XiaoMi-AI文件搜索系统
World File Search System相关系数
欧洲物流与供应链可持续性报告2024
图4。评估纳米旋转的性能。a-b比较了通过纳米重新启动估计的每个CpG基因座的甲基化水平与bisulfite测序和孔雀孔的6.3.8在GM24385数据上。PCC = Pearson相关系数。c-d比较了纳米恢复估计的CpG岛的平均甲基化水平与Bisulfite测序和GYPED 6.3.8在GM24385数据上的平均甲基化水平。
传感器
摘要目的：这项研究的目的是在硅QSAR-神经网络模型中开发出强大的外部预测性，用于预测药物的血浆蛋白结合。该模型旨在通过减少化学合成和广泛的实验室测试的需求来增强药物发现过程。方法：使用277种药物的数据集来开发QSAR神经网络模型。使用滤波器方法构建模型，以选择55个分子描述符。通过预测平方相关系数Q2和均方根误差（RMSE）评估了验证集的外部精度。结果：开发的QSAR神经网络模型显示出鲁棒性和良好的适用性域。验证集的外部准确性很高，预测平方相关系数Q2为0.966，均方根误差（RMSE）为0.063。相对，该模型的表现优于文献中先前发布的模型。结论：该研究成功地开发了一种高级QSAR神经网络模型，能够预测人类血浆中277种药物的血浆结合。该模型的准确性和鲁棒性使其成为药物发现中的宝贵工具，有可能减少对资源密集型化学合成和实验室测试的需求。
pastprint -uu .diva
相关性（P <0.01）与22个对象的分类时间（目标精度a = 0.52）（图4e和f）。相关分析证明了1 st -Spike正时对分类速度的关键贡献，该速度支持1 st -spikes的关键作用。在归一化的总尖峰计数与分类时间（a = 0.52）之间也有显着的相关性（p <0.01），相关系数为0.63（图。s25d），说明了如何编码动态信息20
o r i g i n a l r e s a a r c h疼痛强度和功能性结果，用于日常生活，步态和平衡活动的活动，以获取OUTP
目的：向老年人转介门诊物理疗法以提高其功能能力。本研究的目的是确定疼痛是否对参加门诊身体康复计划的老年人的功能结果有影响。患者和方法：对65岁及65岁及以上的患者进行门诊物理治疗以改善身体功能的患者的病历进行了回顾性研究（n = 178）。疼痛强度（11点数字疼痛量表）和功能结果度量（tug tug]，伯格平衡量表[BBS]，10米步行测试，6分钟步行测试和功能自主性测量系统[SMAF] [SMAF]）在初始（T1）和Fifin（T1）和Fifinal（T2）咨询中提取。配对的t检验，以确定所有患者的功能结果度量是否存在差异。患者被分解为患有疼痛的患者（疼痛，n = 136）和没有疼痛的患者（无疼痛，n = 42）。在具有不平等方差的独立t检验的组之间比较了T1和T2之间的功能结果度量差异。皮尔逊相关系数在初始疼痛强度与功能结果度量的变化之间（T2-T1）之间进行了相关系数。校正多个PLE比较，p≤0.01的p值在统计上被认为是显着的。结果：TUG，BBS，10米步行测试，6分钟步行测试都证明了T1和T2之间的改进（所有P <0.01）。关键字：疼痛，功能，物理治疗，老年人，残疾小组的拖线分数（p = 0.14），BBS（P = 0.03），10米步行测试（P = 0.54），6分钟步行测试（P = 0.94）和SMAF（P = 0.23）没有差异。Pearson相关系数在初始疼痛强度和T1和T2之间功能结果得分的变化之间较弱（r = - 0.16至0.15，所有p值> 0.10）。结论：这些结果表明，疼痛并不是参加门诊身体康复计划的老年人的功能改善的障碍。
si：利用DFT和机器学习以准确...
表S2：从209个RDKIT描述符中选择功能选择，用于预测聚合物的光节间隙以及XGBoost模型的性能指标，该模型的性能指标训练了具有成对Pearson相关系数（P对）的不同组合的descriptors（P对）的组合，并且与光带差距有关（P GAP）（P GAP）。粗体表示P对和P间隙值的最佳组合。RMSE和MAE以EV测量。
iPhone® 指南针的可靠性和并发有效性...
