XiaoMi-AI文件搜索系统
World File Search System模型拟合
Neurolib：全脑神经质量建模的模拟框架
Neurolib是用Python编写的全脑建模的计算框架。它提供了一组神经质量模型，这些模型代表介质量表上大脑区域的平均活性。在整个脑网络模型中，大脑区域是根据生物学知情的结构连接（即大脑的连接组。Neurolib可以加载结构和功能数据集，建立一个全脑模型，管理其参数，模拟它并组织其输出以供以后分析。每个大脑区域的活性都可以转换为模拟的粗体信号，以根据功能磁共振成像（fMRI）的经验数据校准模型。使用参数探索模块可以进行广泛的模型分析，该模块可以在给定一组更改参数的情况下表征模型的行为。优化模块可以使用进化算法将模型拟合到多模式经验数据。neurolib设计为可扩展，以便可以轻松实现自定义的神经质量模型，为原型模型的计算神经科学家提供了多功能平台，管理大型数值实验，研究大脑网络的结构 - 功能关系，以及对全元模型的核中表现出色。
实施驾驶员行为风险检测和...
这项研究分析了Nong Khai边境检查站的跨国商业运输的管理框架。本研究旨在通过整合驾驶员行为风险识别和安全警报系统来为跨境商业运输管理系统创建AI原型。这项研究是一项通过问卷调查收集数据的调查调查。样本人口包括400个跨境运输运营商。使用描述性统计数据，具有百分比的频率分布，算术平均值，标准偏差和推论统计数据对数据进行了检查。该技术采用了验证性因素分析（CFA）和结构方程模型（SEM）来评估研究模型与经验数据的一致性（模型拟合）。该模型证明了与实际数据一致，这是由70.920的卡方值，自由度（DF）为57，意义（sig。）为0.102（超过0.05），CMIN/DF比为8.864（小于5.0）。模型调整的分析结果表明七个指数是一致的，并且这些统计值符合必要的标准。该原型模块系统旨在评估泰国物流运营商提供的跨境货运服务的有效性，并提高安全标准以及在泰国和老挝PDR之间有效的跨境运输管理的可能性。
硅介电层不同钝化参数的电容电压曲线模拟
摘要：表面钝化是一种广泛使用的技术，可减少半导体表面的复合损失。钝化层性能主要可以通过两个参数来表征：固定电荷密度（𝑄ox）和界面陷阱密度（𝐷it），它们可以从电容-电压测量（CV）中提取。在本文中，使用模拟钝化参数开发了高频电容-电压（HF-CV）曲线的模拟，以检查测量结果的可靠性。𝐷it 由两组不同的函数建模：首先，代表不同悬空键类型的高斯函数之和和应变键的指数尾部。其次，采用了由指数尾部和常数值函数之和表示的更简单的 U 形模型。使用基于晶体硅上的二氧化硅（SiO 2 /c-Si）的参考样品的实验测量来验证这些模拟。此外，还提出了一种使用简单 U 形 𝐷 it 模型拟合 HF-CV 曲线的方法。通过比较近似值和实验提取的 𝐷 it 的平均值，发现相对误差小于 0.4%。近似 𝐷 it 的常数函数表示在复合效率最高的中隙能量附近实验提取的 𝐷 it 的平均值。
线性预测方法分离帕金森病动物模型中的场电位
