XiaoMi-AI文件搜索系统
World File Search System决策规则
用于混合 BCI 中注意力分类的多模态 EEG 和眼动追踪特征融合方法
通常，各种模态会捕捉特定心理状态或活动的不同方面。虽然机器学习算法可以使用单一模态可靠地预测人类认知和行为的许多方面，但它们可以从多种模态的组合中受益。这就是混合 BCI 越来越受欢迎的原因。然而，组合多模态数据集中的特征并不总是那么简单。除了生成特征的方法外，还必须决定在分类过程中何时组合模态。在本研究中，我们将单模态 EEG 和眼动追踪对内部和外部注意力的分类与多模态方法在早期、中期和晚期融合中的应用进行了比较。在机会水平为 0.5 的二元数据集上，数据的后期融合实现了最高的分类准确率 0.609–0.675（95% 置信区间）。总体而言，结果表明，对于这些模态，中期或晚期融合方法比早期融合方法更合适。对观察到的趋势进行额外的验证将需要使用额外的数据集、替代特征生成机制、决策规则和神经网络设计。我们得出了一组在决定多模态注意力状态分类方法时需要考虑的前提。
火电-水电-风电-太阳能混合系统日前调度的多阶段稳健优化
摘要 大规模不确定、不可控的风电和太阳能发电的并网给现代电力系统的运行带来了新的挑战。在水资源丰富的电力系统中，具有高运行灵活性的水力发电是提高风电和太阳能发电渗透率的有力工具。本文研究了火电-水电-风电-太阳能发电系统的日前调度。考虑了可再生能源发电的不确定性，包括不确定的自然水流入和风能/太阳能发电量。我们探讨了在多阶段稳健优化 (MRO) 框架下如何利用水力发电的运行灵活性和火电-水电的协调来对冲不确定的风电/太阳能发电。为了解决计算问题，采用混合决策规则将原始多层结构的 MRO 模型改写为双层模型。将列和约束生成 (C&CG) 算法扩展到 MRO 案例中以求解双层模型。所提出的优化方法在三个实际案例中进行了测试。计算结果证明了水力发电能够促进不确定的风能和太阳能发电的适应能力。
雨伞试验的设计和分析：我们站在哪里？
被认为与治疗反应有关。这样的主协议通常称为雨伞试验（1，2）。从概念上讲，伞设计只是一组并联运行的（子）试验。具有一系列吸引人的优势，包括：（i）在一次试验中可以回答几个与治疗相关的问题，（ii）可能减少所需的患者人数（例如，包括常见的控制臂），以及（iii）加急药物开发，较短的试验持续时间和较短的试验和较低的成本，相对于传统的临床临床较短的临床试验，独立于跑步的临床试验（3，4）。然而，在伞试验的进行中可能会出现许多统计复杂性，包括但不限于对自适应设计元素的渴望，贝叶斯/频繁的决策规则之间的选择，适当的样本量计算，是否借用信息以及如何控制特定的错误率。适应此类考虑因素的解决方案通常会根据所选伞设计和研究特定要求的变体而有所不同；例如，进行后期伞试验将意味着对误差控制的要求更为严格。最近，复杂的（混合）设计还出现了，这些设计模糊了伞设计与其他相关的主协议设计之间的界限，这些设计提出了更有趣的统计问题。从2018年到2019年的评论发现，迄今为止，几乎所有的伞试验都已在肿瘤学中实施，大多数是I期或II期，并纳入了随机化的使用（5，6）。值得注意的是，相对于其他关键主协议（6，7），实施的伞试验较少：平台试验（允许促进新的治疗臂或患者亚组）和篮子试验（其中对具有常见治疗靶点的多种疾病进行了靶向治疗的评估）。雨伞试验的相对罕见性可能部分地表明，尽管他们有优势，但在其设计和分析方面仍有有限的指导。相比之下，已经提出了一些针对篮子和平台试验的设计。这些因使用的统计分析技术，可以合并的决策规则以及涵盖药物开发的不同目的或阶段而有所不同（8-16）。尽管有许多有关总体协议的评论，但它们一直致力于提供总体协议的景观分析，通常提供有关各种试验设计的高级讨论，文献中的定义以及主要发布的示例（3，5，6，17）。尽管有几项工作讨论了主协议的统计分析方法，但它们集中在篮子和平台试验上（7，15）。此外，正如我们后来进一步提出的那样，非肿瘤学环境中的伞试验的当前和未来潜力是巨大的（18，19）。发表了有关雨伞试验的文章，几乎完全讨论了与肿瘤学相关的考虑因素。
