XiaoMi-AI文件搜索系统
World File Search System相对
原创文章 人工智能增强篮球罚球的运动学分析 BEKIR KARLIK 1、MUSA HAWAMDAH 2 1 埃波卡大学计算机工程系，地拉那，阿尔巴尼亚 2 塞尔丘克大学计算机工程系，科尼亚，土耳其 在线发表：2024 年 12 月 30 日 接受发表：2024 年 12 月 15 日 DOI：10.7752/jpes.2024.12321 摘要：问题陈述和方法：在篮球比赛中，罚球的成功与否取决于球的出手角度、在空中的正确位置以及最佳速度运动特征。本研究利用人工智能（AI）研究了篮球运动员在疲劳前后执行罚球的运动学特征。材料和方法：我们使用了各种监督机器学习算法，包括：k-最近邻 (k-NN)、朴素贝叶斯、支持向量机 (SVM)、人工神经网络 (ANN)、线性判别分析 (LDA) 和决策树。这些算法用于对从球员收集的运动数据得出的特征进行分类，以揭示他们在不同疲劳程度下的投篮机制的模式和变化。当球员在疲劳前后成功和不成功投篮时，在球释放点测量肘部、躯干、膝盖和踝关节角度。有两种方法可用于对这些特征进行分类：第一种方法是直接使用行数据；另一种是使用主成分分析 (PCA) 减少数据。对于这两种方法，数据在应用于分类器之前都在 0-1 之间归一化。结果：我们通过使用朴素贝叶斯分类器对行数据获得了 98.44% 的最佳分类准确率。此外，使用 PCA 对减少数据进行 ANN 的结果显示最佳分类准确率 95.31%。研究结果揭示了疲劳引起的投篮力学的不同模式和变化，并强调了机器学习模型在分析生物力学数据方面的有效性。讨论和结论：这些结果有助于制定训练计划，以提高疲劳状态下的表现和一致性。这项研究强调了人工智能和数据驱动方法在运动生物力学中的潜力，可以为运动员表现和疲劳管理提供有价值的见解。关键词：智能算法、运动生物力学、运动数据、疲劳引起的变化简介在对各种运动进行的研究中已经观察到功能技能和基于技能的运动模式之间的差异。评估功能技能比评估基于技能的运动模式更具挑战性（Goktepe 等人，2009 年；Abdelkerim 等人，2007 年；Chappell 等人，2005 年）。例如，Goktepe 等人（2009 年）利用统计分析来证明踝关节、肩膀和肘部角度对网球发球的影响。Abdelkerim 等人（2007）展示了篮球运动员的计算机化时间运动分析，而 Chappell 等人（2005）则研究了在进行疲劳前和疲劳后练习的三个停跳任务中落地和跳跃动作中改变的运动控制策略。评估基于技能的收缩、适当的肌肉发力时间和关节定位等因素相对容易。值得注意的是，个人之间的动作执行和技能习得存在差异。在篮球罚球中，关节角度是足以将投篮分为不同类别的基本特征（Schmidt 等人，2012；Ge，2024；Zhang & Chen，2024）。疲劳是人类活动的自然结果，会影响运动员在训练和比赛期间的认知和学习能力。虽然大多数研究认为疲劳是影响表现的一个关键因素（Forestier & Nougier，1998；Apriantono 等人，2006），但一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010；Rusdiana 等人，2019；Li，2021；Bourdas 等人，2024）。例如，Uygur 等人（2010）基于统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024）则专注于疲劳对三分跳投的影响。Li 等人（2021）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中尚未发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同数据源或机器学习技术在结构分析和语义提取中的作用。这项研究是首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析
原创文章 人工智能增强篮球罚球的运动学分析 BEKIR KARLIK 1、MUSA HAWAMDAH 2 1 埃波卡大学计算机工程系，地拉那，阿尔巴尼亚 2 塞尔丘克大学计算机工程系，科尼亚，土耳其 在线发表：2024 年 12 月 30 日 接受发表：2024 年 12 月 15 日 DOI：10.7752/jpes.2024.12321 摘要：问题陈述和方法：在篮球比赛中，罚球的成功与否取决于球的出手角度、在空中的正确位置以及最佳速度运动特征。本研究利用人工智能（AI）研究了篮球运动员在疲劳前后执行罚球的运动学特征。材料和方法：我们使用了各种监督机器学习算法，包括：k-最近邻 (k-NN)、朴素贝叶斯、支持向量机 (SVM)、人工神经网络 (ANN)、线性判别分析 (LDA) 和决策树。这些算法用于对从球员收集的运动数据得出的特征进行分类，以揭示他们在不同疲劳程度下的投篮机制的模式和变化。当球员在疲劳前后成功和不成功投篮时，在球释放点测量肘部、躯干、膝盖和踝关节角度。