帕金森病 (PD) 会导致运动和认知障碍。PD 可能导致皮层和皮层下大脑活动的深刻变化，这可以通过脑电图或颅内局部场电位 (LFP) 记录来测量。此类信号可以自适应地指导深部脑刺激 (DBS) 作为 PD 治疗的一部分。但是，自适应 DBS 需要根据实时监测和分析来识别神经元活动的触发因素。当前的方法并不总能识别与 PD 相关的信号，并且可能会造成延迟。我们测试了一种基于线性预测编码 (LPC) 的替代方法，该方法将自回归 (AR) 模型拟合到时间序列数据。这些 AR 模型的参数可以通过快速算法实时计算。我们比较了多巴胺耗竭的 PD 动物模型中纹状体的 LFP，这些模型中有无多巴胺前体左旋多巴存在，左旋多巴用于治疗 PD 的运动症状。我们表明，在多巴胺耗竭的小鼠中，仅通过 1 kHz 的 LFP 采样 1 分钟获得的以单个 LPC 参数为特征的一阶 AR 模型可以区分左旋多巴治疗小鼠和盐水治疗小鼠，并且优于当前方法。这表明 LPC 可能有助于实时在线分析神经信号以指导 DBS，并可能有助于基于 DBS 的 PD 治疗。
对粪便样品的代谢组筛查是对婴儿过敏的牛奶蛋白过敏的临床试验的替代方法
牛奶蛋白过敏（CMPA）是食物过敏的最复发性儿科疾病之一，这是幼儿时期发生的。诊断并不容易，需要口服食物挑战测试（OFC）。在寻找可以用作CMPA的生物标志物的可能的肠道代谢产物时，评估了来自怀疑CMPA的婴儿的粪便样品的24个代谢组谱。儿童先前被诊断出患有OFC。粪便样品，并使用FT-Orbitrap质谱仪直接通过超高分辨率质谱（HRMS）直接分析。代谢组谱，该分析在区分样品以提出诊断方面并不有效。然后，在负面分析模式下获得的特定M/Z范围的代谢组谱成功地经受了正交部分最小二乘判别分析（OPLS-DA），该分析在没有CMPA的情况下将两组分开。模型拟合为R²= 0.88，在测试中具有Q²= 0.52的预测能力，其置换为2000排列，显着性p值<0.05。在这项初步研究中，使用代谢组谱获得的模型显示出显着的验证值，这表明有可能区分两组感兴趣的验证值，这表明其用作CMPA患者的可能诊断工具。
GLMNETR：放松的套索和其他机器学习模型的嵌套交叉验证
说明交叉验证的放松套索，人工神经网络（ANN），渐变机（'xgboost'），随机森林（'Randomforestsrc'），倾斜随机（'aorsf'），递归分区（'rpart'）或步骤WISE WISE RECLISTION模型。交叉阀排出样品（导致嵌套交叉验证），或使用Bootstrap排除外部样品来评估和比较这些模型之间的性能与表格或图形均值预示的结果。校准图也可以是基于（外部嵌套）交叉验证的（外部嵌套）或引导程序（从包中）样本的。对于某些数据集，例如，当设计矩阵不完全排名时，“ glm-net”可能会在拟合轻松的Lasso模型时具有很长的运行时间，这是从我们的经验中，当我们的经验与许多预测变量和许多患者一起将COX模型拟合到数据时，这使得很难从Glmnet（）或Cv.glmnet（）中获得解决方案。调用glmnet（）和cv.glmnet（）时，我们可以通过“路径= true”选项来纠正这一点。在glmnetr包中，路径= true的方法默认情况下是按照。When fitting not a relaxed lasso model but an elastic-net model, then the R- packages 'nestedcv' < https: //cran.r-project.org/package=nestedcv >, 'glmnetSE' < https://cran.r-project.org/ package=glmnetSE > or others may provide greater functionality when performing a nested CV.
