XiaoMi-AI文件搜索系统
World File Search System分类的
“用于临床上分类的定量MRI生物标志物...
摘要目的：本研究的目的是开发一种校准方法来说明回声时间（TE）的差异，并促进限制频谱成像限制评分（RSIR）作为定量生物标志物，以检测临床上有明显的前列腺癌（CSPCA）。方法：这项研究包括197例接受MRI和活检检查的连续患者； 97例被诊断为CSPCA（级≥2级）。在同一课程中获得了3次RSI数据：在TE = 90 ms时至少两次，TE = 90 ms（分别为Temin 1，Temin 1，Temin 1，Temin 2和Te90）。确定了线性回归模型，将TE90的C映射与Temin 1的参考c映射匹配，范围从前列腺内信号强度的95％到99个百分位。在每个患者的前列腺中，在每个患者的第98个百分位数中进行了比较。我们将校准的TE90（RSIR TE90CORR）和未校正的TE90（RSIRS TE90）与参考Temin 1（RSIRS TEMIN1）和重复的Temin 2（RSIRS TEMIN2（RSIRS TEMIN2）进行了比较。对敏感性，指定城市和区域评估了（crece）（cret）（cret）（cret）（cret）（RSIRB）2（RSIRS TEMIN1）（RSIRS TEMIN1）。结果：C 1，C 2，C 3和C 4的缩放因子分别为1.68、1.33、1.02和1.13。在非CSPCA情况下，RSIRS TEMIN2和RSIRS的第98个百分点temin1差异为0.27±0.86Si（平均值±标准偏差），而RSIRS TE90与RSIRS TE90不同于RSIRS TEMIN1 TEMIN1 temin1 temin1 vemin1差异1.82±1.20si。校准后，该偏置降低至-0.51±1.21SI，代表绝对误差的72％降低。校准后，平均差减少到-1.03SI，绝对误差降低了55％。对于CSPCA患者，RSIRS TEMIN2和RSIRS TEMIN1和RSIRS TE90和RSIRS TEMIN1之间的RSIRS temin2和RSIRS temin1和2.28±2.06Si之间的差异为0.54±1.98SI。在CSPCA（8.94SI）患者级分类的YouDen指数上，RSIRS TEMIN1的灵敏度为66％，特定率为72％。结论：所提出的线性校准方法对具有不同TE的采集产生相似的定量生物标志物值，分别为非CSPCA和CSPCA降低了TE诱导的误差72％和55％。
2型糖尿病：使用机器学习分类的早期检测
摘要 - 类型2糖尿病（T2DM）是一个日益增长的全球健康问题，可显着影响患者的生活质量和寿命。早期检测T2DM对于防止或延迟其相关并发症的发作至关重要。本研究旨在评估机器学习算法的使用，以便早期检测到T2DM。使用诊断为T2DM和健康对照组的患者数据集开发了一个分类模型，并结合了特征选择技术。该模型将经过机器学习算法的训练和测试，例如逻辑回归，k-nearest邻居，决策树，随机森林和支持向量机。结果表明，随机森林算法在检测T2DM方面的准确性最高，精度为98％。这种高精度率强调了机器学习算法在早期T2DM检测中的潜力，以及将这种方法纳入临床决策过程的重要性。这项研究的结果将有助于开发T2DM的更有效的精确医学筛查过程，这可以帮助医疗保健提供者在其最早的阶段检测到该疾病，从而改善患者的结果。
沙特阿拉伯的糖尿病患病率分类的机器学习方法