低SNR环境中卫星跟踪算法的性能分析
处理多个帧的算法对于在较大范围搜索中识别昏暗的卫星信号和轨道运动至关重要。检测方法之前，要查看具有目标信号并将所有帧数据提供给跟踪器的多个图像，并将检测决策延迟直至形成轨道。本文旨在通过对所有帧进行二项式决策规则进行建模，以估算低SNR跟踪算法的性能。作为系统设计分析的一部分，有必要根据各种参数来预测搜索的性能，例如光圈，传输，检测器灵敏度，帧数，最小可检测的目标大小，衰减和其他因素。这些搜索算法的性能可以由Monte Carle（MC）模拟确定，该模拟需要许多迭代来创建表来描述预期的系统性能。不幸的是，当系统参数和目标特性变化导致任务延迟时，这些基于MC的预测可能需要大量返工。这项工作旨在描述一个分析表达式，以描述场景的预期检测和虚假警报性能，该表达式将允许在太空域名（SDA）任务中观察平台的搜索和收集任务。另外，分析表达可以直接通过对结果的主动性理解并更好地理解任何操作异常。
分析国际环境制度
体制理论已成为分析国际关系的一种越来越有影响力的方法，特别是在国际政治经济和国际环境政治领域。“无政府治理”这一理念的概念吸引力——由不同的组织和机构共同提供治理来解决具体问题——反映了这样一个世界：对治理的需求很大，但提供治理的熟悉机制却很薄弱。大多数国际体制研究采用定性方法，通常使用案例研究来发展更大的理论论据；但缺乏标准化使得比较分析变得困难。《分析国际环境体制》引入了国际体制数据库 (IRD)，这是一项重要的方法论创新，使学者能够采用定量方法研究国际体制。IRD 是一个关系数据库，可以比较使用一组明确定义的概念、定义和量表编码的多个国际环境体制特定方面的记录。本书首先介绍了数据库，并讨论了许多方法、技术和架构问题。然后，它说明了如何使用 IRD 作为分析工具，利用数据库进行描述性统计，以评估有关合规性、决策规则和知识作用的理论思想。本书附有一张 CD，其中包含完整的 IRD 数据协议和数据库中当前的所有数据。
phonocardiogram的自动杂音分级
摘要 - 目的：杂音是心脏异常的声音，由专家通过心脏听觉确定。杂音级是杂音强度的定量度量，与患者的临床状况密切相关。这项工作旨在估计来自多个听诊位置的每个患者的杂音级（即缺乏，柔软，响亮），这些位置来自低资源农村地区的大量儿科患者。方法：每个PCG记录的MEL频谱图表示具有15个卷积残留神经网络的集合，具有通道注意机制，以对每个PCG记录进行分类。根据提议的决策规则得出每个患者的最终杂音等级，并考虑所有可用记录的估计标签。使用分层十倍的交叉验证，该方法在由1007名患者的3456个PCG记录组成的数据集上进行了交叉验证。此外，该方法是在由442名患者的1538个PCG记录组成的隐藏测试集上进行了测试。结果：就未加权的敏感性和F1分数而言，患者级杂音等级的总体交叉验证性能分别为86.3％和81.6％。缺乏，柔软和大声杂音的敏感性（和F1分数）为90.7％（93.6％），75.8％（66.8％）和92.3％（84.2％），
用于个性化参与干预措施的方法的分类显示，试验协议中的报告不足
决策点何时在开始干预之前，在基线个性化下进行个性化发生。在干预开始之后进行的个性化个性化发生在协议中预先指定的未规定的时间在干预开始之后发生的个性化个性化，而无需预先确定的时间缩减规定的时间，并在构建中构建了哪些元素的构建，这些元素是确定了干预患者的个性化社会性，临床疾病，临床，临床，临床范围，临床范围，临床范围，临床范围，以及临床范围，临床范围，临床范围，以及临床范围，临床范围，临床范围，临床范围，以及临床范围，临床范围，以及临床范围，临床范围。参与者的要求或“参与者的交付方式选择”）外部变量变量与患者的特征或偏好无关（例如，本地资源或照顾者的偏好）决策规则如何操作个性化算法驱动的个性化个性化算法的algorith a algorithm a algorithm的构造和标准化的构造，该算法是如何操作个性化变量。