XiaoMi-AI文件搜索系统
World File Search System平均误差
移动心态提取的机器学习心电图
摘要：背景：本互联网技术正在重塑医疗保健应用程序。我们对基于心电图（ECG）的心脏健康管理（ECG）的长期，超临床，心电图（ECG）的特殊兴趣，并提出了一个机器学习框架，以从嘈杂的移动ECG信号中提取关键模式。方法：提出了一个三阶段混合机器学习框架，用于估计与心脏疾病相关的ECG QRS持续时间。首先，使用支持向量机（SVM）从移动心电图中识别出原始的心跳。然后，QRS边界使用新型模式识别方法，多视图动态时间翘曲（MV-DTW）定位。为了增强信号中运动伪影的鲁棒性，MV-DTW路径距离也用于量化心跳特异性的失真条件。最后，对回归模型进行了训练，可以将移动ECG QRS持续时间转换为常用的标准胸部ECG QRS持续时间。结果：通过提出的框架，ECG QRS持续时间估计的性能非常令人鼓舞，并且相关系数，平均误差/标准偏差，平均绝对误差和根平均绝对误差分别为91.2％，0.4±2.6，1.7和2.6 ms，与传统的基于胸部ECG基于传统的基于胸部ECG的测量相比。结论：证明有希望的实验结果表明框架的有效性。这项研究将极大地将基于机器学习的ECG数据挖掘到智能医疗决策支持。
可持续能源，网格和网络
当前的脱碳策略是由不可编程的可再生能源（NP-Ress）的快节奏扩散驱动的，它主要是通过太阳能和风力发电。储能技术正在作为应对NP-Ress的可变性和低惯性特征的关键解决方案。尤其是，电池能量存储系统（BES）对于幕后（BTM）和公用事业规模的应用都更广泛地扩散。在这种情况下，我们仍然缺乏有关如何从收集的有关BESS性能到可靠和快速数学公式进行操作优化的现场数据进行的共同解决方案。本研究提供了一个经过验证的建模框架，可以在BESS调试期间或之后利用（i）确定并得出有用的参数以表征BESS性能，（ii）以数学计算的形式对其进行形式化，同时了解其准确性和计算努力之间的特定折衷，以及（III）在所选的BESS中利用多型bess Models Optimive System System System Ensergy问题。我们讨论了我们开发的三种不同的建模方法，用于优化BES的操作，每种方法在建模精度和计算工作之间都提供了不同的平衡。这三个数学模型通过基于现场性能数据的数值模拟模型进行了验证，并最终在参考案例研究中进行了测试。结果表明，可以限制估计BES效率的平均误差，同时限制模型的计算工作。©2023作者。由Elsevier Ltd.关于BES的运行，进行的模拟表明，近似BESS模型可能会导致预期收入高估。这是CC下的开放访问文章（http://creativecommons.org/licenses/4.0/）。
使用神经网络预测心脏病
摘要：包括心脏病在内的心血管疾病构成了重大的全球健康挑战，这给医疗保健系统和个人带来了重大负担。早期检测和对心脏病的准确预测对于及时干预和改善患者预后至关重要。本研究使用从Kaggle收集的数据集探索了神经网络在预测心脏病方面的潜力，该数据集由1025个样本组成，具有14个不同特征。该研究的主要目标是开发有效的神经网络模型，以确定心脏病的存在或不存在。神经网络体系结构包括一个输入层，隐藏层和一个输出层，旨在捕获数据集中的复杂关系。严格的培训和验证过程，伴随数据预处理步骤，确保模型的稳健性和泛化功能。结果表明表现出色，精度为92％，平均误差为0.062。此外，对特征重要性的分析突出了关键预测因子，包括“ Oldpeak”，“ Thalach”，“ Trestbps”，“ CA”，“ Thal”，“ Thal”，“ CP”，“ Chol”，“ Chol”，“性别”，“性别”，“ Restecg”，“ Restecg”，“ restecg”，“年龄”，“ slope”，“ slope”，“ slope”，“ fbs”和“ exang”和“ exang”。这项研究通过利用神经网络来增强心脏病预测来为预测保健领域。开发的模型提供了可能尽早确定处于危险中的个人，促进及时的医疗干预措施并最终改善公共卫生的潜力。进一步探索医疗保健中的机器学习技术有望重塑疾病预测和预防策略。
CMIP6模型中的南洋辐射偏置，云补偿错误和平衡气候灵敏度
