XiaoMi-AI文件搜索系统
World File Search System四类
基于 SSVEP 的 BCI 中闪烁刺激的数量和大小的影响
[1] Muse™：Muse 2：脑感应头带 - 技术增强冥想，https://choosemuse.com/muse-2/。（访问日期：2021/12/01）。[2] FocusCalm：FocusCalm — 训练你的大脑以减轻压力 — 冥想头带，https://focuscalm. com/。（访问日期：2021/12/01）。[3] NextMind：NextMind - 实时脑机接口 - 立即订购你的开发套件，https://www.next-mind.com/。（访问日期：2021/12/01）。 [4] Parini, S.、Maggi, L.、Turconi, AC 和 Andreoni, G.: 基于四类 SSVEP 范式的稳健且自定步调的 BCI 系统：高传输率直接脑通信的算法和协议，计算智能与神经科学，第 2009 卷，第 1-11 页 (2009)。[5] Gembler, F.、Stawicki, P. 和 Volosyak, I.: 使用新颖的 BCI 向导对基于 SSVEP 的 BCI 进行自主参数调整，神经科学前沿，第 9 卷，第 474 页 (2015)。[6] Gembler, F.、Stawicki, P. 和 Volosyak, I.: 探索基于多目标 SSVEP 的 BCI 应用的可能性和局限性，2016 年第 38 届国际
引用：Ahn H. 基于症状对眼科急诊严重程度进行分类的人工智能方法：一项验证研究。BMJ Open 2020；10：e037161。doi:10.1136/bmjopen-2020-037161
摘要 目的 我们研究了机器学习人工智能 (AI) 在对眼科急症严重程度进行分类以便及时就诊方面的有效性。 研究设计 这项回顾性研究分析了 2019 年 5 月至 12 月期间首次访问大邱武装部队医院的患者。患者的一般信息、事件和症状是输入变量。事件、症状、诊断和治疗是输出变量。输出变量分为四类（红色、橙色、黄色和绿色，表示立即或无紧急情况）。在所有训练程序之前，随机选择了大约 200 例类平衡验证数据集。采用了一种集成 AI 模型，该模型结合了全连接神经网络和合成少数过采样技术算法。 参与者 共纳入 1681 名患者。 主要结果 使用准确度、精确度、召回率和 F1 分数来评估模型性能。 结果 该模型的准确率为 99.05%。各类别（红色、橙色、黄色和绿色）的准确率分别为 100%、98.10%、92.73% 和 100%。各类别的召回率分别为 100%、100%、98.08% 和 95.33%。各类别的 F1 得分分别为 100%、99.04%、95.33% 和 96.00%。结论我们为基于症状对眼科急诊严重程度进行分类的 AI 方法提供了支持。
重点关注技能风险和航空医学因素。横截面
背景：非洲地区的航空安全一直是国际民用航空组织 (ICAO) 和整个行业关注的问题。ICAO 2012 年的事故统计数据显示，非洲每 100 万次起飞的事故发生率为 5.3 次，占全球交通量的 3%。一项研究旨在调查该地区航空运营中现有的人为因素风险，特别关注东非地区的技能和航空医学风险。方法：采用横断面研究设计，应用定量数据收集方法；通过调查收集感知信息。结果：四类变量调查了工作所需的技能，具有正向中等强度相关性，值在 0.4-0.6 之间，具有统计学意义，p < 0.05。另外四个具有弱正相关性，小于 0.4。十五类航空医学变量中有十一个具有正向中等强度相关性，值在 0.4-0.6 之间。四个具有弱正相关性，小于 0.4。结果确实表明，公共安全、运营监控、质量控制、故障排除、设计和电信以及公共安全方面存在当前与技能相关的风险。上述大多数技能彼此之间都有直接相关性。结论：影响表现的航空医学因素包括体能和健康、压力、时间压力和致命性