摘要：机器学习算法已被广泛用于公共卫生中，用于预测或诊断流行病学慢性疾病，例如糖尿病，由于其较高的全球患病率，该疾病被归类为流行病。机器学习技术对于包括糖尿病在内的各种疾病的描述，预测和评估过程很有用。这项研究研究了沙特阿拉伯，根据相关的行为危险因素（吸烟，肥胖和不活动）对不同分类方法分类糖尿病患病率和预测趋势的能力。使用不同的机器学习算法（包括线性判别（LD），支持向量机（SVM），K -NER -NER -NEAR -最邻居（KNN）和神经网络模式识别（NPR））开发了用于糖尿病患病率的分类模型。使用了SVM的四个内核函数和两种类型的KNN算法，即线性SVM，Gaussian SVM，二次SVM，Cubic SVM，Finfine KNN和加权KNN。根据预测速度和培训时间，使用MATLAB中的分类学习者应用程序比较开发的分类器的性能评估，并使用分类学习者应用程序比较开发的分类器。分类模型的预测性能分析的实验结果表明，与其他分类方法相比，与其他分类方法相比，加权KNN在糖尿病患病率的预测中表现良好，最高平均准确性为94.5％，训练时间较少，男性和女性数据集则表现出色。
对脑电图分类的不同数据集进行预培训
脑电图（EEG）分类任务由于其高应用值而引起了人们的关注。同时，语言处理领域中一般培训模型的巨大成功激发了我们挖掘EEG预先训练模型的功能。该模型有望适应各种下游任务。但是，当前的研究要么忽略EEG信号中的时间或空间域，要么仅在预训练中使用单个数据集。提出的时间空间预测（TSP）模型有效地解决了这些问题。具体来说，TSP endoer的输出用作两个任务的输入：空间预测，即屏蔽的自动编码器和时间预测，即，contrastive的预测编码。此外，为了提供更多多样化的信息，从而使下游微调受益，我们将TRAIN TSP预先在具有四个不同数量的渠道的六个大型脑电图数据集上。在三个公共下游数据集种子，种子-IV，TUEV上结果表明，TSP在不同的EEG分类任务上实现了最先进的性能。此外，根据消融实验，TSP的性能优于单域方法，即时间预测（TP）模型和空间预测（SP）模型。
美国尾流湍流重新分类的发展（特邀）
本文介绍了背景信息，并提供了联邦航空管理局 (FAA) 尾流湍流计划 RECAT（即重新分类）特定方面的状态更新。RECAT 的基本前提是，可以使用更完整的尾流相关参数集来改进尾流分离，而不是使用基于最大起飞重量的现有 FAA Order JO 7110.65 分类尾流湍流分离最小值。然后，此过程可以安全地降低尾流湍流分离最小值，使其低于 FAA Order JO 7110.65 中规定的最小值。本文介绍了 RECAT 的整体三阶段方法，最终目标是实现动态成对分离。目前，第二阶段或基于静态成对的尾流湍流分离已准备好由联邦航空管理局实施。本文介绍了分析方法，包括 RECAT 第二阶段开发中使用的数据源和严重程度指标。
实时漏油检测和分类的深度学习框架
抽象有效检测油泄漏对于最大程度地减少环境破坏至关重要。这项研究介绍了一种利用深度学习的新颖方法，特别是Yolov8体系结构，并增强了用于漏油检测的先进计算机视觉技术。通过细致的数据集策划和模型训练，Yolov8模型的总体准确性（R-评分）为0.531，平均平均精度（MAP）为0.549。的性能在不同的溢出类型上有所不同，该模型在区分漏油和自然特征方面表现出明显的准确性，分别达到了高达0.75和0.68的精度和召回率，以进行光泽检测。可视化（例如盒子丢失，班级损失和混乱矩阵）提供了对模型性能动态的见解，揭示了损失的稳定下降和对时期准确性的提高。在此数据集中，测量值是由安特卫普·布鲁日（Antwerp Bruges）港口执行的无人机测量。此外，实用的应用显示了该模型在检测图像和视频数据中各种漏油类型方面的多功能性，从而确认其在环境监测和灾难响应方案中实际部署的潜力。这项研究代表着朝着更有效的漏油事件检测的重大迈进，这有助于环境可持续性和弹性工作。
基于泡利量子核分类的进化算法设计
