XiaoMi-AI文件搜索系统
World File Search System用心
使用心理健康护理中高度去识别的数据预测患者等待时间：增强型机器学习方法
背景：等待时间会影响患者的满意度、治疗效果以及患者接受的护理效率。心理健康领域的等待时间预测是一项复杂的任务，它受到预测门诊患者所需治疗次数的难度、高失约率以及使用团体治疗的可能性的影响。如果输入数据的效用较低，等待时间分析的任务就会变得更具挑战性，这种情况发生在通过删除直接和准标识符对数据进行高度去识别化时。目标：本研究的第一个目标是开发机器学习模型，利用实时数据预测精神病门诊患者从转诊到第一次预约的等待时间。第二个目标是利用系统知识在输入数据高度去识别化的情况下提高这些预测模型的性能。第三个目标是确定导致长时间等待的因素，第四个目标是建立这些模型，使它们实用且易于实施（因此对护理提供者有吸引力）。方法：我们分析了加拿大安大略海岸精神卫生科学中心 8 家门诊诊所的回顾性高度去识别化管理数据，使用 6 种机器学习方法来预测新门诊患者的首次预约等待时间。我们使用系统知识来缓解数据低效用的问题。数据包括 4187 名患者，他们通过 30,342 次预约接受了治疗。结果：不同类型的精神卫生诊所的平均等待时间差异很大。超过一半的诊所的平均等待时间超过 3 个月。诊所预约的次数和失约率差异很大。尽管存在这些差异，但随机森林方法为 8 家诊所中的 4 家提供了最小均方根误差值，为其他 4 家诊所提供了第二小均方根误差。利用系统知识提高了高度去识别化数据的效用，并提高了模型的预测能力。结论：随机森林方法通过系统知识得到增强，为新门诊患者提供了可靠的等待时间预测，尽管高度去识别的输入数据的效用很低，而且不同诊所和患者类型的等待时间差异很大。优先系统被确定为导致等待时间过长的一个因素，并建议使用快速通道系统作为潜在解决方案。
通用心室辅助设备的表征和开发：高级设计的计算流体动力学分析
使用横跨左心室辅助装置（LVAD）和右心室辅助设备（RVAD）操作的条件进行的体外液压性能测量，创建并验证了AVAD CFD模型。放置在整个泵中的静态钻头被用来对CFD结果进行评价。然后使用CFD模型来评估液压性能的变化，并通过不同的转子轴向位置进行识别并确定潜在的设计改进。以转子速度从2,300至3,600转/分钟进行液压性能，并以2.0至8.0 l/min的流速进行测量。CFD预测的液压升高与体外测量的数据非常吻合，在2300 rpm的6.5％以内，对于较高的转子速度，在3.5％以内。CFD成功预测了壁静电压力，与7％以内的实验值相匹配。在泵的运行中观察到泵的流场中的高度相似性和圆周均匀性，作为LVAD和RVAD。次级叶轮轴向清除率降低导致峰值流量停留时间降低10％，次级叶轮上的静态压力降低。这些较低的静态处方表明，次级叶轮的向上转子力量降低，并且泵的压力灵敏度所需的增加。
如何使用心力衰竭药物的实用指导
排除新发咳嗽加重的患者。如果麻烦，考虑用 ARB 替代。- 肾功能恶化：接受肌酐增加至高于基线 50% 或 266µmol/l 或 eGFR <25ml/min/1.73m 2 ，以较小者为准 - 高钾血症：增加至 ≤5.5mmol/l 是可以接受的 - 如果肌酐或钾确实过度升高，考虑停止同时服用肾毒性药物/如果没有充血迹象，减少利尿剂剂量。- 如果 K>5.5mmol/l 或肌酐增加 >100% 或 >310µmol/l，停止用药并寻求专家建议。
使用心血管磁共振验证特发性扩张型心肌病的诊断：扩张型心肌病精准医学研究