使用已建立的云聚类方法分析摘要耦合模型对比项目阶段6（CMIP6）模型。这可以比较模型和观察中的云表示。显示南大洋上层云的模拟已显示出从早期模型中发生的很大变化。分析的CMIP6模型表明，在模拟中比国际卫星云气候项目（ISCCP）观测值更频繁地发生层云，但与云和地球的辐射能量系统（CERES）数据相比还不够明亮。这与“太少，太明亮”的问题形成鲜明对比，后者表征了层状云的先前模型模拟，尤其是在南大洋上。云簇还可以计算模型数据中的均值和补偿短波云辐射效应（SW CRE）错误。补偿错误显示出比平均误差大得多，表明CMIP6模型在其云表示方面仍然有很多改进。确定了南大洋的SW CRE中的平均值和补偿错误之间具有统计学意义的负相关关系。在其他地方观察到这种关系，但仅在南大洋中很重要。这意味着模型调整工作在该区域的云表示中隐藏了偏见。相对于CMIP5模拟， CMIP6模型的气候灵敏度（EC）具有较高的平衡气候灵敏度。CMIP6模型的气候灵敏度（EC）具有较高的平衡气候灵敏度。研究了ECS与SW CRE平均值与补偿错误之间的联系，但没有发现这些变量之间存在关系的证据。
预测 IRT 难度的解释力
等式 1 的群体性质在 AI 的许多领域都很方便，因为我们在选择要部署的系统之前通常会应用各种技术。所有这些被丢弃的次优系统都可以重新用于计算难度，正如我们将在本文中看到的那样。然而，使用系统群体也会带来一些风险。例如，如果群体包含一个不符合要求的系统（在简单实例上失败，在一些困难实例上成功），则可能导致非常不稳定的难度指标。如果我们只是计算一组系统对每个实例的平均误差作为难度的代理，可能会发生这种情况（Mart´ınez-Plumed 等人，2019 年）。几十年前提出了一种解决这个问题的方法，称为项目反应理论 (IRT)，其中难度是从项目（实例）和受访者（系统）矩阵中推断出来的，这使得符合要求的系统更具相关性。此外，IRT 给出了一个遵循正态分布的难度缩放指标，可以直接与系统的能力进行比较。然而，IRT 和其他难度指标都是从之前的性能结果中得出的，但不依赖于实例空间，因此我们无法预测新实例的难度。我们为这个重要问题提出了一个相对简单的解决方案：以问题特征作为输入、以难度作为输出来训练回归模型。本文涵盖了人工智能中的一系列问题，推导了它们的 IRT 难度，并为每个领域训练了一个回归模型——难度估算器，我们对其进行了系统性的评估。对于许多领域，根据 RMSE 和 Spearman 相关性，对 IRT 难度的估计非常好。我们在一系列应用上说明了这些难度模型的解释能力：
热力学循环预测进化酶的竞争性抑制结果
在分子水平上理解竞争性抑制对于揭示酶-抑制剂相互作用的动力学和预测抗性突变的进化结果至关重要。在本研究中，我们提出了一个框架，将竞争性抑制与炼金术自由能扰动 (FEP) 计算联系起来，重点关注大肠杆菌二氢叶酸还原酶 (DHFR) 及其被甲氧苄啶 (TMP) 抑制的情况。使用热力学循环，我们将实验测得的结合常数 (K i 和 K m ) 与野生型和突变型 DHFR 相关的自由能差异联系起来，平均误差为 0.9 kcal/mol，从而深入了解 TMP 抗性的分子基础。我们的研究结果强调了局部构象动力学在竞争性抑制中的重要性。DHFR 突变对底物和抑制剂结合亲和力的影响不同，从而影响 TMP 选择压力下的适应度景观。我们的 FEP 模拟表明，抗性突变通过特定的结构和/或动力学效应稳定抑制剂结合或底物结合状态。这些效应的相互作用在某些情况下显示出显著的上位性。单独评估底物和抑制剂结合的能力提供了有价值的见解，从而可以更精确地解释突变效应和上位性相互作用。此外，我们确定了 FEP 模拟中的关键挑战，包括由电荷改变突变和长距离变构效应引起的收敛问题。通过整合计算和实验数据，我们提供了一种有效的方法来预测抗性突变的功能影响及其对进化适应度景观的贡献。这些见解为构建强大的突变扫描方案和设计更有效的抗耐药细菌菌株治疗策略铺平了道路。
具有热梯度的微型多传感器系统
两个微芯片用作纳米电子鼻，分别有四个相同的使用 SnO 2 纳米线作为传感材料的微结构传感器（一个芯片装饰有 Ag 纳米粒子，另一个装饰有 Pt 纳米粒子）。由于集成微加热器产生的热梯度，这种创新方法使用在不同工作温度下工作的相同传感器。使用内部开发的硬件和软件的系统收集来自八个传感器的信号并将它们组合成八维数据向量。这些向量用支持向量机处理，以便在校准后对所有气体进行定性和定量区分。该系统在校准范围内运行良好（100% 正确分类，浓度值平均误差为 6.9%）。这项工作的重点是尽量减少校准所需的点数，同时保持良好的传感器性能，包括分类和浓度估计误差。因此，校准范围（就气体浓度而言）逐渐缩小，并使用超出这些新降低限值的浓度进行进一步测试。尽管只有几个训练点（每种气体只有两个），但该系统表现良好，对于浓度高达校准范围 25 倍的气体，分类正确率为 96%，平均误差率为 31.7%。在非常低的浓度下（低至校准范围的 20 倍），系统工作得不太好，分类正确率为 93%，平均误差率为 38.6%，这可能是因为接近传感器的检测限。© 2023 越南国立大学，河内。由 Elsevier BV 出版这是一篇根据 CC BY-NC-ND 许可的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。
