XiaoMi-AI文件搜索系统
World File Search System时间窗
带有光伏和电池的住宅社区-Orca
住宅规模电池的抽象技术进步正在为自给自足的社区铺平道路，以最大程度地利用其光伏系统来满足当地的能源消耗需求。为了有效利用电池的功能，社区可以参与提供短期运营储备（Stor）服务。这样做，在规定的时间窗口中，电池中有足够的能源储备，以便电力系统操作员使用。但是，这可能会降低社区的能源。此外，储备的实际交付可能会产生分销网络拥塞。为了充分了解社区提供储备的能力，这项工作提出了一种被配制为混合企业线性编程（MILP）模型的住宅社区能源管理系统。该模型旨在通过最佳的电池调度，同时考虑储备限制，从而最大程度地提高能源。该模型还保持房屋的总体功率在出口/进口限制内使用迭代方法在离线定义，以确保储备提供不会违反分配网络约束。该模型在居民社区中展示。确定对能源充分性影响最小的最大固定储备能力。结果还表明，除非经过充分考虑分配网络约束，否则社区提供储备的能力可能会被高估。关键字：电池，社区管理系统，分销网络，储能，光伏，充分性。
量子网络的纠缠路由：一种深度强化学习方法
摘要 — 量子通信在广泛领域中的应用发展势头迅猛，尤其是那些需要高安全性数据传输的领域。另一方面，机器学习在包括网络在内的各种应用领域取得了许多突破性的成功。然而，目前，机器学习在量子网络中的应用并不像在其他领域那么广泛。出于这样的动机，我们提出了一种由机器学习驱动的量子网络纠缠路由方案，旨在在一个时间窗口内满足最大数量的需求（源-目的地对）。更具体地说，我们提出了一种深度强化路由方案，称为深度量子路由代理 (DQRA)。简而言之，DQRA 利用经验设计的深度神经网络来观察当前网络状态来调度网络的需求，然后通过保留量子位的最短路径算法进行路由。DQRA 通过使用明确设计的奖励函数来训练，以实现最大化每个路由窗口中已解析请求的数量的目标。我们的实验研究表明，在量子比特受限的网格网络中，DQRA 平均能够将成功路由请求的比率保持在 80% 以上，在极端条件下则保持在 60% 左右，即每个节点在一个窗口内只能充当一次中继器。此外，我们表明，就量子网络的大小而言，DQRA 的复杂性和计算时间是多项式的。索引术语 — 量子网络路由、深度强化学习、量子网络、深度学习。
拥有超过 200 个目标的高速混合脑机接口
摘要 目的. 脑机接口（BCI）近年来在扩展其指令集方面取得了重大进展，引起了研究者的广泛关注。目标和命令的数量是BCI解码大脑意图能力的关键指标。目前尚无研究报道过具有超过200个目标的BCI系统。方法. 本研究开发了第一个具有多达216个目标的高速BCI系统，这些目标由多种脑电图特征编码，包括P300、运动视觉诱发电位（mVEP）和稳态视觉诱发电位（SSVEP）。具体而言，混合BCI范式使用时频分多址策略，用不同时间窗的P300和mVEP以及不同频率的SSVEP精心标记目标。然后通过任务判别成分分析和线性判别分析解码混合特征。十名受试者参加了离线和在线提示引导拼写实验。另外十名受试者参加了在线自由拼写实验。主要结果。离线结果显示，mVEP 和 P300 成分在中央、顶叶和枕叶区域突出，而最明显的 SSVEP 特征在枕叶区域。在线提示引导拼写和自由拼写结果表明，所提出的 BCI 系统对 216 个目标分类的平均准确率分别为 85.37% ± 7.49% 和 86.00% ± 5.98%，平均信息传输速率 (ITR) 分别为 302.83 ± 39.20 位分钟 -1 和 204.47 ± 37.56 位分钟 -1。值得注意的是，峰值 ITR 可达 367.83 位分钟 -1。意义。本研究开发了第一个超过 200 个目标的高速 BCI 系统，有望扩展 BCI 的应用场景。
脑血流动力学的四维计算超声成像
引言超声超声（每秒> 5000帧）在过去20年中的出现，通过增加的计算能力和平行接收电子设备来实现，刺激了生物医学超声的multiple成像模式的发展（1，2）。在短（<1 ms）的时间窗口内的完整图像的形成可以准确地量化组织，血液和对比度运动。这促进了组织弹性和动脉刚度的测量（3，4），通过定位和跟踪单个微泡（5，6）的序列分辨率（5，6），并在广泛的视野（7）上大大增强了血液的成像。后者导致功能性超声成像（FUS或FUSI）的出现，一种神经影像学技术，能够检测到神经血管偶联引起的脑血容量的小变化（8，9）。与其他神经影像模式（例如功能磁共振成像）相比，FUS在较低的成本下提供了更大的易用性，同时提供了更高的时空重置，并且最近的演示与对比度相结合，可与6.5- spatial spatialssolution（10）相结合，以检测其能力。超声超声成像主要仍然是二维（2D）技术。此成像过程需要以高框架速率（≥5kHz）的一系列平面或分化波传输，同时记录以nyquist速率在空间和时间上采样的反向散射信号（1）。在3D成像的情况下，通常需要数千个元素（2D成像为64至256）和具有相关射频数字数字的相应数量的独立数据通道。最近的工作报告了3/4D心脏想象的1024个通道系统（11，12），超分辨率（13，14）和大鼠的功能成像（15）。但是，这些需要使用和同步