功能研究至关重要，包括心电图以评估心率、心律和传导，超声心动图以测量心室大小、功能和壁厚度，以及对于有 CAD 风险的患者，通过冠状动脉造影排除阻塞性 CAD。心血管磁共振 (CMR) 也有助于病因评估。先前的研究表明，在经冠状动脉造影分类为非缺血性 DCM 的患者中，多达 13% 的患者可能出现与潜在缺血性病因一致的晚期钆增强 (LGE) 模式。4 目前尚不清楚 LGE 模式的适当病因含义，尤其是对于冠状动脉阻塞正常或轻微且没有已知风险因素的患者，甚至对于 CAD 风险极小的 20 至 30 岁患者。人们投入了大量精力去了解 LGE 的病因和意义，早期的共识是缺血型 LGE 典型表现为心内膜下或透壁性瘢痕。5 这种典型的缺血型 LGE 可以用缺血的病理生理学来解释，即坏死波阵面始于心内膜下，并向心外膜移动，最后变成透壁性。缺血型 LGE 应始终涉及心内膜下，并应定位于心外膜动脉的灌注区域。尽管 CMR 可能提示缺血型 LGE 的病因是与 CAD 相关的心肌梗死或栓塞现象，但病史和临床数据对于做出此类区分至关重要。此外，缺血型 LGE 也可在非缺血性心肌病（如结节病、淀粉样变性、法布里病等）中观察到，在这种情况下，其他关键 CMR 特征和临床数据有助于确定最终病因。5 此外，尽管 LMNA 心肌病的基因特异性研究已显示跨壁 LGE，但 LGE 模式尚未与 DCM 遗传学的广度完全整合。6,7
用心智理论支持人工智能社会智能
在本文中，我们讨论了人工智能心智理论的发展，这是代理与人类团队成员合作的基础。具有人工智能社交智能的代理需要各种能力来收集社交数据，以便为人类同行提供人工智能心智理论。我们借鉴社交信号理论，讨论一个框架来指导对人工智能社会智能核心特征的考虑。我们讨论人类社会智能和心智理论的发展如何通过形成基础来帮助代理建模、解释和预测人类的行为和心理状态，以支持人机交互，从而促进人工智能社会智能的发展。人工智能社会智能需要处理能力来感知、解释和生成社交线索组合，以便在人机团队中运作。人工智能心智理论提供了一种结构，通过该结构，社交智能代理可以具有模拟人类代理并参与有效人机交互的能力。此外，ASI 可以使用人工智能心智理论建模来支持与人类的透明沟通，提高对代理的信任，以便他们可以根据对人工智能社交智能代理的理解和支持信任来更好地预测未来的系统行为。
虚拟社区多向量行为的价值语义对精神基础、信息文化和国家安全的心理潜在危害 Vitaliy Matveev † 基辅鲍里斯·格林琴科大学人文科学研究所应用心理学系 Svitlana Khrypko †† s.khrypko@kubg.edu.ua 基辅鲍里斯·格林琴科大学历史与哲学学院哲学系，乌克兰 Vita Tytarenko ††† 哲学博士，教授，乌克兰国家科学院 GSSkovoroda 哲学研究所，宗教研究系高级研究员，乌克兰基辅；基辅鲍里斯·格林琴科大学，历史与哲学学院哲学系教授，乌克兰基辅，
摘要 虚拟社区不仅是后现代现代性和网络空间不可或缺的特征。它们还成为参与各种俱乐部的新机会的潜在网络平台——从临时现代（如傀儡团体或心理训练团体）到已建立的机构，如宗教团体、民族历史项目、大学社区等。一个国家的信息和文化规则和标准因其广泛的社会意义而成为国内和外交政策的优先事项，这使它们成为塑造个人生活优先事项的潜在动机。后现代世界是由信息部门的巨大发展决定的。它导致了独特的文化现象，从而对公民和社会、政府和安全的利益产生了新的危害和威胁。本文旨在强调虚拟社区的多向量性质和多元文化本质，并定义虚拟社区的显着特征，以了解其在现代通信文化框架内的运作原理，概述虚拟社区对社会的威胁和风险。 关键词：虚拟社区、语义代码、通信文化、信息文化、安全、价值观心理学、精神基础
SaS-BCI：一种预测图像记忆性并使用心理意象作为基于大脑的生物特征认证的新策略
