XiaoMi-AI文件搜索系统
World File Search System心电
使用智能手机心电图监测器识别雅各布羊尿路阻塞导致的高钾血症引起的心电图异常
基于智能手机的诊断技术正越来越多地被门诊兽医使用。1 这种强大便携技术的一个令人兴奋的新例子是 AliveCor ECG 设备 (AliveCor)。AliveCor 允许智能手机用户使用他们的智能手机以心电图 (ECG) 的形式收集心律和心率，可以即时评估并记录以备将来使用。除了确定平均心率外，这些设备还可用于由训练有素的兽医识别窦性心律、心房颤动和室性早搏、心室预激和异步心室去极化。2 在某些情况下，由于该设备便携性和易用性，它正在取代传统的 Holter 监测心电图。2 产品说明书描述了犬、猫和马患者的使用方法。然而，文献中也有报道称该装置可用于其他物种，包括牛 3 、山羊 4,5 、水牛 6,7 、猪 8 ，以及港海豹 9 和草原巨蜥等外来物种。10
使用“有限导联”心电图设备
在过去十年中，随着微电子技术的不断进步，人们开发出多种新技术，以新的方式收集心电图记录，这些方式通常是在医疗机构之外。首先，有许多设备利用几个标准心电图电极或佩戴在胸部的贴片状电极，连续记录一个或两个导联长达数周。这些设备可以捕获患者激活的记录，也可以捕获内置算法检测到异常心律或传导异常时的记录。一些设备只是存储数据以供后续检索，而其他设备则使用蜂窝设备将事件记录实时传输到监测站。最后，还有可植入设备，可以连续监测心律，捕获和存储心律失常事件的记录，并可让医生下载数据。
购物中心电动汽车充电指南
2W：两轮车 3W：三轮车 4W：四轮车 AC：交流电 Amp：安培（电流基本单位） AMC：年度维护合同 BEVC：Bharat 电动汽车充电器 BIS：印度标准局 CCS：联合充电系统 CPO：充电点运营商 CSMS：充电站管理系统 DC：直流电 DDC：德里对话与发展委员会 DERC：德里电力监管委员会 DISCOM：配电公司 EV：电动汽车 EVSE：电动汽车供电设备 GNCTD：德里国家首都辖区政府 GST：商品及服务税 HT：高压 ICE：内燃机 IEC：国际电工委员会 IESA：印度能源储存联盟 INR：印度国家货币 KW：千瓦 LEV：轻型电动汽车 LT：低压 OCPP：开放充电点协议 OEM：原始设备制造商或制造商 SLD：服务线路开发 V：伏特（电位差、电压和电动势的单位） 力量）
通过动态心电图和极地心率监测仪对健康猫的心率变异性进行比较评估：一项初步研究
长期暴露在压力环境中会对猫的健康和福利产生负面影响，影响行为、自主神经、内分泌和免疫功能，就像收容所里的猫一样。低压力处理方法可能会改善收容所猫的福利，但支持改善结果的数据仍然有限。心脏活动，特别是心率变异性 (HRV)，是人类和非人类动物压力和情绪状态的指标，跟踪与压力反应、环境适应性、心理和身体健康相关的重要身体功能。猫的 HRV 研究有限，主要涉及麻醉或受约束的猫。这项初步研究测试了使用市售心脏监测系统（带胸带的 Polar H10）从未受约束的猫获取 HRV 数据的可行性，并与传统动态心电图的数据进行了比较。为五只成年猫同时获得了这两个系统的数据。总体而言，除 SDNN 外，Polar H10 监测器对 HRV 的评估低于动态心电图的真实 HRV 评估。两个系统之间的相关性较弱。讨论了两种方法之间缺乏一致性的可能原因。目前，我们的结果不支持使用 Polar H10 心率监测器来研究猫的 HRV。
基于人工智能的心电图（人工智能）心脏疾病诊断