评估尼泊尔中部喜马拉雅山脉水上可用性的气候变化
作为喜马拉雅河流域之一的尼泊尔的卡利甘丹基河盆地（KRB）正在经历气候变化对水资源的严重影响。在这项研究中，使用缩小的CMIP6 GCM模型的未来气候预测通过开发水文模型土壤和水评估工具（SWAT）来评估气候变化对KRB水文状态的潜在影响。多站点验证方法用于解决盆地的高空间异质性。该模型的性能非常出色，在整个研究中都达到了一个非常好的排名，如校准和验证结果所证明的那样。在中间排放途径SSP245场景下，盆地的平均年温度预计将增加1.5°C，在远期前季季季节期间，最大上升幅度为2.8°C。在高排放途径SSP585方案中，预计平均年度温度将升高2.2°C，在未来的冬季，预期的最大上升幅度为4.3°C。降水预计将在所有未来的时间窗口中增加，而SSP585方案下的幅度较高。预计温度和降水升高的综合作用将增加河流的排出。具体而言，预计排放量将增加6％（在SSP245下）和12％（根据SSP585）为2025-49，为14％（SSP245下）和24％（在SSP585下）（ssp585下）（2050-74），以及23％（SSP245）和SSP585（SSP585585）的23％（ssp245），适用于20755-9555-99055-99。预计的变化表明，平均年平均排放的总体增加，在高排放情况下预期的增加。这些发现突出了气候变化对水平衡成分和KRB的水文状态的显着影响。
大脑发育过程中的多方面小胶质细胞
小胶质细胞，脑常住的巨噬细胞，是属于中枢神经和免疫系统的多方面神经胶质细胞。作为免疫系统的一部分，它们介导了先天的免疫反应，调节大脑体内稳态并保护大脑，以应对炎症或损伤。同时，他们可以执行与大脑正常功能有关的各种细胞功能。重要的是，小胶质细胞是大脑发育的关键参与者。的确，这些早期的脑入侵者源自蛋黄囊髓样祖细胞的中枢神经系统之外，并在早期胚胎发生期间迁移到神经褶皱中。在产生少突胶质细胞和星形胶质细胞之前，小胶质细胞占据了独特的位置，在早期发育过程中构成了主要的神经胶质种群，并参与了广泛的胚胎和产后过程。在此发育时间窗口中，小胶质细胞显示出了显着的特征，在时间，空间，形态和转录状态上具有高度异质性。尽管在我们对它们的本体发育和角色的理解中取得了巨大的进步，但研究特定的小胶质细胞功能以及它们在开发过程中的异质性存在几个局限性。本综述总结了用于研究这些特殊细胞开发的现有的鼠工具和模型。特别是，我们专注于用于标记和耗尽小胶质细胞的方法，通过现场模仿来监控其行为，并讨论社区目前正在取得的进展，以揭示大脑发育和疾病中的小胶质化功能。
2024 年 4 月 29 日 北卡罗来纳州规则审查委员会 收件人
自 2021 年以来，BCC 及其特设和常设委员会一直在努力确保 2024 年 NCECC 的通过能够在这个狭窄的法定时间窗口内进行。在 BCC 能源特设委员会制定了拟议规则并经 BCC 能源常设委员会批准后，BCC 于 2022 年 12 月 12 日批准了 2024 年 NCECC 作为拟议规则。随后，该规则的通知刊登在 2023 年 1 月 17 日的《北卡罗来纳州纪事报》上，2023 年 3 月 14 日举行了听取公众意见的听证会，2023 年 8 月 21 日，州预算和管理办公室（“OSBM”）批准发布财政说明，并根据 NC Gen. Stat. 的要求进行单独的成本效益分析。 § 143-138(a1)(2) 于 2023 年 8 月 24 日发布。第二次公开听证会通知提供了 OSBM 批准的财政说明和成本效益分析，于 2023 年 9 月 15 日的《北卡罗来纳州纪事报》上发布，并于 2023 年 10 月 17 日就该规则举行了第二次公开听证会。2023 年 12 月 12 日，该规则被 BCC 通过，并于 2023 年 1 月 11 日提交给委员会审查。2024 年 2 月 28 日，委员会批准了委员会工作人员的请求，延长了审查期，并增加了审查该规则的时间。根据 26 NC Admin. Code 5.0115，委员会必须在 2024 年 4 月 30 日的会议上审查 2024 年 NCECC。
