XiaoMi-AI文件搜索系统
World File Search System参数分析
残留的肌肉激活是否重要？
摘要：气管肿瘤虽然很常见，但在成年人中通常是恶性的。手术去除是非转移性肺部恶性肿瘤的主要疗法，但只有一小部分非小细胞肺癌患者才有可能受到肿瘤的数量和位置以及患者的整体健康状况的限制。本研究提出了另一种治疗方法：使用肺泡导管通过肺部路线施用雾化化学治疗颗粒，以靶向肺部肿瘤。为了提高对病变的递送效率，必须了解局部药物沉积和粒子转运动力学。本研究使用经过实验验证的计算流体颗粒动力学（CFPD）模型来模拟在具有10代（G）的3二维气管机关树中吸入化学治疗颗粒的传输和沉积。基于颗粒释放图，提出了有针对性的药物输送策略，以增强G10中两个肺部肿瘤部位的颗粒沉积。结果表明，受控药物释放可以改善两个目标区域的颗粒递送效率。使用气管导管的使用显着影响靶向肿瘤的颗粒递送效率。参数分析表明，使用较小的导管可以根据肿瘤的位置和所使用的导管直径的位置将超过74％的颗粒传递到靶向肿瘤部位，而使用常规颗粒给药方法少于1％。此外，结果表明颗粒释放时间对粒子沉积在同一吸入率中具有显着影响。这项研究是理解导管直径对局部气管注射对靶向小肺气道靶向肿瘤的第一个步骤。
极化显微镜及其在心脏的实验和翻译诊断中的应用
关键字：极化，心脏病发作，肌节，各向异性直接极化显微镜使A型磁盘能够双向射线折射[1]并评估心肌细胞收缩的状态，从而使肌原纤维肉瘤可视化。已经确定，在呼吸道或心脏骤停的条件下，器官和组织的病理变化发生不同[2]。因此，这项研究的目的是评估在两个根本不同的急性条件下与心脏氧气供应不足相关的急性疾病。通过Zeiss Axio Imager进行了极化图像和非极化图像的比较分析。A1（德国Carl Zeiss）具有和不具有极化系统的显微镜。 由于心肌的各向异性现象，观察到光学特性，例如双折射。 这使我们能够可视化肌膜的成分，因为磁盘具有异质性和独特的光学特性。 在我们的实验中，我们使用了lambda（相）板来提高图像的质量进行分析。 我们计算了整个肉瘤的长度和A和我的磁盘，然后使用Origin Pro软件（OriginLab，USA）对数据进行了统计分析。 在使用ANOVA通过非参数分析检查分布的正态性后，评估了测量结果。 对心肌细胞的极化特性的研究表明，肉皮长度在呼吸停滞和心脏骤停期间显着降低。A1（德国Carl Zeiss）具有和不具有极化系统的显微镜。由于心肌的各向异性现象，观察到光学特性，例如双折射。这使我们能够可视化肌膜的成分，因为磁盘具有异质性和独特的光学特性。在我们的实验中，我们使用了lambda（相）板来提高图像的质量进行分析。我们计算了整个肉瘤的长度和A和我的磁盘，然后使用Origin Pro软件（OriginLab，USA）对数据进行了统计分析。在使用ANOVA通过非参数分析检查分布的正态性后，评估了测量结果。对心肌细胞的极化特性的研究表明，肉皮长度在呼吸停滞和心脏骤停期间显着降低。根据这些数据，我们与确定相关和确定系数的确定以及构建阶阶3的多项式模型的相关性和回归分析，并构建了描述所获得数据的依赖方程。我们研究了未染色的心脏切片的极化图像和非极化图像，以及用苏木精和曙红，碱性富氏素和李染色方法染色的切片。正常情况下的中位肌节长度为1.86（1.79; 1.92）μm，呼吸停滞中的1.77（1.66; 1.82）μm，心脏骤停中的1.77（1.66; 1.82）μm。I-DISC的大小在实验组中也减小。对照组中位的各向同性盘长度为0.56（0.45; 0.65）μm和0.44（0.38; 0.57）μm，用于呼吸停滞，而对心脏骤停的中位数为0.25（0.22; 0.22; 0.22; 0.22; 0.22; 0.26; 0.26; 0.26）μm。同时，所有组中值的a磁盘并不以显着差异的存在为特征。这项研究表明，在与缺氧相关的各种病理过程的发展过程中，A磁盘和I-Disk Saromere参数之间的相关程度大大降低。与急性心脏骤停的实验中，椎间盘长度之间的关系显着较低，与急性呼吸停滞相比，这可以表征为更快的心肌损伤过程，这可能与循环滞留，快速血液脱氧和明显的心肌缺血发展有关。