图 3 使用连续小波变换生成心电图的尺度图 通过使用连续小波变换对心电图进行预处理，能量信息的差异变得更加清晰。图中的两种情况均为正常窦性心律，但转换后的尺度图显示左侧的情况在舒张期具有较强的能量产生，而右侧的情况则没有。事实上，左侧病例的心脏超声检查显示其舒张功能正常（e' 11.1 cm/s），而右侧病例的舒张功能受损（e' 6.1 cm/s）。
联合新闻稿 新加坡，2021 年 6 月 8 日 南洋理工大学、NP 和 NHCS 科学家发明的新型人工智能工具可加速心血管疾病的诊断 新加坡南洋理工大学 (NTU Singapore)、新加坡义安理工学院 (NP) 和新加坡国家心脏中心 (NHCS) 的一组研究人员发明了一种可以加速心血管疾病诊断的工具。 在人工智能 (AI) 的推动下，他们的创新技术使用心电图 (ECG) 来诊断冠状动脉疾病、心肌梗死和充血性心力衰竭，准确率超过 98.5%。 这种诊断工具的联合开发恰逢其时，因为新加坡过去三年来因心血管疾病导致的死亡人数有所增加。 根据新加坡心脏基金会的数据，2019 年新加坡所有死亡人数的 29.3%，即新加坡几乎三分之一的死亡，是由于心脏病或中风。科学家们希望他们的创新技术能够支持临床环境中心血管疾病的诊断，特别是在医生进行初步心电图检查时，最终加快治疗进程。研究人员使用一种名为 Gabor-卷积神经网络 (Gabor-CNN) 的人工智能机器学习算法设计了这种诊断工具，该算法模仿了人类大脑的结构和功能，使计算机能够像人类一样从过去的经验中学习。使用该算法，
联合新闻稿 新加坡，2021 年 6 月 8 日 NTU、NP 和 NHCS 科学家发明的新型人工智能工具可以加快心血管疾病的诊断 新加坡南洋理工大学 (NTU Singapore)、新加坡义安理工学院 (NP) 和新加坡国家心脏中心 (NHCS) 的一组研究人员发明了一种可以加快心血管疾病诊断的工具。在人工智能 (AI) 的推动下，他们的创新利用心电图 (ECG) 来诊断冠状动脉疾病、心肌梗死和充血性心力衰竭，准确率超过 98.5%。联合开发诊断工具非常及时，因为新加坡过去三年来因心血管疾病导致的死亡人数有所增加。据新加坡心脏基金会称，2019 年新加坡所有死亡人数中有 29.3%（几乎占新加坡死亡人数的三分之一）是心脏病或中风造成的。科学家们希望他们的创新能够支持临床环境中心血管疾病的诊断，特别是在医生进行初步心电图检查时，最终加快治疗进程。研究人员使用一种名为 Gabor-卷积神经网络 (Gabor-CNN) 的人工智能机器学习算法设计了诊断工具，该算法模仿人脑的结构和功能，使计算机能够像人类一样从过去的经验中学习。他们使用该算法，通过输入反映心血管疾病的心电图信号示例来训练他们的工具识别患者心电图中的模式。这项研究的共同作者、NHCS 心脏病学系高级顾问临床副教授 Tan Ru San 表示：“我们对一小组初步研究对象进行的研究表明，在使用常规心电图对一些常见心血管疾病进行分类的准确性方面取得了令人鼓舞的结果。虽然确认特定疾病仍需要额外的测试，但我们的诊断工具将
北京加强数据中心电力和可再生能源监管
