XiaoMi-AI文件搜索系统
World File Search System智能手机
文章利用人工智能对基于智能手机的电化学发光传感器数据进行数据驱动建模
摘要：了解从基于智能手机的电化学发光 (ECL) 传感器提取的多模态数据之间的关系对于开发低成本的即时诊断设备至关重要。在这项工作中，使用随机森林 (RF) 和前馈神经网络 (FNN) 等人工智能 (AI) 算法定量研究 Ru(bpy) 3 2+ 发光体浓度与其实验测量的 ECL 和电化学数据之间的关系。使用一次性丝网印刷碳电极开发了一种带有 Ru(bpy) 3 2+ /TPrA 的基于智能手机的 ECL 传感器。在施加 1.2 V 电压后，同时获得 ECL 图像和电流图。通过 RF 和 FNN 算法分析这些多模态数据，从而可以使用多个关键特征预测 Ru(bpy) 3 2+ 浓度。在 0.02 µM 至 2.5 µM 的检测范围内，实际值和预测值之间实现了高相关性（RF 和 FNN 分别为 0.99 和 0.96）。使用 RF 和 FNN 的 AI 方法能够使用易于观察的关键特征直接推断 Ru(bpy) 3 2+ 的浓度。结果表明，数据驱动的 AI 算法在分析多模态 ECL 传感器数据方面非常有效。因此，这些 AI 算法可以成为建模库的重要组成部分，并成功应用于 ECL 传感器数据建模。
通过智能手机进行的剑桥神经心理学测试自动化电池 (CANTAB®) 测试的可比性和可用性
CANTAB ® 空间工作记忆 (SWM) 是一种短时间（4-6 分钟）的工作记忆和执行功能测量方法，而 CANTAB® 匹配样本视觉搜索 (MTS) 是一种短时间（7 分钟）的注意力任务。CANTAB® 任务目前已验证可在平板电脑、笔记本电脑或台式机设备上执行。2022 年，Cambridge Cognition 改编了配对联想学习 (PAL) 任务，用于评估学习和记忆，供智能手机使用。这项工作现已扩展到包括 SWM 和 MTS 任务，以涵盖可在智能手机设备上测量的更广泛的认知领域。
为使用的智能手机赋予新的生命：使用手印方法估算Foxway的积极影响
•最近的趋势表明，智能手机的替换周期平均比两年短（Cordella et al。，2021）。作为碳足迹的主要贡献者来自生产阶段（大部分超过80％），原材料的压力也是由同一阶段造成的，对新智能手机的这种持续需求会导致环境影响大大增加。智能手机对ICT行业引起的全球温室气体排放的贡献正在迅速增长。在2020年，智能手机的预计是造成ICT总影响的11％，超过了桌面（6％），显示器（7％）和笔记本电脑（7％）（Belkhir等人，2018年，Charfeddine和Kahia 2021）。
智能手机上用于临床检测皮肤癌的新型 AI 算法——一项验证研究
皮肤癌、恶性黑色素瘤 (MM) 和非黑色素瘤皮肤 (NMSC) 的发病率在世界范围内呈上升趋势。欧洲每年报告的 MM 新病例超过 144,000 例，每年导致超过 27,000 人死亡 [1,2]。最常见的 NMSC 是基底细胞癌 (BCC) 和鳞状细胞癌 (SCC)。然而，欧洲 NMSC 的确切数量无法确定，因为并非所有肿瘤都收集在本地数据库中。来自德国的数据显示，2010 年的发病率为 119-145/100.00 [3,4]。BCC 和 SCC 通常预后良好，但也有可能出现局部破坏性生长，在晚期病例中还可能发生转移性疾病。据报道，BCC 的转移率为 0.0029% 至 0.55%，常见部位是区域淋巴结、肺、骨骼、皮肤和肝脏。据报道，专注于 SCC，所有患者中约有 4% 会发生转移，1.5% 死于该疾病 [ 5 – 9 ]。美国皮肤病学会 [ 10 ] 的最新数据估计，NMSC 每年影响超过 300 万美国人，2020 年诊断出 196,060 例新发黑色素瘤病例。尽管过去十年转移性皮肤癌的治疗取得了进展，但死亡率（尤其是 MM 的死亡率）仍然在很大程度上取决于其早期发现 [ 11 – 13 ]。根据 AJCC-8 分类（美国癌症联合委员会），极薄黑色素瘤的 5 年生存率接近 100%，但晚期黑色素瘤的 5 年生存率不到 30%。因此，早期发现皮肤癌对于避免转移性疾病以及高发病率和死亡率至关重要。值得注意的是，医疗保健成本是另一个可能受早期发现影响的重要因素。澳大利亚最近的一项研究显示，转移性黑色素瘤每例每年平均费用为 115.109 澳元；相比之下，早期 0-1 期黑色素瘤的年平均费用约为 1681 澳元[14]。越来越多的证据表明，人工智能是各个医疗领域（如放射学和皮肤病学）的宝贵补充工具[15，16]。新技术工具的出现，特别是卷积神经网络（CNN），使得基于图像的体外各种皮肤病诊断成为可能[17]。多项研究[18-28]调查了CNN在黑色素瘤识别方面的诊断准确性。值得注意的是，目前大多数皮肤癌识别网络已用于高质量图像的分类。然而，在现实情况下，必须考虑到图像质量和图像特征的巨大差异。最近的一项荟萃分析[29]报告了基于智能手机的应用程序性能不可靠；性能最好的应用程序的灵敏度为80%，特异性为78%。