航空应用用户群
混合架构称为地面区域增强系统 (GRAS)。基于飞机的方法采用内置于用户航空电子设备中的监视器，不需要外部基础设施（GNSS 卫星本身除外）。这些监视器通过检测危险误导信息 (HMI) 实例（指任何威胁性 GNSS 异常）来构建严格的误差界限。与基于飞机的方法相比，其他类型的增强系统都采用地面参考接收器基础设施。这些接收器网络增强了 HMI 监控的灵敏度。此外，这些网络能够广播差异校正，从而显着提高用户准确性。图 1 显示了所有四类增强系统。ABAS 具有明显的优势，因为它几乎可以在任何可以看到 GNSS 卫星的地方使用。虽然 ABAS 可能包含非 GNSS 传感器，但 ABAS 的一个重要子类别是仅 GNSS 的 RAIM。这种方法使用导航解决方案的最小二乘残差来实现监控。较大的残差对应于与其他测量值不同的测量值。通过从导航解决方案中排除不同的卫星测量值，RAIM 可以检测到较大的 HMI 事件，从而可以对导航传感器误差建立更严格的置信界限。为了获得非零残差，RAIM 至少需要一次
了解拉丁裔大学毕业率差距
我们调查了至少一门大学课程（社区学院、学院、大学、职业学校或证书课程）但从未完成过的学生。调查样本超过 1,500 名受访者，其中 35% 的人自认为是拉丁裔*（拉丁裔 = 522；非拉丁裔 = 985），我们收集了有关完成大学学业的最突出障碍的关键信息，尤其是那些对拉丁裔学生造成不成比例负担的障碍。根据先前的文献和研究，我们特别关注债务、对债务的态度和完成大学学业之间的关系。我们将完成大学的障碍分为四类：大学前、制度、环境和财务。大学前因素考虑了一个人在进入高等教育课程之前的经历和环境，包括高中学术经历、社会资本以及大学的动机和/或适应性。制度因素考虑了一个人在所选大学机构的经历和环境，包括学术融合和文化融合。环境因素决定了学生在大学期间在校外生活中的责任和挑战，包括家庭责任、健康问题和交通问题。财务因素决定了学生面临的财务压力和紧张因素，包括财务危机、工作需要和避免债务的愿望。
小儿失眠的药理管理|睡眠
失眠是儿童和青少年中最常见的睡眠障碍，影响了他们的认知，情感，行为和身体发育。失眠症的患病率通常会随着年龄的增长而增加，如果未解决，通常会持续到成年。失眠在患有发育障碍的患者中非常普遍，并且经常与大量的精神诊断相处。COVID-19的大流行只会增加儿童和青少年失眠率。医疗保健提供者通常会要求治疗小儿人群的失眠症。心理教育和行为干预措施，尤其是对失眠症（CBT-I）的认知行为疗法（CBT-I）仍然是第一线治疗，鉴于其效果和预防复发方面的成功证据。然而，尽管食品药物管理局（FDA）未批准药物治疗小儿失眠症，但经常在临床实践中使用药物。本评论旨在教育和支持正在对待失眠症儿童和青少年的从业者。完成了彻底的叙述性审查，以确定所有已发表的小儿失眠的药物研究；描述了识别的研究，然后根据支持其使用的证据的强度，将副作用，合并症和整体风险与每种药理治疗的益处分级分为四类。这项审查将帮助从业人员为患有失眠症的儿科患者做出临床决策。
使用人工智能和技术工具来提高学生的英语学术写作能力