北京针对数据中心提出的严格电力提案使其领先于大多数区域市场；新加坡仍处于数据中心建设暂停阶段，政府正在寻找解决电力问题的方案。即使没有这样的规定，新设施的开发也已经蔓延到北京周边的天津和河北，甚至更远的山西和内蒙古。京津冀地区反而发展成为华北地区的数据中心枢纽。天津和河北不仅是灾难恢复设施的所在地，而且是更大的生态系统的一部分，其中有区域分配给超大规模云设施和可再生能源。最近的提案更有可能产生的影响是，它将加快北京小型设施的升级和整合，而严格执行法规将促进 PUE 优化并迫使供应商采用可再生能源。尽管如此，新的要求预计不会对运营造成重大阻力，因为北京的主机托管空间更为宝贵。世纪互联和万国数据等供应商在北京和上海的主机托管市场占有相当大的份额，处于令人羡慕的地位，因为进入这两个市场的门槛现在高得多。这种情况并非北京独有，在上海和其他主要数据中心枢纽也很普遍，因为中国这些主要市场的制约因素对超大规模自建数据中心来说也是一个挑战。
心电图 (ECG/EEG) 传感器数据表
免责声明：本信息按“原样”提供，我们不对功能性、可操作性、使用性、特定用途的适用性或侵权行为提供任何明示或暗示的保证。我们明确表示，对于任何直接、间接、后果性、偶然或特殊损害，包括但不限于收入损失、利润损失、业务中断或数据丢失造成的损失，我们不承担任何责任，无论根据何种诉讼形式或法律理论主张责任，即使已被告知存在此类损害的可能性。
使用动态心电图波形诊断心房颤动的可解释人工智能模型
摘要 心房颤动是一种临床上重要的心律失常。有一些关于使用心电图数据进行 AF 诊断的机器学习模型的报道。然而，很少有报道提出一种可解释的人工智能 (XAI) 模型，使医生能够轻松理解机器学习模型的诊断结果。我们开发并验证了一种基于卷积神经网络 (CNN) 算法的支持 XAI 的心房颤动诊断模型。我们使用了 Holter 心电图监测数据和梯度加权类激活映射 (Grad-CAM) 方法。我们使用了 2016 年 1 月 4 日至 2019 年 10 月 31 日期间记录的患者心电图数据，共计 57,273 个 30 秒的心电图波形槽，每个波形槽都有心脏病专家注释的诊断信息，用于训练我们提出的模型。我们的人工智能模型用于房颤诊断的性能指标如下：敏感性 97.1%（95% CI：0.969-0.972）；特异性 94.5%（95% CI：0.943-0.946）；准确率 95.3%（95% CI：0.952-0.955）；阳性预测值 89.3%（95% CI：0.892-0.897）；F 值 93.1%（95% CI：0.929-0.933）。使用我们的模型进行房颤检测的受试者工作特征曲线下面积为 0.988（95% CI：0.987-0.988）。此外，使用 XAI 方法，我们的机器学习模型确定的感兴趣区域中的 94.5 ± 3.5% 被心脏病专家确定为 AF 诊断的特征部位。使用我们提出的基于 CNN 的 XAI 模型，AF 被准确诊断并用 Holter ECG 波形得到良好解释。我们的研究朝着实现可行的基于 XAI 的 AF 诊断检测模型又迈出了一步，供医生使用。（Int Heart J 2021；62：534-539）关键词：卷积神经网络、机器学习、Holter 监测、梯度加权类激活映射
从传感神经刺激器记录的局部场电位中去除心电图伪影
传感神经刺激器是一种用于长期观察大脑活动的先进技术，在闭环神经调节和植入式脑机接口方面表现出巨大潜力。然而，由于记录条件复杂且共模抑制比 (CMRR) 有限，传感神经刺激器记录的局部场电位 (LFP) 可能会受到心电图 (ECG) 信号的污染。在本研究中，我们提出了一种解决方案，用于从传感神经刺激器记录的局部场电位 (LFP) 中去除此类 ECG 伪影。添加同步单极通道作为 ECG 参考，然后应用两种预先存在的方法，即模板减法和自适应滤波。成功去除了 ECG 伪影，并且该方法的性能对残留刺激伪影不敏感。这种去除 ECG 伪影的方法拓宽了传感神经刺激器的应用范围。