摘要 安全认证是信息安全最重要的层面之一。如今，人体生物特征识别技术是用于认证目的的最安全方法，它涵盖了密码和 PIN 等旧式认证方式存在的问题。最近的生物特征识别技术在安全性方面有很多优势；然而，它们仍然存在一些缺点。技术的进步使得一些特定的设备成为可能，因为它们都是可见和可触摸的，因此可以复制和制作假的人体生物特征识别。因此，需要一种新的生物特征识别技术来解决其他类型的问题。脑电波是人体数据，它将其用作一种新型的安全认证方式，吸引了许多研究人员的关注。有一些研究和实验正在调查和测试脑电图信号以发现人类脑电波的独特性。一些研究人员通过应用不同的信号采集技术、使用脑机接口 (BCI) 进行特征提取和分类，在这一领域取得了很高的准确率。任何 BCI 过程的一个重要部分是获取和记录脑电波的方式。本文针对脑信号的授权和认证过程提出了一种新的信号采集策略。这是通过预测用户大脑中的图像记忆能力，将心理意象用作安全认证的可视化模式。因此，用户可以通过在脑海中可视化特定图片来验证自己的身份。总之，我们可以看到脑电波会根据心理任务而有所不同，这使得将它们用于认证过程变得更加困难。基于大脑的认证有许多信号采集策略和信号处理，通过使用正确的方法，可以实现更高的准确率，适合将脑信号用作另一种生物特征安全认证。
基于生理特征的飞行员-无人机协同应用心理负荷评估
有人-无人协同 (MUM-T) 可定义为空中机器人 (人工智能体) 与人类飞行员 (自然智能体) 的协同，其中人类智能体不是权威控制者，而是合作的团队成员。据我们所知，尚无研究使用神经人体工程学方法 (即使用生理测量) 评估 MUM-T 场景对操作员心理工作量 (MW) 的影响，也未通过对这些测量进行分类来提供 MW 估计。此外，分类流程中很少考虑生理信号的非平稳性的影响，特别是在验证设计中。因此，本研究有两个目标：(i) 基于生理信号表征和估计 MUM-T 设置中的 MW；(ii) 评估验证程序对分类准确性的影响。在此背景下，开发了一个搜索和救援 (S&R) 场景，其中 14 名参与者扮演飞行员的角色，与三架 UAV（无人驾驶飞行器）合作。任务旨在诱发高和低 MW 水平，使用自我报告、行为和生理指标（即大脑、心脏和眼球运动特征）进行评估。基于这些生理特征的各种组合的监督分类管道进行了基准测试，并比较了两种验证程序（即不考虑时间的传统程序与考虑时间的生态程序
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
M.Sc. （荣誉）农业（园艺） M.Sc. （化学）计划 BS化学 Annexure A提出的硕士课程提纲应用心理学第I＆II部分（年度系统）的附属学院 B. GE-161-信息与通信简介... 带有代码的主题的课程内容：bot 课程标题：植物学-III（细胞生物学，进化和遗传学） BOT-206 Cr。 3（2+1）细胞生物学，遗传学和... 会费 /费用时间表（PU学生）-Lahore < / div> 数据结构和算法实验室 博士名单。通知2024 计划课程BS（荣誉）计算物理 课程标题生物膜和细胞信号 ... 的学生之间的计算机视觉综合征 BS生物技术 1727866077ENV。生物学NZ-116.pdf Muhammad Sajjad -Lahore 第六学期PBG-302繁殖纤维作物3（2-1）... 燃料和能源•代码编号：CHE 363•学期：6th 课程标题基因组学和蛋白质组学 人工智能简介（AI） 14。遗传学 植物学中的人工智能 全球挑战科学 - 课程大纲 经济动物学CR。 （2）简介 课程大纲 GQR-102：定量推理（II） APSY-356
其他课程被批准为M.Sc（荣誉）课程的主要课程植物病理学，食品科学和技术，昆虫学，植物育种和遗传学，土壤科学和农艺学的农业可作为M.Sc（荣誉）农业（园艺）。