在干预开始之后进行的个性化个性化发生在协议中预先指定的未规定的时间在干预开始之后发生的个性化个性化，而无需预先确定的时间缩减规定的时间，并在构建中构建了哪些元素的构建，这些元素是确定了干预患者的个性化社会性，临床疾病，临床，临床，临床范围，临床范围，临床范围，临床范围，以及临床范围，临床范围，临床范围，以及临床范围，临床范围，临床范围，临床范围，以及临床范围，临床范围，以及临床范围，临床范围。参与者的要求或“参与者的交付方式选择”）外部变量变量与患者的特征或偏好无关（例如，本地资源或照顾者的偏好）决策规则如何操作个性化算法驱动的个性化个性化算法的algorith a algorithm a algorithm的构造和标准化的构造，该算法是如何操作个性化变量。Operator-driven personalization A human person (i.e., the operator) decided on how to modify the intervention without following a predefined algorithm Nature of the subsequent tailoring How was the intervention modified according to the decision rules A switch in the content Modifications of the content of the intervention (e.g., the information provided in messages, the type of physical exercise, the method of psychotherapy) Modification of the mode of delivery Modification of the context of the intervention （例如，干预部分的部分，信息的语言，干预的位置）修改强度或频率的增加或减少或减少干预组成部分的剂量，持续时间或节奏的剂量，持续时间或节奏（例如，物质锻炼的频率或强度的频率）（添加或停止零件）添加其他部分（添加其他部分）（添加其他部分）（添加其他部分）（添加其他部分）（在添加其他部分）（添加其他部分），在同时添加其他部分，同时添加其他部分。停止体育锻炼）
基于贝叶斯的分类置信度估计用于增强SSVEP检测
摘要 - 大脑计算机界面（BCI）使人们能够直接与外围设备进行通信和操作。由于其快速通信速率和高信号噪声比，近年来，基于稳态的视觉诱发电位（SSVEP） - 基于BCI的系统已被广泛研究。许多当前的SSVEP识别方法通过发现最大的相关系数来确定目标类别。但是，当最大的系数与其余值没有显着差异时，分类性能通常会降低。这项研究提出了一种基于贝叶斯的分类置信估计方法，以增强基于SSVEP的BCI系统的目标识别性能。在我们的方法中，使用基本目标识别方法产生的最大值和其他值之间的差异用于在训练过程中定义特征向量。使用高斯混合模型（GMM）来估计正确与错误分类的特征向量的概率密度函数。随后，在测试程序中通过贝叶斯推断计算出准确和错误分类的后验概率。基于两个后验概率提出了分类置信值（CCVALUE），以估计分类信心。最后，决策规则可以确定是否应接受或拒绝当前的分类结果。对开放式基准数据集和自收集的数据集进行了广泛的评估研究。实验结果证明了提出的方法提高基于SSVEP的BCI系统的可靠性的有效性和可行性。
用于个性化参与干预措施的方法的分类显示，试验协议中的报告不足