内源性心脏保护剂-Iris -Aperto
摘要。鉴于从属于物种的个体人群中观察到的样本，“物种采样”问题（SSP）要求估计来自同一人群的其他不可观察的不可观察的物种组成的某些特征。在SSP中，估计概率的问题，未见物种的数量以及过去的三十年中出现了，因为它是Nu-Ober方法论和应用工作的主题，主要是在生物学科学中，主要是在统计机器学习，电气工程，电气工程学，理论上的com-Putercutercorcecorcerscocicor，Mecord acter Science，Insperion actersic和Foresicsic和Foresicsic和Forsensic和Foresicsic和Forsensic和Forsensic中。在本文中，我们专注于这些流行的SSP，并在Pitman-Yor过程（PYP）之前概述了其贝叶斯非参数分析（BNP）分析。在回顾文献时，我们通过建立简单的复合二项式和高几何分布来建立新的后验表示，改善了现有后验推论的计算和解释性，通常是通过复杂的共同数字来表达的。We also consider the problem of estimating the discount and scale parameters of the PYP prior, showing a property of Bayesian consistency with respect to esti- mation through the hierarchical Bayes and empirical Bayes approaches, that is: the discount parameter can be estimated consistently, whereas the scale parameter cannot be estimated consistently, thus advising caution in poste- rior inference.我们通过讨论SSP的一些概括（主要是在生物科学领域）来结束我们的工作，这些生物科学领域涉及“特征抽样”，多个人群共享物种和马尔可夫链类别的人群。关键词和短语：贝叶斯非参数，贝叶斯的一致性，覆盖率，覆盖率概率，经验贝叶斯，等级贝叶斯，Pitman-yor过程，“物种采样”问题，看不见的物种。
芬兰为期 6 个月的数字干预措施旨在促进健康......
摘要背景：改变饮食和活动习惯的生活方式对于 2 型糖尿病的治疗和预防至关重要。有证据表明，数字化健康相关生活方式干预可以改善糖尿病控制、医疗保健利用率和医疗保健成本。然而，新的数字干预措施的有效性还有待研究。目的和目标：本研究旨在使用准实验研究设计评估单一 6 个月数字干预措施对促进糖尿病前期和 2 型糖尿病患者健康相关生活方式改变的有效性。方法：应用的干预措施是一条为期 6 个月的整体生活方式改变数字服务途径。它包括各种生活方式主题、进度监测以及护士或医生的支持和指导。在干预开始和结束时，通过数字问卷收集糖尿病前期患者（n=23）和 2 型糖尿病患者（n=33）的自我报告体重、身高和腰围。同样，研究人员收集了糖尿病前期患者（n=26）和 2 型糖尿病患者（n=26）的体力活动、饮食习惯和感知健康状况的数据。使用非参数分析评估了变化。结果：干预期间，研究对象平均减重 3.0 (-6.0, -1.0) 公斤（p < 0.001），BMI 下降 0.90 (-2.02, -0.10) 公斤/米2（p < 0.001），腰围减少 4.0 (-7.0, 0.0) 厘米（p < 0.001）。感知健康状况（p < 0.001）、饮食习惯（p < 0.001）和身体活动习惯（p < 0.001）分别改善 0（0, 2）、1（0, 3）和 2（0, 4）。接受两次护士访问的患者的饮食习惯有所改善（p = 0.003）。干预期间的变化在糖尿病前期和 2 型糖尿病患者之间没有差异。结论：这些初步研究结果可能表明干预在管理 BMI 和体重并改善糖尿病前期和 2 型糖尿病患者的饮食和身体活动习惯。
