XiaoMi-AI文件搜索系统
World File Search System准确
电池数据完整性和可用性：导航数据集和设备限制，以高效，准确地研究电池老化
免责声明这一信息是作为由美国政府机构赞助的工作的帐户准备的。美国政府或其任何机构，或其任何雇员均未对任何信息，设备，产品或过程披露或代表其使用将不会侵犯私人拥有的私有权利。参考文献以商品名称，商标，制造商或其他方式指向任何特定的商业产品，流程或服务，并不一定构成或暗示其认可，建议或受到美国政府或其任何机构的支持。本文所表达的作者的观点和观点不一定陈述或反映美国政府或其任何机构的观点和意见。
人类监督是利用相机陷阱图像实现准确人工智能辅助野生动物识别的关键
利用公众支持从大量数据集中提取信息已成为准确标记相机陷阱 (CT) 图像中野生动物数据的一种流行方法。然而，对志愿者工作不断增长的需求延长了数据收集与我们得出生态推断或执行数据驱动的保护行动的能力之间的时间间隔。人工智能 (AI) 方法目前在物种检测（即图像中是否包含动物）和标记常见物种方面非常有效；然而，它对图像中很少捕捉到的物种和视觉上彼此高度相似的物种表现不佳。为了充分利用人类和人工智能分类方法的最佳优势，我们开发了一个集成的 CT 数据管道，其中人工智能提供标记图像的初始传递，但由人类监督和验证（即“人在环”方法）。为了评估分类准确度的提高，我们将人工智能和 HITL 协议生成的物种标签的精度与野生动物专家注释的“黄金标准”（GS）数据集进行比较。人工智能方法的准确性取决于物种，并与训练图像的数量呈正相关。 HITL 的共同努力使 73% 的数据集的错误率低于 10%，并降低了另外 23% 的错误率。对于两个外观相似的物种，人类输入的错误率高于人工智能。虽然与仅使用人工智能相比，将人类纳入循环会增加分类时间，但准确率的提高表明这种方法对于大批量 CT 调查非常有价值。
深度学习的智能服装，以对日常生活中的睡眠条件进行准确而多功能的监控
睡眠障碍很普遍，并且会影响数百万的健康和生产力。传统的睡眠监控系统是复杂的，每天使用不便。我们的研究介绍了一种智能服装，该服装集成了应变传感器阵列和深度学习，以便在舒适的环境中准确监视睡眠方式。这种耐用，伪像 - 弹性和定位 - 免费诊断E-纺织品可以以高准确性和适应性为六个健康，副健康和不健康的睡眠状态分类，从而使其比现有的可穿戴技术取得了重大进步。凭借这些独特的功能，提出的解决方案标志着睡眠医学和消费者健康方面的一步，通过提供对睡眠健康的持续不感知的监测，最终改善对睡眠障碍的理解和管理。
滚环扩增法制备的 DNA 水凝胶中 DNA 含量的准确定量
DNA 水凝胶最近引起了人们的极大兴趣，因为它们具有高含水量的多孔 3D 结构、类似组织的弹性，并且能够通过其核酸序列进行非常有效的编程，例如，实现形状记忆持久性、分子识别能力和刺激敏感性，使其成为生物医学、传感、催化和材料科学应用的有吸引力的材料。1 在用于制备 DNA 水凝胶的众多方法中，通常基于合成的线性或分支 DNA 基序的自组装，通常借助于酶连接或杂交链式反应，滚环扩增 (RCA) 起着特殊的作用，因为所需的合成寡核苷酸成本相对较低。 2 RCA 使用 phi29 DNA 聚合酶从短的环状 ssDNA 模板开始生成长的串联单链 DNA (ssDNA) 链 (4 20 000 nt)，由于其具有极高的合成能力，因此可以在等温条件下廉价地生产大量 DNA。3 与基于杂交的 DNA 水凝胶不同，在杂交效率完全的前提下，DNA 含量可以根据初始 DNA 单体浓度估算出来，4 RCA 产生的 DNA 则不易测量。值得注意的是，到目前为止，还没有通用的方法来准确量化 RCA 水凝胶的 DNA 含量，但这些材料
通过积聚和解吸的天体物理环境中的碳质粉尘生长的准确粘性系数计算