基于人工智能结合气候外生变量预测巴西和美国的新冠肺炎病例
根据世界卫生组织的数据，新型冠状病毒病（COVID-10）曾是一个公共卫生问题，截至 2020 年 6 月 10 日，全球已有超过 710 万人感染，40 多万人死亡。在当前情况下，巴西和美国每天的新增病例和死亡人数都很高。因此，预测一周时间窗口内的新增病例数非常重要，这可以帮助公共卫生系统制定应对 COVID-19 的战略规划。预测人工智能（AI）模型的应用有可能处理像 COVID-19 这样的时间序列的困难动态行为。在本文中，贝叶斯回归神经网络、立体回归、k 最近邻、分位数随机森林和支持向量回归可单独使用，并结合最近的预处理变分模态分解（VMD）将时间序列分解为几个固有模态函数。所有 AI 技术均在时间序列预测任务中进行评估，预测巴西和美国五个州的累计 COVID-19 病例数提前一、三和六天，截至 2020 年 4 月 28 日，病例数较高。所有预测模型均采用先前累计的 COVID-19 病例数和每日温度和降水等外生变量作为输入。根据性能标准评估模型的有效性。一般而言，VMD 的混合在准确性方面优于单一预测模型，特别是当预测时间范围提前六天时，混合 VMD-单一模型在 70% 的案例中实现了更好的准确性。关于外生变量，作为预测变量的重要性排名从高到低依次为过去病例、温度和降水。因此，由于评估模型能够有效地预测长达六天的累计 COVID-19 病例数，因此
使用机器学习模型随机森林预测缺血性中风的大血管闭塞
摘要背景鉴于疾病的发病率和干预时间窗短，在院前及时识别大血管闭塞 (LVO) 极为重要。目前的评估策略仍然具有挑战性。本研究的目的是开发一个机器学习 (ML) 模型，使用院前可访问的数据来预测 LVO。方法纳入 2016 年 1 月至 2021 年 8 月期间在基于计算机的急性卒中患者在线数据库（用于卒中管理质量评估-II）数据集中接受 CT 或 MR 血管造影并在症状出现后 8 小时内接受再灌注治疗的连续急性缺血性卒中患者。我们开发了八个 ML 模型，将美国国立卫生研究院卒中量表 (NIHSS) 项目与人口统计学、病史和血管危险因素相结合，以识别 LVO 并验证其有效性。结果最终，15 365 名患者被纳入训练集，4 215 名患者被纳入测试集。在测试集上，随机森林 (RF)、梯度提升机和极端梯度提升的曲线下面积 (AUC) 为 0.831（95% CI 0.819 至 0.843），高于其他模型，其中 RF 的特异性最高（0.827）。此外，RF 的 AUC 高于其他量表，与 NIHSS 相比，模型的准确率提高了 6.4%。我们还发现识别 LVO 的前五项是 NIHSS 总分、凝视偏差、意识水平 (LOC)、LOC 命令和左腿运动。结论 我们提出的模型可以成为基于院前可获取医疗数据的预测 LVO 的有用筛查工具。试验注册号 NCT04487340。
长期精神压力下的大脑功能连接变化 Ali Darzi 1 , Hamed Azami 2 , Reza Khosrowabadi 1 * 1 认知和 B 研究所
摘要 长期心理压力会严重影响大脑结构和功能。然而，只有少数研究使用脑电图 (EEG) 来检验这一事实。本研究展示了一种脑机接口 (BCI)，用于对不同心理状态下长期心理压力的 EEG 相关因素进行分类。这项研究针对 26 名健康的右利手大学生进行，考试期被视为长期精神压力源。根据感知压力量表 (PSS-14) 评估的压力水平，选择两组受试者。在受试者睁眼静息状态下以及暴露于自我评估人体模型问卷 (SAM) 评分的正向和负向情绪刺激时收集他们的 EEG 数据。从 EEG 数据中提取了几种类型的特征，包括功率谱密度 (PSD)、侧化指数 (LI)、相关系数 (CC)、典型相关分析 (CCA)、幅度平方相干估计 (MSCE)、互信息 (MI)、相位斜率指数 (PSI)、格兰杰因果关系 (GC) 和有向传递函数 (DTF)。随后，使用几种类型的分类器对提取的特征进行区分，包括 k-最近邻 (KNN)、支持向量机 (SVM) 和朴素贝叶斯 (NB) 分类器。通过一种遗漏方法验证了所提出的 BCI，并在不同的时间窗口中使用低频和高频分辨率、分别 7 个和 36 个频带进行了调查。结果表明，所提出的系统可以准确识别受试者在不同心理状态下的压力水平。此外，与其他特征提取方法相比，MI 作为功能和 DTF 作为有效的连接方法可产生最高的分类准确率。关键词：长期心理压力、脑电图、情绪状态、分类。