图形对比度学习是高级SCRNA-SEQ数据分析的多功能基础
单细胞RNA测序（SCRNA-SEQ）在单细胞水平上对全转录组基因表达提供了前所未有的见解。细胞聚类长期以来在SCRNA-SEQ数据的分析中已建立，以识别具有相似表达谱的细胞组。然而，细胞聚类在技术上具有挑战性，因为原始的SCRNA-SEQ数据具有各种分析问题，包括高维度和辍学值。现有研究开发了深度学习模型，例如图形机器学习模型和基于对比度的学习模型，用于使用SCRNA-SEQ数据进行细胞聚类，并总结了将细胞聚类的无监督学习到人介入的格式中。虽然细胞聚类的进展是深刻的，但我们没有更接近找到一个简单而有效的框架来学习鲁棒聚类所需的高质量表示。在这项研究中，我们提出了SCSIMGCL，这是一个基于图形对比的学习范式的新型框架，用于图形神经网络的自我监督预处理。该框架促进了对细胞聚类至关重要的高质量表示的产生。我们的SCSIMGCL结合了细胞细胞图结构和对比度学习，以增强细胞聚类的性能。对模拟和实际SCRNA-SEQ数据集的广泛实验结果表明了所提出的SCSIMGCL的优势。此外，聚类分配分析证实了SCSIMGCL的一般适用性，包括最新的聚类算法。所提出的SCSIMGCL可以作为开发用于细胞聚类工具的从业者的强大框架。此外，消融研究和超参数分析表明，在自我监督的学习环境中，决策的鲁棒性表明了我们的网络体系结构的功效。SCSIMGCL的源代码可在https://github.com/zhangzh1328/scsimgcl上公开获得。
用于 P300 解码的轻量级多尺度卷积神经网络：训练策略分析与网络决策揭示
卷积神经网络 (CNN) 可以自动从原始数据中学习特征以近似函数，这种网络越来越多地应用于脑电图 (EEG) 信号的端到端分析，尤其是用于解码脑机接口 (BCI) 中的大脑状态。尽管如此，CNN 引入了大量可训练参数，可能需要较长的训练时间，并且缺乏学习到的特征的可解释性。本研究的目的是提出一种用于 P300 解码的 CNN 设计，重点在于其在保证高性能的同时的轻量级设计、不同训练策略的影响以及使用事后技术来解释网络决策。所提出的设计名为 MS-EEGNet，以高效和优化（就可训练参数而言）的方式学习了两个不同时间尺度（即多尺度，MS）中的时间特征，并在三个 P300 数据集上进行了验证。使用不同的策略（参与者内和会话内、参与者内和跨会话、留一法、迁移学习）训练 CNN，并与几种最先进的 (SOA) 算法进行了比较。此外，分析了基线 MS-EEGNet 的变体，以评估不同超参数对性能的影响。最后，使用显着图来推导驱动 CNN 决策的相关时空特征的表示。尽管 MS-EEGNet 具有多个时间尺度，但它与测试的 SOA CNN 相比是最轻的 CNN，并且明显优于 SOA 算法。事后超参数分析证实了 MS-EEGNet 创新方面的优势。此外，MS-EEGNet 确实受益于迁移学习，尤其是使用少量训练示例，这表明所提出的方法可用于 BCI 中以准确解码 P300 事件，同时减少校准时间。从显著性图得出的表示与 P300 时空分布相匹配，进一步验证了所提出的解码方法。本研究通过专门解决轻量级设计、迁移学习和可解释性方面的问题，有助于推动基于 P300 的 BCI 深度学习算法的开发。
储能杂志
