้ตัดสินจะได้รับการประเมินโดยการฝึกและการ