眼睛内肿块患者的眼睛特异性定量动态增强MRI分析
抽象的客观动态对比增强（DCE）-MRI当前通常不用于眼内肿块，因为病变很小，具有不均匀的t 1，并且眼睛容易运动。本文的目的是应对这些特定眼睛的挑战，从而实现准确的眼睛DCE-MRI。使用脂肪抑制的3D损坏的渐变层序（与随机轨迹序列的时间分辨血管造影）使用脂肪抑制的3D损坏的渐变序列获得了19个紫veal黑色素瘤（UM）患者的材料和方法DCE-MRI。分析由两步登记方法组成，以校正头部和眼睛运动。t 1映射以将信号强度转换为浓度。随后，将TOFTS模型拟合了Voxel，以获得K trans和v e。结果注册显着提高了浓度曲线质量（p <0.001）。T 1的T 1明显低于肿瘤病变（888 ms vs 1350 ms，p = 0.03）。病变中达到的B 1 +的平均值为91％。平均K trans为0.46 min -1（范围0.13-1.0），平均V E为0.22（范围0.10–0.51）。使用这种特异性分析的结论，可能有助于诊断，进一步和随访的人眼内肿块DCE。
o r i g i n a l r e s a r c h哮喘算术问卷（ANQ）的验证：因素A
背景：哮喘的全球患病率不断提高，需要有效的疾病管理，患者及其家人扮演核心角色。增强护理人员中的健康素养（HL）对于改善哮喘结果至关重要。目的：本研究旨在验证哮喘计算问卷（AR-ANQ）的阿拉伯语版本，以解决针对讲阿拉伯语人群的HL评估工具中的差距。患者和方法：共有400名哮喘儿童父母在门诊呼吸道诊所完成了AR-ANQ。验证性因素分析（CFA）和RASCH分析用于评估仪器的心理测量特性。结果：CFA支持AR-ANQ的一维结构，具有出色的模型拟合指数（χ²/DF = 4.6，SRMR = 0.02，CFI = 0.99，GFI = 0.99，TLI = 0.96）和高内部一致性（Cronbach'sα= 0.82）。RASCH分析进一步证明了心理鲁棒性，具有较高的人和分离可靠性（分别为0.74和0.99）和可接受的INFIT和服装统计。结论：哮喘计算问卷（AR-ANQ）的阿拉伯语版本是评估哮喘儿童父母健康素养的可靠且有效的工具。关键字：哮喘计算问卷，哮喘，健康素养，阿拉伯语，小儿
评估和提高气体的可靠性... - AMT - 最近
摘要：环境监测技术的进步使相关社区和公民能够收集数据，以更好地了解当地环境和潜在暴露情况。这些移动、低成本的工具可以提高收集时间和空间分辨率的数据，提供具有前所未有的详细程度的大规模数据。这种类型的数据有可能使人们能够就其暴露情况做出个人决定，并支持制定减少污染和改善健康结果的当地战略。然而，这些低成本仪器的校准一直是一个挑战。通常，传感器包是通过现场校准来校准的。这涉及将传感器包与高质量参考仪器共置一段时间，然后应用机器学习或其他模型拟合技术（如多元线性回归）来开发用于将原始传感器信号转换为污染物浓度的校准模型。虽然这种方法有助于校正环境条件（例如温度）的影响以及与非目标污染物的交叉敏感性，但越来越多的证据表明，由于污染物水平与环境条件（包括昼夜循环）之间存在偶然相关性，校准模型可能会过度拟合给定位置或一组环境条件。因此，在现场训练的传感器包在移动或转移到其他位置时可能会提供不太可靠的数据。对于寻求在监管监测点以外进行监测的应用（例如个人移动监测或高分辨率的社区监测），这是一个潜在的问题。
神经影像学
静息状态大脑动力学的动态建模本质上依赖于用于模型推导和验证的经验神经影像数据。然而，对于磁共振成像流程以及模型中涉及的结构和功能连接组，仍然没有标准化的数据处理。因此，在本研究中，我们讨论了结构连接 (SC) 的扩散加权数据处理参数如何影响由 SC 指导的全脑数学模型的验证结果。为此，我们引入了一组模拟条件，包括用于提取 SC 的全脑纤维束成像 (WBT) 的不同数量的总流线、基于功能和解剖大脑特性的皮质分区以及不同的模型拟合模式。本研究的主要目的是探索模型验证的质量如何随着考虑的模拟条件而变化。我们观察到结构连接组的图论网络属性会受到不同纤维束成像密度的影响，并且与模型性能密切相关。我们还发现，WBT 的总流线的最佳数量会因不同的脑图谱而异。因此，我们提出了一种基于网络属性和来自多个 WBT 条件的最佳参数配置来改进模型性能的方法。此外，可以将受试者群体分层为具有不同行为的子组，这些行为是由不同的 WBT 密度引起的，这样就可以针对各个受试者和脑分区的数据处理提出不同的建议。