热能储存（TES）越来越多地被认为是有效组合热量和功率（CHP），浓缩太阳能（CSP），加热通风和空调（HVAC）的重要组成部分，并在减少峰值需求的同时帮助管理能量的峰值（例如，来自太阳能或风能），并减少峰值需求。潜热热能存储（LHTES）是一个可行的选择，因为它的储能密度很高。从无量纲数字来看，LHTE的参数分析是高度希望作为建模LHTES系统的工具。一种方法是开发模型方程，以最大程度地减少从实验或模拟获得的模型和数据之间的误差。这种方法可以产生适用于其创建数据范围内的准确相关性，但它不能提供对控制设备瞬态行为的限制限制过程的物理理解。在本文中，我们提出了一种替代方法，从第一原理中确定了潜在的限制过程，然后将关键过程确定为时间的函数，作为LHTES设备的费用。例如，在简单的几何形状中，如果热传递速率受相变材料的自然对流限制，则可以预期熔体分数会在及时变化，并且我们以PCM Grashof数为𝐺𝑟1𝑝1𝑝和PCM PRANDTL数字显示为缩放量为𝑃𝑟（1∕3）。另一方面，如果固体PCM的表面积限制了传热速率，则熔体分数会渐近地增加以达到充分的熔化。对于我们的几何形状，发现这约为90％。使用我们的64个模拟的数据库验证了这些线性和渐近区域以及熔体分数曲线的𝐺𝑟1𝑝1∕3𝑝的形状。设计LHTES设备的实际重要性是熔体的部分，在这种熔体中，热传递速率不再受到对流的限制，此后热量存储速率恶化。我们的方法论的一个测试案例显示了我们方法的价值，即根据时间限制物理现象来预测热量储存速率，这是对LHTES设备进行建模的有效方法。
基于随机扩增标记的猪笼草遗传多样性
猪笼草又名猪笼草，是一种独特而有趣的植物，已被广泛开发作为观赏植物。这种植物的魅力不仅在于它的花朵，还在于它的花囊，花囊的形状和颜色多种多样。基于分子表征可以确定猪笼草的几种物种和杂交种的多样性。这项研究的目的是计算遗传多样性的值，并在分子基础上利用 RAPD 引物测试印度尼西亚猪笼草之间的关系。本研究使用的材料是从 Yagiza 苗圃猪笼草苗圃、食虫植物苗圃、Tulungagung 猪笼草群落和毒液苗圃的勘探结果中获得的 41 种物种和由 3 个个体组成的猪笼草杂交种。分子 DNA 分析是在加查马达大学 (UGM) 农学院农业栽培系遗传学和植物育种实验室进行的。 3个RAPD引物（OPD 8、OPC 2和OPC15）对41个物种及其杂交种进行检测，共得到85个位点，1370个DNA带，大小为150～1750 bp，多态性水平为100％，形成的特异性带数共12条。聚类分析结果表明，多样性水平在17％～100％之间，可分为A组和B组，相似性水平为17％。遗传参数分析结果表明，居群（N. eustahcya x N. ampularia）各参数的遗传差异最大且一致（Na=0.576±0.092、Ne=1.162±0.035、I=0.136±0.027），PLP为23,53%，平均杂合度（H）为0.093±0.019。最高相似系数值为0.338，表明N.veitchii与N.adnata亲缘关系较远，最低相似系数值为0.050，表明N.maxima wavy与N.maluku亲缘关系较近。AMOVA分析显示，猪笼草居群间遗传多样性分布值（74%）高于居群内多样性值（26%）。同时，猪笼草种群间遗传多样性分布值（70%）高于种群内遗传多样性分布值（30%）。关键词：猪笼草；分子；RAPD。
纤维增援和过程参数的影响