适用于Q角度测量的人工智能
摘要 - 目的：Q角的测量缺乏标准化，其潜在的风险未能检测到临床相关发现和对patelo股病理中所需的干预类型的类型的临床相关发现和错误判断。这项研究的目的是实施一个机器学习模型，以直接从X光片中对Q角进行准确和可靠的测量。材料和方法：手动注释了187张X光片（其中约50个属于儿科患者），用于前上部棘突（ASIS），the骨的中心和胫骨结节，然后通过不同的图像预辅助技术来增强。X射线中的百分之八十五用于训练，15％用于测试和验证。与地面真相相比，使用全腿X光片（WLR）和边界框（BB）模型测试了预测性能（WLR）（BB）模型（操作员确定的关键点和Q-angles）。结果：总的来说，平均预测误差是the和ASIS的最小，并且是胫骨结节的最高。与WLR相比，BB模型在所有点和Q角的预测中产生了较小的平均误差（胫骨结节除外，这是可比的），并且与地面真相的一致性最高，没有Q-Angle的偏见。结论：该概念验证研究支持使用AI驱动的自动算法来识别直接从患者的X光片测量Q角的关键点。结果证明了边界框方法的可靠性最高，并且该算法能够正确识别异质患者群体的关键点的能力。
emle-engine-a-a-flexible-electrostatic-machine-machine-earnning- ...
我们在这项工作中提出了EMLE-GENTENCEP（https://github.com/chemle/emle-engine） - 用于混合机器学习潜力/分子力学（ML/MM）动力学的新机器学习嵌入方案的实施。该软件包是基于一种嵌入方案，该方案使用基于物理的电子密度模型和诱导模型，并具有少数可调参数，这些参数衍生在要嵌入的子系统的真空属性中。该方案完全独立于真空电位，仅需要机器学习子系统原子的位置以及分子力学环境的位置和部分电荷。这些特征允许现有QM/mm软件中使用EMLE引擎。我们证明实施的静电机学习嵌入方案（命名EMLE）在增强的采样分子动力学模拟中是稳定的。通过计算水中丙氨酸二肽的自由能表面，具有两个不同的ML真空电位和三个嵌入模型的ML选项，我们测试了EMLE的性能。与参考DFT/MM表面相比，EMLE嵌入显然优于基于固定部分电荷的MM。与MM嵌入相比，EMLE模型引入的电子密度的配置依赖性以及EMLE模型引入的感应能量的包含导致自由能表面的平均误差的系统降低。通过在实用的ML/MM模拟中启用EMLE嵌入的使用，EMLE-Enline将使能够准确建模系统和过程，这些系统和过程在ML子系统和/或交互环境的电荷分布中具有显着变化。
使用实验分析和机器学习优化可持续包装解决方案的回收3D打印PLA零件的机械性能
摘要：日益增加的环境问题和对可持续材料的需求促使人们专注于在添加剂制造中利用回收的聚乳酸（PLA），因为PLA提供了比其他热塑性的优势，包括生物降解性，易于生物降解性，易于加工和生产过程中的环境影响较低。本研究通过实验和机器学习方法的结合探讨了回收PLA零件的机械性能的优化。进行了一系列实验，以研究各种处理参数（例如层厚度和填充密度和退火条件）对回收PLA部分机械性能的影响。机器学习算法已经证明，平均误差为6.059％，可以预测拉伸行为。结果表明，处理参数和治疗后退火的特定组合不同地改善了机械性能（最终拉伸强度（UTS）为7.31％，Young模量为0.28％，在延长度中为3.68％）和3.68％的延长度），并根据XD vra（X.33％）的效果，依赖于XD的vira，并在XD上进行分析，该分析均为A a vira vra vra，in It a vira是xrd vra，in It a vira是xrd vra vra vra vra。可持续包装解决方案，包括可生物降解的容器，翻盖包装和保护性插件。优化的回收PLA零件表现出机械性能和结晶度水平，其水平与其处女相媲美，这突出了它们降低环境影响和节省成本的潜力。均为已建造的样品和退火样品，实现高复合可需性的最佳设置涉及0.2 mm的层厚度，填充物的填充量为75％，用于填充样品，对退火样品的填充填充物为100％。本研究提供了一个综合框架，用于优化添加剂制造中的再生PLA，这有助于可持续材料工程和循环经济的发展。