XiaoMi-AI文件搜索系统
World File Search System用非
利用非脑和多模态脑成像数据预测健康和病理衰老过程中未来的认知能力下降
a 瑞士苏黎世大学心理学系可塑性研究方法 b 瑞士苏黎世大学和苏黎世联邦理工学院苏黎世神经科学中心 (ZNZ) c 瑞士苏黎世大学大学研究优先计划“健康老龄化动力学” d 法国帕莱索巴黎萨克雷大学、Inria、CEA e 德国莱比锡马克斯普朗克人类认知和脑科学研究所神经病学系 f 加拿大魁北克省蒙特利尔蒙特利尔大学老年医学研究所功能神经影像科 g 美国德克萨斯州奥斯汀德克萨斯大学戴尔医学院计算神经影像实验室 h 美国密歇根州底特律韦恩州立大学老年学研究所和心理学系 i 加拿大蒙特利尔康考迪亚大学心理学系 j 大脑与运动研究所认知神经解剖学实验室épinière，法国巴黎 k 德克萨斯大学心理学系，美国德克萨斯州奥斯汀
初级卫生保健中的心血管风险预测因素：对采用非实验室模型的思考
采用非实验室模型摘要：本文提出了在初级保健（PHC）中使用心血管风险（CVR）分层工具的考虑，重点关注非实验室模型作为实验室预测的替代行为。这一目标是基于使用横断面和探索性方法的实证研究来反思的，重点关注米纳斯吉拉斯州一个中等城市中患有合并症（高血压和/或糖尿病）且没有记录心血管问题的成年人口（40 至 74 岁之间）的两种量表的行为。在这项名为“CardioRisco”项目中，研究人员评估了基于胆固醇信息的 Framingham 全球风险评分所进行的 CVR 分层与使用身体质量指数而非血清数据的 HEARTS 计算器非实验室版本之间的一致程度。本文对研究的总体结果进行了分析，其中，对于所构成的样本，在分层之间发现了最小一致性，并提出了关于在 PHC 背景下管理 CVR 的建议，强调了对高风险患者（例如糖尿病患者）进行全面评估的重要性。
生成人工智能的应用利用非结构化临床数据加速炎症性肠病研究
“提取以下信息：临床历史记录的半脱落清单190陈述，每个陈述描述了患者历史记录中的发现，包括任何诊断。只有191个包括明确提及“临床病史”或患者病史的部分。如果192中的任何历史提及为负，则否定应包括在每个陈述中，例如，193年“克罗恩斯或加州大学的历史没有任何历史”应成为“克罗恩病的史无前例”，“没有194个溃疡性结肠炎的历史”。195
使用非六氢酒酵母的机会...
Résumé。气候变化以及有机和更可持续的酿酒的趋势强调了使用生物学方法论的必要性。减少了SO 2的使用，减少葡萄酒乙醇含量的需求以及减少或避免使用化学植物学产品的需求促使人们寻求替代实践。在这种情况下，使用非糖果酵母有望实现环境，经济和健康可持续性目标。在这里，在整个酿酒链中，非糖酵母酵母的各种可能用途，从葡萄园进行植物学保护和控制葡萄微生物群的控制到在发酵前和发酵阶段的生物控制阶段，以减少杂种含量的使用，以减少葡萄酒的使用，以减少葡萄酒的使用，以减少葡萄酒的含量，以便在葡萄酒中使用葡萄酒的含量，以便在葡萄酒中使用葡萄酒的含量特殊葡萄酒和收获后。文献充分证明了这些用途，也与葡萄酒的感觉分析概况的改善和复杂性的提高有关。
使用非二次各向异性可塑性模型和实心壳有限元
在过去的几十年中，已经开发了一个假定的固体 - 壳有限元素的家族，并具有固体和壳有限元素的丰富益处以及特殊处理，以避免锁定现象。这些元素已被证明在具有各种本构模型的薄3D结构的数值模拟中是有效的。当前的贡献包括发达的线性和二次固体 - 壳元素与铝合金的复杂各向异性可塑性模型的组合。常规二次各向异性产量函数与涉及强各向异性的金属材料形成过程的模拟中的准确性较小。对于这些材料，可以使用晚期非二次产量功能（例如Barlat针对铝合金提出的各向异性产量标准）对塑料各向异性进行建模。在这项工作中，将各种二次和非季度各向异性屈服函数与线性八节点六个节六个固体 - 壳元素和线性六节点棱柱形固体 - 壳元素以及它们的二次对应物结合使用。将所得的固体 - 壳元素实现到Abaqus软件中，以模拟圆柱杯的基准深度绘图过程。对预测结果进行了评估，并将其与文献中获得的实验结果进行了比较。与使用常规二次各向异性产量函数相比，由开发的固体 - 壳元素与非二次各向异性产量功能的组合给出的结果表明，与实验相吻合。
一种用于人类的通用非侵入性神经运动接口......