决策点何时在开始干预之前，在基线个性化下进行个性化发生。在干预开始之后进行的个性化个性化发生在协议中预先指定的未规定的时间在干预开始之后发生的个性化个性化，而无需预先确定的时间缩减规定的时间，并在构建中构建了哪些元素的构建，这些元素是确定了干预患者的个性化社会性，临床疾病，临床，临床，临床范围，临床范围，临床范围，临床范围，以及临床范围，临床范围，临床范围，以及临床范围，临床范围，临床范围，临床范围，以及临床范围，临床范围，以及临床范围，临床范围。参与者的要求或“参与者的交付方式选择”）外部变量变量与患者的特征或偏好无关（例如，本地资源或照顾者的偏好）决策规则如何操作个性化算法驱动的个性化个性化算法的algorith a algorithm a algorithm的构造和标准化的构造，该算法是如何操作个性化变量。在干预开始之后进行的个性化个性化发生在协议中预先指定的未规定的时间在干预开始之后发生的个性化个性化，而无需预先确定的时间缩减规定的时间，并在构建中构建了哪些元素的构建，这些元素是确定了干预患者的个性化社会性，临床疾病，临床，临床，临床范围，临床范围，临床范围，临床范围，以及临床范围，临床范围，临床范围，以及临床范围，临床范围，临床范围，临床范围，以及临床范围，临床范围，以及临床范围，临床范围。参与者的要求或“参与者的交付方式选择”）外部变量变量与患者的特征或偏好无关（例如，本地资源或照顾者的偏好）决策规则如何操作个性化算法驱动的个性化个性化算法的algorith a algorithm a algorithm的构造和标准化的构造，该算法是如何操作个性化变量。Operator-driven personalization A human person (i.e., the operator) decided on how to modify the intervention without following a predefined algorithm Nature of the subsequent tailoring How was the intervention modified according to the decision rules A switch in the content Modifications of the content of the intervention (e.g., the information provided in messages, the type of physical exercise, the method of psychotherapy) Modification of the mode of delivery Modification of the context of the intervention （例如，干预部分的部分，信息的语言，干预的位置）修改强度或频率的增加或减少或减少干预组成部分的剂量，持续时间或节奏的剂量，持续时间或节奏（例如，物质锻炼的频率或强度的频率）（添加或停止零件）添加其他部分（添加其他部分）（添加其他部分）（添加其他部分）（添加其他部分）（在添加其他部分）（添加其他部分），在同时添加其他部分，同时添加其他部分。停止体育锻炼）
用于医疗保健预测模型的可解释人工智能
摘要 人工智能的原理是模仿人类智能，通过从各种来源获取的数据进行学习，执行任务、识别模式或预测结果。人工智能和机器学习算法已广泛应用于自动驾驶、电子商务和社交媒体中的推荐系统、金融科技、自然语言理解和问答系统。人工智能也在逐渐改变医疗研究的格局（Yu et al. in Biomed Eng 2:719–731, 25）。半个世纪前，依赖于医学知识的整理和稳健决策规则的构建的基于规则的方法在疾病诊断和临床决策支持中引起了极大关注。近年来，能够解释特征之间复杂相互作用的机器学习算法（如深度学习）在医疗领域的预测模型中显示出良好的前景（Deo in Circulation 132:1920–1930, 26）。尽管许多人工智能和机器学习算法可以实现非常高的性能，但由于其中一些算法缺乏可解释性，因此通常很难在实际临床环境中完全采用。可解释人工智能 (XAI) 正在兴起，以协助向医疗保健专业人员传达内部决策、行为和行动。通过解释预测结果，XAI 赢得了临床医生的信任，因为他们可以学习如何在实际情况中应用预测模型，而不是盲目遵循预测。由于医学知识的复杂性，仍有许多场景需要探索如何使 XAI 在临床环境中有效。