使用机器学习和通过智能手机录制的语音样本进行声音分析评估语音障碍
摘要：背景：将边缘计算集成到智能医疗保健系统中需要开发计算高效的模型和方法，以监视和检测患者的医疗状况。在这种情况下，移动设备（例如智能手机）越来越多地用于协助诊断，治疗和监测。值得注意的是，智能手机广泛普遍，很容易被大部分人口访问。这些设备使个人能够方便地记录和提交语音样本，从而有可能促进声音不规则或变化的早期发现。这项研究重点是基于智能手机捕获的人声样本来创建各种机器学习框架，以区分病理和健康的声音。方法：调查利用了公开发音的数据集，包括58个健康的语音样本和150个来自表现出病理状况的声音和机器学习技术的样本，通过使用MEL频率经常性经系系数来分类健康和患者的患者。结果：通过经过跨验证的两类分类，最佳的K-Neareb邻居表现出最高的性能，在识别健康和病理学的声音方面的准确率达到98.3％。结论：这项研究有望使智能手机能够有效识别人声疾病，为个人和医疗保健系统提供多种优势，包括提高可访问性，早期检测和持续监测。
基于移动智能手机的数字瞳孔测量曲线在创伤性脑损伤诊断中的应用
的严重 TBI 患者未得到充分分诊并被送往非创伤医院（Capone-Neto 和 Rizoli，2009 年；Carrick 等人，2021 年）。这种分诊不足模式导致美国 TBI 患者的超额死亡率为 25%（Chesnut 等人，1993 年；Capone-Neto 和 Rizoli，2009 年；Chen 等人，2011 年；Cheng 等人，2017 年；Carrick 等人，2021 年）。在世界 85% 的人口居住的中低收入国家，超额死亡率可能更高，严重 TBI 后的死亡率会翻倍（Couret 等人，2016 年；Alali 等人，2018 年；Dagain 等人，2018 年；Dewan 等人，2018a 年）。在现场进行初步创伤调查本质上非常复杂，特别是在涉及头部和颈部受伤的病例中（Alali 等人，2018 年）。一种完善的 TBI 生物标志物是瞳孔对光反射 (PLR)。瞳孔对闪光的反射性收缩直接反映了中枢神经系统的功能状态 (Dewan 等人，2018b；GBD，2019；Gurney 等人，2020)。PLR 可指示颅内压升高，这是 TBI 的更严重后果 (Haas 等人，2010)，并且即使在脑震荡 (Hall and Chilcott，2018) 和轻度 TBI (Helmick 等人，2015) 中也显示出异常。 PLR 是 TBI 最重要的早期指标之一（Hernández-Sierra 等人，2021 年），最简单、最常见的 PLR 评估方法是传统的笔电检查（也称为手动瞳孔测量法），其中使用手持光源引起瞳孔收缩。然后，检查者用肉眼确定 PLR 的程度和性质。虽然这种方法简单且经济实惠，但缺乏观察者间的信度（GBD，2019 年）。数字瞳孔测量法目前是评估 PLR 的黄金标准（Larson 和 Behrends，2015 年）；然而，这种机器价格昂贵，需要专门的培训才能使用。为了解决当前临床瞳孔测量技术的缺点，我们开发了一款名为 PupilScreen 的移动应用程序（Mariakakis 等人，2017 年；图 1）。 PupilScreen 是一款机器学习驱动的应用程序，依赖于计算机视觉神经网络算法，旨在在智能手机平台上进行瞳孔测量，以提供一种比手动瞳孔测量更准确、更可靠的 PLR 评估方法，同时比数字瞳孔测量更容易使用。虽然之前发表的一项研究证明了该应用程序在评估 PLR 方面的准确性（Mariakakis 等人，2017 年），但将这些结果呈现给检查者进行解释的最佳方法仍不清楚。本研究的目的是确定从业者是否可以通过查看 PupilScreen 生成的 PLR 曲线来评估 PLR 是否正常，并将这种评估方法与更传统的笔电方法的评分者间信度进行比较。确实存在通过智能手机检测 PLR 的替代方法（Meeker 等人，2005 年；McAnany 等人，2018 年；Master 等人，2020 年），但 PupilScreen 目前在双目测量 PLR 的方法方面是独一无二的。
从3D行人网络到车轮网络：使用智能手机点云的对比度深学习
