傅里叶变换三维测量矩阵问题陈述 该项目的目标是实现一种深度学习算法，该算法将单通道手持式ECG设备的心电图（ECG）记录分为四个不同的类别：正常窦性心律（N），房颤（A），其他心律（O ），或者太吵而无法分类（〜）。 该模型是由论文指导的由Zihlmann等人撰写。 在作者对的贡献之后发表的。 心房颤动（AF）是一种常见的心律失常，影响了270万以上的美国人。 这种心律失常与明显的发病率相关，缺血性中风的风险增加了4到5倍。 AF通常是沉默的，患者偶尔会出现中风，这是心律不齐的最初表现。 其他患者有令人不安的症状，例如心pit或头晕，但传统的监测方法无法确定心律不齐。 尽管该问题很重要，但AF检测仍然很困难，因为它可能是偶发性的。 因此，定期采样心率和节律可能有助于在这些情况下进行诊断。 当两个电极中的每一个都握在手中时，移动式ECG设备能够记录单导联等效ECG。 AliveCor为2017年PhysioNet / CinC挑战赛慷慨捐赠了总计12186张ECG录音。 项目包中的文件 该项目包包含以下文件： physionet_readme.ipynb：具有工作代码的此README.m

Logistic回归-心血管疾病 背景 在全球范围内，心血管疾病（CVD）造成的死亡人数多于癌症。 从这项为期15年的心脏研究队列中收集的真实心脏病患者的数据集可用于此任务。 该数据集具有16个患者特征。 请注意，所有功能均不包含任何验血信息。 数据集 数据集可以通过github下载：（“ ”） 代码 Python笔记本：（“ ”） 有关如何启动的说明 I.在google colab上打开python笔记本。 二。 挂载Google云端硬盘：drive.mount（“ / content / drive”） 三， 链接工作目录：census =“ /content/drive/MyDrive/MSBA_Colab_2020/ML_Algorithms/CA05/Data/cvd_data.csv” IV。 运行代码 V.生成最佳模型的准确性和ROC AUC分数 程序 -[A节]

使用CNN进行植物病害检测 通过叶片图像预测植物的健康状况

植物叶病分析仪 该储存库包括一个预测植物病害的项目，并根据病害向农民推荐农药。 它还包括植物的实时分割以及其中的数据集生成。 因此，它是一个完整的计算机视觉（CV）系统，可以预测植物病害以及植物香料。 涉及的技术栈： 1）Django 2）Tensorflow 3）Keras 4）PIL 在Django依赖项中- 1）Django调整大小2）djagno rest_framework 如果想了解培训代码和方法 参观

Kaggle： 任务是将每个木薯图像分为五类，以指示-具有某种疾病或健康叶片的植物。 组织者介绍了在乌干达定期调查期间收集的21,367张带标签图像的数据集。 大多数图像都是从农民那里获取的，他们在花园里照相，并由国家作物资源研究所（NaCRRI）的专家与坎帕拉的马可雷雷大学的AI实验室合作进行批注。 似乎已经有一些。 实验性 安装此工具 如何使用此基本功能的简单方法： ! pip install https://github.com/Borda/kaggle_cassava-leaf-disease/archive/main.zip 在Colab中运行笔记本 我建议将数据集上传到您的个人gDrive，然后在笔记本电脑中连接gDrive，这样可以在重置Colab时节省重新上传数据集的时间...：] 一些结果 ResNet50的培训进度以及10个时期的培训：

Kaggle-木薯叶病分类 Kaggle竞赛代码“木薯叶病分类”。 排名256/3900（最高7％）铜牌 比赛于2月结束，当我最近整理代码时，我决定在GitHub上发布它（整理代码确实是一件很累的工作〜）。 我在私有数据集中得到0.8987 。 但是，这不是我最好的解决方案（确定是成功的关键...大声笑）。 我在Github上发布的代码为0.9010 ，如果我提交此解决方案，则该代码应排在银牌区域。 此仓库包含培训部分和测试部分的代码，我使用一些技巧，如下所示： AMP，用于更快的训练（Kaggle中的GPU时间限制，我的GPU不好） 数据8月可提供更好的性能（我放弃了cutmix或snapmix之类的技巧，这些技巧浪费大量时间并且没有改善性能） K折模型合奏：$ k = 5 $ 模型集合：EfficientB4（由我自己训练）+ Resnext（在讨论区域中开放访问） 测

该数据库包含76个属性，但是所有已发布的实验都引用了其中14个属性的子集。特别是，克利夫兰数据库是 迄今为止ML研究人员使用的唯一数据库。“目标”字段是指患者中心脏病的存在。 heart.csv

在医学界，决策是根据存储的数据和医生的经验来做出的。 可能会出现错误的机会，诊断时间更长，治疗重要器官心脏的费用增加。 医院中当前的数据库系统包含大量数据，可用于预测心脏的健康状况。 可以将这些数据转换成有用的信息，这些信息可以用于制作可以预测疾病发生机会的智能决策系统。 该系统提供了预测个体中心脏病发生的能力。 它使用卷积神经网络进行预测。 利用年龄，性别，胆固醇，心电图斜率等重要因素，可以预测人患心脏病的可能性。 这些属性不过是患者的临床数据。

Heart Disease Dataset is provided by Hungarian Institute of Cardiology,University Hospital, Zurich,University Hospital, Basel and Long Beach and Cleveland Clinic Foundation.本数据集由匈牙利心脏病研究所，瑞士苏黎世大学医院，瑞士巴塞尔大学医院和长滩和克里夫兰临床基金会提供。 heart-disease.cost heartdisease.delay heartdisease.expense heart-disease.group heart-disease.names heartdisease_ask-detrano heartdisease_ask-detrano (2) heartdisease_processed.cleveland.data heartdisease_cleve.mod heartdisease_cleveland.data heartdisease_long-beach-va.data heartdisease_new.data heartdisease_processed.hungarian.data heartdisease_processed.switzerland .data heartdisease_processed.va.data heartdisease_switzerland.data heartdisease_hungarian.data

准确及时地分析任何与健康相关的问题对于疾病的预防和治疗非常重要。 在严重疾病的情况下，传统的诊断方法可能是不够的。 开发基于机器学习 (ML) 算法的医学诊断系统来预测任何疾病，可以帮助实现比传统方法更准确的诊断。 我们设计了一个使用多种 ML 算法的疾病预测系统。 使用的数据集有 230 多种疾病需要处理。 基于个体的症状、年龄和性别，诊断系统给出个体可能患有的疾病的输出。 与其他算法相比，加权 KNN 算法给出了最好的结果。 加权 KNN 算法的预测准确率为 93.5%。 我们的诊断模型可以作为医生对疾病进行早期诊断，确保及时治疗，挽救生命。