自计算机出现以来，人类一直在寻求富有表现力、直观且通用的计算机输入技术。虽然已经开发了多种模式，包括键盘、鼠标和触摸屏，但它们需要与中间设备进行交互，这可能会受到限制，尤其是在移动场景中。基于手势的系统利用摄像头或惯性传感器来避免使用中间设备，但它们往往只在不被遮挡或明显的动作中表现良好。几十年来，人们一直在设想脑机接口 (BCI)，通过允许仅通过思维向计算机输入来解决接口问题。然而，高带宽通信仅使用为单个个体设计的解码器的侵入式 BCI 进行了演示，因此无法扩展到普通大众。相比之下，肌肉中的神经运动信号可以访问细微的手势和力量信息。在这里，我们描述了一种非侵入式神经运动接口的开发，该接口允许使用表面肌电图 (sEMG) 进行计算机输入。我们开发了一个高度灵敏且强大的硬件平台，该平台易于佩戴/脱下，可感知手腕上的肌电活动并将有意的神经运动命令转换为计算机输入。我们将此设备与一个经过优化的基础设施配对，该基础设施可从数千名同意的参与者那里收集训练数据，这使我们能够开发通用的 sEMG 神经网络解码模型，该模型适用于许多人，而无需对每个人进行校准。未包括在训练集中的测试用户在连续导航任务中以每秒 0.5 次目标获取、在离散手势任务中以每秒 0.9 次手势检测和每分钟 17.0 个调整字的速度展示手势解码的闭环中值性能。我们证明，通过为个人个性化 sEMG 解码模型，输入带宽可以进一步提高 30%，预计未来人类和机器将共同适应，提供无缝翻译人类意图的功能。据我们所知，这是第一个直接利用生物信号的高带宽神经运动接口，具有跨人群的高性能开箱即用泛化功能。
一种用于人类的通用非侵入性神经运动接口......
自计算机出现以来，人类一直在寻求富有表现力、直观且通用的计算机输入技术。虽然已经开发了多种模式，包括键盘、鼠标和触摸屏，但它们需要与中间设备进行交互，这可能会受到限制，尤其是在移动场景中。基于手势的系统利用摄像头或惯性传感器来避免使用中间设备，但它们往往只在不被遮挡或明显的动作中表现良好。几十年来，人们一直在设想脑机接口 (BCI)，通过允许仅通过思维向计算机输入来解决接口问题。然而，高带宽通信仅使用为单个个体设计的解码器的侵入式 BCI 进行了演示，因此无法扩展到普通大众。相比之下，肌肉中的神经运动信号可以访问细微的手势和力量信息。在这里，我们描述了一种非侵入式神经运动接口的开发，该接口允许使用表面肌电图 (sEMG) 进行计算机输入。我们开发了一个高度灵敏且强大的硬件平台，该平台易于佩戴/脱下，可感知手腕上的肌电活动并将有意的神经运动命令转换为计算机输入。我们将此设备与一个经过优化的基础设施配对，该基础设施可从数千名同意的参与者那里收集训练数据，这使我们能够开发通用的 sEMG 神经网络解码模型，该模型适用于许多人，而无需对每个人进行校准。未包括在训练集中的测试用户在连续导航任务中以每秒 0.5 次目标获取、在离散手势任务中以每秒 0.9 次手势检测和每分钟 17.0 个调整字的速度展示手势解码的闭环中值性能。我们证明，通过为个人个性化 sEMG 解码模型，输入带宽可以进一步提高 30%，预计未来人类和机器将共同适应，提供无缝翻译人类意图的功能。据我们所知，这是第一个直接利用生物信号的高带宽神经运动接口，具有跨人群的高性能开箱即用泛化功能。
采用非接触式卡支付可提高自动收费站的电力和等待时间效率
目前，自动收费站 (ATG) 中的一种电子收费 (ETC) 方法是使用射频识别 (RFID) 技术的非接触式交易。使用 RFID 跟踪和监控物体（汽车）是实时进行的，并且需要跟上物体（汽车）的速度。安装在汽车挡风玻璃上的车载单元 (OBU) 应答器和安装在 ATG 上的路侧单元 (RSU) 是专用短程通信 (DSRC) 系统的主要组成部分，该系统允许汽车和 ATG 相互通信并进行交易，包括在线支付通行费，而无需接触。进行这项研究的动机是通过比较汽车中的 OBU 和自动收费站的 RSU 之间的通信范围以及 OBU 中的电池电量来确定采用非接触式卡支付的自动收费站的功率和等待时间效率。此外，本研究旨在确定仍接触支付卡的 ETC 系统与不接触支付卡（非接触式）且已使用 RFID 技术的 ETC 系统之间的响应时间差异。据估计，与不接触支付卡且已使用 RFID 技术的 ETC 系统相比，仍接触支付卡的 ETC 系统的响应时间更长。本研究使用的方法是设计和制作 OBU 和 RSU 的原型，然后模拟和测量安装在汽车上的 OBU 的范围和响应时间，RSU 安装在 ATG 上。