上下文。宇宙灰尘在天体物理环境中无处不在，在那里它显着影响化学和光谱。粉尘晶粒可能通过从气相上的原子和分子的积聚到它们上生长。尽管它们的重要性，但只有少数研究计算了相关温度和物种的粘性系数，以及它们对谷物生长的直接影响。总体而言，粉尘及其生长的形成尚不清楚。目标。这项研究旨在计算与碳质粉尘晶粒相互作用的各种气体物种，以计算广泛的温度范围内的粘性系数，结合能和晶粒生长速率。方法。我们用反应力场算法进行了分子动力学模拟，以计算准确的粘附系数并获得结合能。这些结果用于建立成核区域的天体物理模型，以研究尘埃生长。结果。我们首次介绍了H，H 2，C，O和CO的粘性系数，其温度为50 K至2250 K的温度。此外，我们估计了碳质灰尘中H，C和O的结合能，以计算热值速率。结合积聚和解吸使我们能够确定碳尘的有效积聚率和升华温度。结论。我们发现，粘性系数可能与天体物理模型中常用的系数有很大不同。这为我们提供了新见解，可以通过粉尘形成区域的积聚来对碳质粉尘颗粒的生长。
抽象 - 准确，及时的医学诊断是有效医疗保健提供的基石，但是传统方法通常与效率低下
•Barodiya，V。K.（2022）。使用机器学习对疾病诊断的研究。本文在医学诊断任务中评估了各种ML模型的性能，包括SVM和深度学习。该研究还探讨了数据预处理技术以提高模型的准确性。与项目的相关性：研究结果与该项目的重点放在利用SVM和强大的预处理技术上，以检测具有高精度的复杂疾病。•Luo，X.，Wang，Y。，＆Lee，L。（2021）。基于机器学习的诊断系统的开发和五项评估。本文提供了一个全面的框架，用于使用精度，回忆和F1得分等指标评估机器学习模型。与该项目的相关性：研究中讨论的评估指标直接适用于评估提出的系统的性能，从而确保诊断预测的准确性和可靠性。
患者血浆 cfRNA 谱的特定改变能够准确对癌症患者和对照组进行分类
。CC-BY-NC 4.0 国际许可 它是永久可用的。 是作者/资助者，已授予 medRxiv 许可以显示预印本（未经同行评审认证）预印本 此版本的版权持有者于 2024 年 12 月 27 日发布。 ；https://doi.org/10.1101/2023.05.24.23290388 doi：medRxiv 预印本
朝着更准确，及时和颗粒状的产品水平碳强度指标：挑战和潜在的解决方案
归因4.0国际（CC BY 4.0）此工作可根据创意共享归因4.0国际许可提供。通过使用这项工作，您可以接受该许可条款的约束（https://creativecommons.org/licenses/4.0/）。归因 - 您必须引用工作。翻译 - 您必须引用原始作品，确定对原始文本的更改，并添加以下文本：如果原始作品和翻译之间有任何差异，则仅应将原始作品的文本视为有效。改编 - 您必须引用原始作品并添加以下文本：这是经合组织对原始作品的改编。本适应中表达的意见和论点不应报告为代表经合组织或其成员国的官方观点。第三方材料 - 许可证不适用于工作中的第三方材料。如果使用这种材料，则负责获得第三方的许可以及任何侵权索赔。未经明确许可，您不得使用经合组织徽标，视觉标识或封面图像，也不得建议经合组织认可您对工作的使用。根据本许可引起的任何争议均应按仲裁根据2012年常任仲裁法院（PCA）仲裁规则解决。仲裁的所在地应为巴黎（法国）。仲裁员的数量应为一个。
stmmr：具有多模式特征表示的空间分辨转录组学的准确且健壮的空间域识别
。cc-by-nc-nd 4.0国际许可证。是根据作者/资助者提供的预印本（未经同行评审认证）提供的，他已授予Biorxiv的许可证，以在2024年2月29日发布的此版本中在版权所有者中显示预印本。 https://doi.org/10.1101/2024.02.22.581503 doi：Biorxiv Preprint
优化简单的全卷积网络，以便在 PAC 2019 挑战赛中准确预测大脑年龄
通过脑部 MRI 扫描预测脑年龄不仅有助于改善脑老化模型，还能为预测分析方法提供基准。脑年龄增量是受试者预测年龄与真实年龄之间的差异，已成为脑部健康的一个有意义的生物标志物。在这里，我们报告了我们的脑年龄预测模型的详细信息以及 2019 年预测分析挑战赛的结果。挑战赛的目的是使用 T1 加权脑部 MRI 预测多中心数据集中受试者的年龄。我们应用了一种轻量级深度卷积神经网络架构——简单全卷积神经网络 (SFCN)，并结合了数据增强、迁移学习、模型集成和偏差校正等多种技术来预测脑年龄。该模型在 PAC 2019 大脑年龄预测挑战赛的两个目标中均取得了第一名：未消除偏差时平均绝对误差（MAE）= 2.90 年（第二名 = 3.09 年；第三名 = 3.33 年），消除偏差后 MAE = 2.95 年，领先优势较大（第二名 = 3.80 年；第三名 = 3.92 年）。