技术工具（尤其是人工智能）的快速发展，已导致技术辅助学习媒体融入教育环境。本研究重点关注学生在英语学术写作过程中对人工智能和技术工具的使用及其对写作技能的影响。采用定性方法，通过开放式问卷和半结构化访谈收集数据，涉及印度尼西亚一所伊斯兰大学的 73 名英语教育学生。研究结果表明，学生总共使用了 15 种技术工具，分为四类：语言结构、来源、保存轨迹和参考文献。据参与者称，参与者使用的工具能够提供：直接反馈和纠正、写作技能发展。具体而言，参与者声称这些工具增强了他们对语法规则和词汇习得的理解。此外，参与者认为这些工具有助于他们撰写更具凝聚力和连贯性的文章。这项研究表明，将技术工具纳入英语学术写作有可能彻底改变写作技能的发展和评估。然而，学生必须在利用这些工具和磨练写作技巧之间取得平衡，以确保写作水平的发展。
基于自我的运动想象脑电图分类 - 刘国阳
摘要 —基于运动想象的脑机接口已广泛应用于神经康复。运动想象脑电图 (MI-EEG) 是指人们想象自己的身体在没有实际动作的情况下运动的脑电信号。患有运动障碍的人可以通过脑电图 (EEG) 解码来控制外部设备。然而，由于脑电图的复杂性和非平稳性，解码仍然存在各种挑战。如何提高脑电图解码的准确性和鲁棒性仍然是一个有待研究的关键问题。在本文中，首次引入了一种基于自注意的卷积神经网络 (CNN) 结合频带-时间带共同空间模式 (FTBCSP) 进行四类 MI-EEG 分类。基于自注意的 CNN 用于原始数据以获得通道权重并强化空间信息。共同空间模式 (CSP) 是一种广泛应用于 MI-EEG 解码的算法，可以提取两个类之间的判别特征。将经过 CSP 算法处理后的特征与上述空间信息相结合完成分类。我们在公开的多类 MI 数据集上验证了该方法，平均准确率为 78.12%，优于其他传统方法。证明了所提方法充分利用了脑电信号的时空信息，在公开数据集上获得了优异的分类性能。
石蜡是改善建筑物性能的相变材料：应用和导热率增强技术的概述
摘要。近年来，相变材料（PCM）越来越受到不同热量存储和管理领域的关注。在建筑部门中，将其作为相变材料（PPCM）作为建筑包膜中的有效PCM引入，这表现出了显着的结果。然而，PPCM的导热率较差仍然是实验和数值研究中的最高缺点。在本文中，对paraffin的一般评估，它们的常见用途和应用，特别着眼于它们在构建信封应用中的潜力。此外，突出显示和评估了PPCM的一般和期望的特性。提出和讨论了较差的热导率PPCM的主要实际限制及其对PPCM性能的影响。相应地，用于提高较差的热导率的流行技术将分为四类：纳米颗粒的分散，扩展的石墨，金属泡沫和扩展表面技术（FINS）。总的来说，经过分析的研究工作表明，基于PPCM的建筑物包膜应用可以显着改善建筑物的热性能，从而减少热负载，节能和热舒适性。此外，采用增强技术对于改善PPCM在构建更好利用的应用中的热性能至关重要。本综述为新移民和感兴趣的方提供了有关PPCM在建筑领域的主要应用方面的明确愿景，以进一步调查技术商业化。
灾难性人工智能风险概述
人工智能 (AI) 的快速发展引发了专家、政策制定者和世界领导人对日益先进的人工智能系统可能带来灾难性风险的担忧。尽管已经分别详述了许多风险，但迫切需要系统地讨论和说明潜在危险，以便更好地指导减轻这些风险的努力。本文概述了灾难性人工智能风险的主要来源，我们将其分为四类：恶意使用，即个人或团体故意使用人工智能造成伤害；人工智能竞赛，即竞争环境迫使参与者部署不安全的人工智能或将控制权交给人工智能；组织风险，强调人为因素和复杂系统如何增加灾难性事故发生的可能性；流氓人工智能，描述了控制比人类聪明得多的代理的固有难度。对于每一类风险，我们都会描述具体的危害，提供说明性故事，设想理想情景，并提出减轻这些危险的实用建议。我们的目标是促进对这些风险的全面了解，并激发集体和主动的努力，以确保以安全的方式开发和部署人工智能。最终，我们希望这将使我们能够实现这项强大技术的好处，同时最大限度地降低发生灾难性后果的可能性。1