摘要：融合沉积建模（FDM）是一种生产原型和功能组件的良好制造方法。本研究通过材料和与过程相关的影响变量研究了FDM组件的机械性能。的拉伸试验以其原始丝形式的七种不同材料进行，其中两种是纤维增强的，以分析其与材料相关的影响。涵盖从相关的载荷组件的标准材料到高级材料及其各自的变化，聚乳酸（PLA），30％木纤维增强的PLA，丙烯硝基丁烷苯乙烯苯乙烯苯乙烯苯乙烯苯乙烯苯乙烯（ABS）（ABS）（abs），聚碳酸酯（PC），聚碳酸酯（PC），abled and nyls and nyls and nyls-frend-nyls-Flend ways-Flass-Flend ways ways-Flast-Flend-Flend ways-Flast-Flend ways-Flast-Flend。使用以下过程参数研究了与过程相关的影响变量：层厚度，喷嘴直径，构建方向，喷嘴温度，填充密度和模式以及栅格角度。第一个测试系列表明，由于缺乏与基质的纤维键合，木纤维的添加显着恶化了PLA的机械行为。ABS和PC的聚合物混合物仅显示刚度的改善。尽管纤维纤维 - 雄性雄性粘结部分较差，但通过嵌入尼龙中的玻璃纤维嵌入玻璃纤维，发现了显着的强度和刚度。选择具有最佳属性的材料进行过程参数分析。在检查层厚度对零件强度的影响时，明显相关。零件取向确实改变了测试样品的断裂行为。较小的层厚度导致较高的强度，而刚度似乎没有受到影响。相反，较大的喷嘴直径和下部喷嘴温度仅对刚度产生积极影响，对强度影响很小。尽管向边缘方向导致较高的刚度，但在较低的应力下失败了。较高的填充密度和与负载方向对齐的填充图案导致了最佳的机械结果。栅格角对印刷物体的行为产生了重大影响。与单向栅格角相比，交替的栅格角会导致较低的强度和刚度。但是，由于珠子的旋转，它也引起了显着的拉伸。
Kahoot! 在医学教育中的应用
世界各地都在努力将技术应用于医学教育，以提高大班学生的学习积极性。Kahoot! 就是其中之一。本研究旨在测量 FKIK UMY 医学院在实施 Kahoot! 后学生的学习积极性水平。本研究采用了准实验方法。数据是使用学习动机策略问卷 (MSLQ) 收集的。在使用 Kolmogorov Smirnov 方法进行正态性检验时，所有数据的 p 值均大于 0.05。因此，我们使用非参数分析和独立样本 T 检验以及单因素方差分析来找出学生成绩与学生学习积极性水平之间的关系。研究结果表明，2015 年级学生在实施 Kahoot! 后学习积极性水平较低，其他三个年级（2016、2017 和 2018）在实施 Kahoot! 后学习积极性水平较高。执行此操作的技术人员将在本次培训中获得相关动机。 Salah satunya adalah Kahoot！ Penelitian ini bertujuan untuk mengukur tingkat motivasi mahasiswa fakultas kedokteran FKIK UMY pasca Implementasi Kahoot!. Penelitian ini menggunakan metode eksperimen semu.学习动机策略问卷 (MSLQ) 的数据。宇治正常情况下，柯尔莫哥洛夫·斯米尔诺夫·斯米尔诺夫·斯米尔诺夫·斯米尔诺夫·斯米尔诺夫·斯米尔诺夫·斯米尔诺夫·斯米尔诺夫·斯米尔诺夫·斯穆阿·塞穆阿数据memiliki nilai p> 0,05。 Dengan demikian、analisis statistic menggunakan non-parametrik dengan 独立样本 T 检验和单向方差分析 untuk mengetahui hubungan nilai siswa dan tingkat motivasi siswa。 Hasil penelitian menunjukkan bahwa mahasiswa angkatan 2015 memiliki tingkat motivasi yang lebih rendah setelah penerapan Kahoot!, tiga kelas lainnya (2016, 2017, dan 2018) memiliki tingkat motivasi yang lebih tinggi setelah penerapan Kahoot!。