启用非侵入性筛查的AI范式
每天的执行摘要，国土安全部（DHS）人员在陆基入境港口，海上港口，机场，联邦设施和总统活动中进行高批量筛查任务。在这些地点，需要筛选商用货物，乘用车和违禁品的个人物品，例如麻醉品，武器，威胁材料和设备以及其他非法商品。对于边境控制，这代表着陆地边界的1200万个海事集装箱，海港的1200万个集装箱，通过铁路的270万个集装箱和1亿乘客每年。用于运输安全性，这代表每天超过550万张筛选。，对于联邦设施，这代表了9000个联邦设施的员工和访客的筛查。为此，即使对于一组最高风险的问题，DHS都在很大程度上依赖传统的感应技术，例如在多个能量带，计算机断层扫描（CT）运行的X射线门户和痕量化学感测来检测违禁品，而无需执行彻底的彻底大密集的手动检查。今天，各种形式的人工智能（AI）通常可以通过更好地利用传感器和检测器的数据流的方法来增强现有范式。以这种形式，在许多情况下，AI是一种后端设备，可帮助管理给定图像的全部内容。我们可以考虑使用更丰富的基础模型1的使用，而不是根据已测量的图像中的内容询问图像中的内容，而是要考虑使用更丰富的基础模型1，并问：“您应该测量什么”。但是，新兴技术的领域，再加上AI的进步，正在创造新的机会，从根本上重新考虑这些方法，在某些方面将它们转向外，并因此重新考虑了基于历史方法的风险模型。重新思考我们的方法可以为DHS如何以提高准确性，更高的吞吐量和通过这些检查站的流量来执行筛查任务的重要进展。我们今天可以检测到的图像的进步与AI启用的数据，成像，可视化和表征紧密相关，并且必须将其视为不可分割的连接。在今天的成像范式中，根本不使用大部分数据。AI通过从根本上重新定义数据的处理，分析和利用方式来实现新的思考旧问题。传统上，放射学领域的工作流都依赖于将大量的原始传感器数据压缩到重建的图像中，以进行人类解释，该过程不可避免地引入了数据丢失和不确定性，即使在当今使用的狭窄方式中。数据之后是处理和过滤的，以创建适合人类观看的蒸馏，而不是在其更丰富，更丰富的环境中使用。通过绕过或增强传统的工作流程过程，AI可以直接从原始传感器数据中提取细微的特征 - 在转换为视觉格式中可能会丢失或遮盖的功能。这些创新不仅挑战了根深蒂固的工作流程，而且还强调了AI如何将感知的局限性变成机会。本报告继续进行了一系列论文，我们探讨了AI，基础模型，对抗性AI，数字内容伪造以及对DHS任务的影响。它反映了与私营部门，学者和DHS运营组件的讨论，以及我们在2024年6月27日与马萨诸塞州理工学院林肯实验室（MIT LL）在“ AI-AI-Nopable Paradigms”范围内与马萨诸塞州理工学院实验室（MIT LL）进行了更深入的研究。2,3在本报告中，我们在抽象层面上回顾了非侵入性安全筛查的技术基础，引入了非侵入性筛选
stpotr：同时使用非自动回形变压器进行机器人跟随
摘要 - 在本文中，我们通过开发神经网络模型来大大扩展了机器人执行后续任务和该任务的变化的能力，从而从观察到的人类运动历史上预测未来的人类运动。我们提出了一个非自动回忆的变压器架构，以利用其并行性质，以便在测试时更容易训练和快速，准确的预测。所提出的结构将Human运动预测分为两个部分：1）人类轨迹，这是髋关节随时间的3D位置，以及2）人类姿势，这是所有其他关节在时间上相对于固定髋关节的3D位置。我们建议同时做出两个预测，因为共享表示可以改善模型性能。因此，该模型由两组编码器和解码器组成。首先，应用于编码器输出的多头注意模块改善了人类轨迹。第二，应用于与解码器输出相连的编码器输出的另一个多头自我发项模块有助于学习时间依赖性。我们的模型在测试准确性和速度方面非常适合机器人应用，并且相对于最先进的方法进行了比较。我们通过机器人后续任务证明了我们作品的现实适用性，这是我们提议的模型充满挑战而实用的案例研究。我们的模型预测的人类运动使机器人可以在情况下进行详细的人类运动，例如静止不动，即站立。它还使简单的控制策略能够琐碎地概括到人类关注的许多不同变化，例如后续行动。我们的代码和数据可在以下github页面上获得：https：//github.com/mmahdavian/stpotr