摘要 最近，将经典数据转换为量子信息为改进机器学习任务带来了巨大的潜在应用。特别是，量子特征图可以提供一种有前途的替代内核来增强支持向量分类器 (SVC)。虽然现有的设计高性能特征图的指导原则很少，但一种称为 Pauli 特征图的量子电路系列可以说是表现良好的。该系列的特点是量子电路上出现 Pauli 门，同时它仍具有几个可调参数，其最优值对数据集的性质很敏感。在这项工作中，我们提出了一种使用遗传算法 (GA) 自动生成此类特征图的方法，旨在最大限度地提高模型的准确性，同时尽可能保持电路简单。我们将该方法应用于合成数据集和真实数据集。与几个经典和量子核基线相比，讨论了由此产生的分类指标和最佳电路。一般来说，GA 生成的特征图比其他基线表现更好。此外，结果表明，进化电路在不同的数据集之间趋于不同，这表明该通用方案可用于确定特定数据集的最佳定制量子特征图。
探索能源分析和建模行业分类的新方法
首字母缩略词和缩写列表 BF 高炉 BOF 碱性氧气转炉 BTU 英热单位 CCUS 碳捕获、利用和储存 CE 公元 CO 2 二氧化碳 DRI 直接还原铁 EAF 电弧炉 EC 电力使用 ED 电力需求 EIA 美国能源信息署 EPA 美国环境保护署 FReSMe 从钢铁残余气体到甲醇 GHG 温室气体 GHGRP 温室气体报告计划 H 2 DRI 氢气直接还原 HBI 热压铁块 HYBRIT 氢气突破炼铁技术 IAC 工业评估中心 KDE 核密度估计 MECS 制造业能耗调查 MMBtu 百万英热单位 NAICS 北美行业分类系统 NP 非确定性多项式时间 PAUP 使用 Paup 进行系统发育分析 SIC 标准行业分类 SIDERWIN 通过电解法开发工业无 CO 2 钢铁生产新方法
对智能和响应式建筑技术及其分类的审查
简介建筑环境在减少温室气体排放中起着关键作用，因为它对全球总能源消耗的影响很大。拥有全球总能源消耗的近32％，该建筑部门影响了全球温室气体排放（19％）和ELEC TRIC TRIC能源消耗（51％）的显着影响（IPCC 2014）；此外，这些数字在高度发达国家中，显着增加了总能量造成的40％（IEA 2016）。在美国，与住宅和商业建筑有关的能源消耗已从1980年的33.7％（美国能源部2012）提高到2019年的40％（美国EIA 2020年）；在欧盟登记了类似的价值，在欧盟，建筑部门占总能源消耗的近41％（Rousselot Marie and Pollier 2018），而在中国，百分比较低（近20％），这要归功于不同比率所得能源价格（CAO，DAI和LIU 2016）。许多研究（Chua等人2013）强调，在开发国家中，工业和住宅建筑物总能源消耗的几乎一半与供暖通气和空调（HVAC）系统有关，这些系统的消耗严格取决于enve损失（ng，persily，persily and emmerich 2014）和热量增长（Elssland，peksland，peksland，peksland，peksland，peksland，peksland，peksland，peksen and weietsch and wiel，
用于即时单次状态分类的神经网络
为了部署基于神经网络的状态分类，我们使用了开源 PyTorch 库。21 该库面向计算机视觉和自然语言处理，包括实现深度神经网络的能力，并包含用于在图形处理单元 (GPU) 上进行数据处理的内置功能。GPU 集成使我们的管道足够快，可以执行即时数据分类，而无需将原始测量信号传输到硬盘驱动器。除其他优点外，它还允许实时监控读出分配保真度。由于神经网络的初始训练需要几分钟的时间，因此随后的网络权重重新训练需要几秒钟，并允许读出分配保真度返回到最佳值。更重要的是，本研究中使用的卷积神经网络可以设计和训练成能够适应某些实验参数漂移的方式。具体而言，我们提出了一种策略来消除由微波发电设备引起的局部相对相位漂移对读出分配保真度的影响。在我们的实验中，我们使用了电路量子电动力学平台的原始部分：耦合到读出腔的传输器。