背景。几项水上运动（游泳、冲浪和站立式划桨冲浪）需要足够的胸部活动度（特别是旋转）才能完成相应的活动要求。由于缺乏方便可靠的测量技术，测量胸椎旋转度对临床医生来说是个问题。最近，智能手机已被用来量化身体各个关节的运动；然而，使用智能手机评估胸椎运动的研究似乎很少。因此，本研究的目的是确定 iPhone R ⃝ 应用程序（Compass）在评估健康个体胸椎旋转 ROM 时的信度（评估者内和评估者间）和效度。方法。本研究共招募了 30 名参与者。使用当前临床金标准、通用测角仪 (UG) 和智能手机指南针应用程序测量胸椎旋转 ROM。评分者内和评分者间信度通过组内相关系数 (ICC) 和相关 95% 置信区间 (CI) 确定。使用 Pearson 相关系数测量了 Compass 应用程序与 UG 的比较的有效性，并使用 Bland-Altman 图和 95% 一致性界限确定了一致性水平。结果。UG 和 Compass 应用程序测量均具有出色的评分者内信度 (ICC 0.94–0.98) 和评分者间信度 (ICC 0.72–0.89) 可重复性。然而，Compass
在真实静态和动态的人类机器人互动场景
基于语音的解决方案的使用是在人类机器人互动（HRI）中进行交流的一种吸引人的替代方法。在这一领域的一个重要挑战是处理遥远的语音，这通常是嘈杂的，并且受回响和随时间变化的声通道的影响。重要的是研究有效的语音解决方案，尤其是在机器人和用户移动的动态环境中，改变说话者和麦克风之间的距离和方向。本文在语音情感识别（SER）的背景下解决了这个问题，这是了解消息的意图和用户的潜在心理状态的重要任务。我们提出了一个带有PR2机器人的新颖设置，该设置同时记录了目标语音和环境噪声。我们的研究不仅在这种动态的机器人用户设置中分析了距离语音的有害效果，以识别语音情绪识别，而且还提供了减轻其效果的措施。我们评估使用两个波束形成方案的使用在空间上使用延迟和-AM（D＆S）或最小差异无失真响应（MVDR）过滤语音信号。我们考虑在受控情况下记录的原始培训演讲，并考虑处理训练语言以模拟目标声学环境的情况。我们考虑机器人正在移动的情况（动态情况）而不是移动（静态情况）。为了进行语音情感识别，我们使用梯形网络策略实现的手工制作的功能探索两个最先进的分类器，并通过WAV2VEC 2.0功能表示实现的学习功能。MVDR导致高于基本D＆S方法高的信噪比。然而，两种方法都使用使用原始MSP播客训练语言训练的梯子网络提供了非常相似的平均一致性相关系数（CCC）的改进，而HRI子集则相当于116％。对于基于WAV2VEC 2.0的模型，只有D＆S才能改善。令人惊讶的是，静态和动态HRI测试子集导致了相似的平均一致性相关系数。最后，模拟训练数据集中的声学环境提供了最高的平均一致性相关系数得分，其HRI子集的分别比原始训练/测试说法与梯子网络和WAV2VEC 2.0相比仅低29％和22％。
在自由运动环境和跑步机上行走和慢跑时五种可穿戴技术设备的步数可靠性和有效性
International Journal of Exercise Science 13(7): 410-426, 2020. 数以百万计的人使用可穿戴技术设备来记录日常步数，以促进健康的生活方式。然而，许多此类设备的准确性尚未确定。目的是确定 Samsung Gear 2、FitBit Surge、Polar A360、Garmin Vivosmart HR+ 和 Leaf Health Tracker 在自由运动和跑步机条件下步行和慢跑时的信度和效度。40 名志愿者完成了 5 分钟间隔的步行和慢跑自由运动和跑步机方案。这些设备以随机配置同时佩戴。两个手动步数计数器的平均值被用作标准测量。重测信度通过组内相关系数 (ICC) 确定。有效性通过结合 Pearson 相关系数、平均绝对百分比误差（MAPE：自由运动 ≤ 10.0%，跑步机 ≤ 5.00%）和 Bland-Altman 分析（设备偏差和一致性限度）来确定。显著性设置为 p < 0.05。Samsung Gear 2 被认为在慢跑条件下既可靠又有效，但在步行条件下则不然。Fitbit Surge 在除跑步机步行（被认为是可靠的，ICC = 0.76；但无效）之外的所有条件下都可靠且有效。Polar A360 在一种条件下（跑步机慢跑 ICC = 0.78）被发现是可靠的，但在任何条件下都无效。Garmin Vivosmart HR+ 和 Leaf Health Tracker 被发现既可靠又有效
研究文章优化了IEEE的功率损失预测...
抽象准确的功率损失估计对于有效的电力系统操作和计划至关重要。传统方法依赖于假设，导致不准确。这项研究采用了多层馈送神经网络（MFNN）来开发一个模型，该模型估计电力线中的真实和反应性损失。负载流技术用于获得训练多种模型的变量。调整神经元数并比较其他模型的性能指标后，选择了所需的模型。使用MATPOPTOR对118个BUS IEEE测试网络进行建模。Levenberg-Marquardt反向传播算法对生成数据训练了该模型。结果表明，25-神经元模型表现最好，在1000个时期达到了最小平方误差（0.00047543）。相关系数显示20个神经元和25个神经元模型的值为0.9999。分析确定了25个基于训练的模型是预测功率损耗的最准确的模型。据观察，25-神经元模型以1000个时期的最高相关系数（0.99999）达到了最佳性能（0.99999）和最小平方误差（0.00047543）。这项研究证明了ANN在估计传输线中功率损失方面的有效性。推荐的25个基于基于Neuron的训练有素的模型提供了研究模型的最佳预测，从而提高了电力系统效率和计划。关键字：神经网络，神经元，负载流，Levenberg-Marquardt，Newton Raphson