本文提出了一种基于深度学习的可容纳性评估方法，构成了街头规模的智能手机点云和城市规模的3D行人网络（3DPN）。3DPN已被研究和映射以进行轮廓和智能城市应用。然而，由于省略的行人路径，未发现的楼梯和过度简化的高架人行道，文献中3DPN的城市水平尺度对于评估轮椅的可及性（即车轮）不完整；如果映射量表处于为轮椅使用者设计的微观级别，则可以更好地表示这些功能。在本文中，我们使用智能手机点云加强了城市规模的3DPN，这是一种有希望的数据源，用于补充细微的细节和由于厘米级别的准确性，鲜艳的色彩，高密度和人群源性质而导致的细颗粒细节和温度变化。三步方法重建行人路径，楼梯和坡度细节，并丰富城市规模的3DPN进行轮廓评估。PEDESTRIAN路径的实验结果表现出准确的3DPN中心线位置（miou = 88。81％），楼梯检测（miou = 86。39％）和轮子性评估（MAE = 0。09）。本文贡献了一种适合，准确和人群采购的轮子评估方法，该方法将无处不在的智能手机和3DPN架起高密度和丘陵的城市区域的3DPN。
使用智能手机驱动的，快速积累的社区源数据来促进生物多样性监测
摘要生态系统服务部分源自生物学多样性，是对人类社会的基本支持。但是，人类活动对生物多样性造成了损害，最终危害了这些关键的生态系统服务。停止自然损失并减轻这些影响需要全面的生物多样性分配数据，这是实施Kunming-Montreal全球生物多样性框架的要求。为了有效地从公众那里收集物种观察，我们在日本启动了“生物群体”移动应用程序。通过采用物种识别算法和游戏化元素，该应用程序自2019年推出以来已收集> 600万的观察结果。但是，社区采购的数据经常表现出空间和分类偏见。物种分布模型（SDMS）在适应这种偏见的同时推断物种分布。我们研究了Biome数据的质量以及合并数据如何影响SDM的性能。物种鉴定精度超过鸟类，爬行动物，哺乳动物和两栖动物的95％，但是种子植物，软体动物和鱼类得分低于90％。对日本的132种陆地动植物的分布进行了建模，并通过将我们的数据纳入传统的调查数据来提高其准确性。对于濒危物种，传统的调查数据需要> 2,000个记录以构建准确的模型（Boyce指数≥0.9），尽管将两个数据源混合在一起时仅需要CA.300记录。独特的数据分布可能解释了这一进步：生物群落数据统一涵盖了城市 - 自然梯度，而传统数据则偏向自然区域。将多个数据源结合起来提供了对日本物种分布的见解，有助于保护区域名称和生态系统服务评估。提供一个平台来积累社区来源的分布数据和改进数据处理协议，不仅有助于保存自然生态系统，还将有助于检测物种分布变化和测试生态理论。
学习了基于深度学习的移动 NPU 的智能手机 ISP，移动 AI 2021 挑战赛：报告
随着手机摄像头的质量开始在现代智能手机中发挥关键作用，人们越来越关注用于改善手机照片各个感知方面的 ISP 算法。在这次移动 AI 挑战赛中，目标是开发一个基于深度学习的端到端图像信号处理 (ISP) 管道，该管道可以取代传统的手工制作的 ISP，并在智能手机 NPU 上实现近乎实时的性能。为此，参赛者获得了一个新颖的学习到的 ISP 数据集，其中包含使用索尼 IMX586 Quad Bayer 移动传感器和专业的 102 兆像素中画幅相机拍摄的 RAW-RGB 图像对。所有模型的运行时间都在联发科 Dimensity 1000+ 平台上进行评估，该平台配备专用的 AI 处理单元，能够加速浮点和量化神经网络。所提出的解决方案与上述 NPU 完全兼容，能够在 60-100 毫秒内处理全高清照片，同时实现高保真效果。本文提供了本次挑战赛中开发的所有模型的详细描述。
基于智能手机的心脏康复计划提高了冠心病患者的功能能力：系统评价和荟萃分析
心脏康复（CR）降低了冠心病（CHD）的死亡率和发病率；但是，患者表现出对CR的依从性。另外，远程医疗干预措施已显示出有希望的结果，以改善CR中的目标结果。本研究旨在回顾基于智能手机的CR对冠心病患者功能能力的影响。使用PubMed，Medline，Embase和Cochrane库进行了文献搜索，于2022年3月21日在CR中找到智能手机使用的随机对照试验，以提高功能能力。结果包括最大氧气消耗（最大VO 2），6分钟步行测试（6-MWT），生活质量，戒烟和可修改的危险因素。对11项招募冠心病患者的试验进行了审查。连接到智能手机或基于聊天的应用程序的可穿戴设备通常用于CR交付。大多数试验设法通过干预提供了运动处方，有关药物依从性和控制风险因素的教育以及心理社会咨询。在智能手机患者中基于智能手机的CR后，功能能力显着提高，如VO 2 MAX和6-MWT所测量。患者更有可能戒烟。与传统护理相比，将CR交付给CHD患者的智能手机在功能能力增加方面表现出了较高的结果。脂质谱，血压，HBA1C，体重指数和生活质量没有显着改善。可以单独使用或用作辅助手段。最终应考虑患者的偏好和情况。