有两种方法可用于对这些特征进行分类：第一种方法是直接使用行数据；另一种是使用主成分分析 (PCA) 减少数据。对于这两种方法，数据在应用于分类器之前都在 0-1 之间归一化。结果：我们通过使用朴素贝叶斯分类器对行数据获得了 98.44% 的最佳分类准确率。此外，使用 PCA 对减少数据进行 ANN 的结果显示最佳分类准确率 95.31%。研究结果揭示了疲劳引起的投篮力学的不同模式和变化，并强调了机器学习模型在分析生物力学数据方面的有效性。讨论和结论：这些结果有助于制定训练计划，以提高疲劳状态下的表现和一致性。这项研究强调了人工智能和数据驱动方法在运动生物力学中的潜力，可以为运动员表现和疲劳管理提供有价值的见解。关键词：智能算法、运动生物力学、运动数据、疲劳引起的变化简介在对各种运动进行的研究中已经观察到功能技能和基于技能的运动模式之间的差异。评估功能技能比评估基于技能的运动模式更具挑战性（Goktepe 等人，2009 年；Abdelkerim 等人，2007 年；Chappell 等人，2005 年）。例如，Goktepe 等人（2009 年）利用统计分析来证明踝关节、肩膀和肘部角度对网球发球的影响。Abdelkerim 等人（2007）展示了篮球运动员的计算机化时间运动分析，而 Chappell 等人（2005）则研究了在进行疲劳前和疲劳后练习的三个停跳任务中落地和跳跃动作中改变的运动控制策略。评估基于技能的收缩、适当的肌肉发力时间和关节定位等因素相对容易。值得注意的是，个人之间的动作执行和技能习得存在差异。在篮球罚球中，关节角度是足以将投篮分为不同类别的基本特征（Schmidt 等人，2012；Ge，2024；Zhang & Chen，2024）。疲劳是人类活动的自然结果，会影响运动员在训练和比赛期间的认知和学习能力。虽然大多数研究认为疲劳是影响表现的一个关键因素（Forestier & Nougier，1998；Apriantono 等人，2006），但一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010；Rusdiana 等人，2019；Li，2021；Bourdas 等人，2024）。例如，Uygur 等人（2010）基于统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024）则专注于疲劳对三分跳投的影响。Li 等人（2021）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中尚未发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同数据源或机器学习技术在结构分析和语义提取中的作用。这项研究是首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析
低能量可用性替代指标与男性运动员运动结果中的相对能量缺乏有关
摘要 目的 确定青少年和青年男性运动员临床样本中低能量可用性 (EA) 替代指标与运动相对能量缺乏 (RED) 的预期健康和表现结果之间的关联。方法 邀请到两家三级医疗中心的运动医学诊所就诊的 15-30 岁男性运动员完成一份关于运动员健康和福祉的调查。根据调查回复，将参与者分为低 EA 组和充足 EA 组。使用 χ2 检验评估低 EA 和 RED 结果之间的关联，并使用二项逻辑回归计算 OR（显著性：p<0.05）。结果 低 EA 与自我报告的免疫、代谢、心理、心血管和胃肠道功能障碍的频率增加有关；耐力表现、训练反应、判断、协调和肌肉力量下降；以及易怒和抑郁增加。与 EA 充足的运动员相比，EA 较低的运动员更有可能出现自我报告的心血管功能障碍（OR 2.87，95% CI 1.56 至 5.26）和心理疾病（OR 3.23，95% CI 1.91 至 5.41），训练反应下降（OR 2.64，95% CI 1.38 至 5.03）和耐力表现下降（OR 2.26，95% CI 1.13 至 4.52），并且不太可能出现自我报告的性腺功能障碍（OR 0.49，95% CI 0.30 至 0.81）（p<0.05）。结论 低 EA 替代指标与男性运动员 RED 的许多不良健康结果和表现影响有关。需要对男性进行更多的前瞻性 RED 研究，以改进年轻男性运动员 RED 筛查的各个方面。
出生于心房，相对的腹部器官...
她的脖子和风管的前部插入管子，形成了一条呼吸道以帮助呼吸。当Assyifa'在2022年满2岁时，她进行了双开关操作，这是两个过程的过程，其中室和大动脉都被切换。手术由NUHCS司法诊所心脏手术部门负责人Kiraly教授领导，花了10多个小时以上。在第一个过程中，外科医生通过进行心房开关来纠正心脏的血液流动。该过程重塑了上腔的一部分，以帮助将贫血的血液引导到肺部，并像普通的心脏一样，将富含氧气的血液引向身体的其余部分。在下一个过程中，外科医生切换了大动脉的位置 - 主动脉和肺动脉。这涉及将主动脉与左心室和肺动脉重新连接到右心室，从而恢复正常的血液流向身体和肺部。由于阿西法（Assyifa）缺乏肺动脉，使用阀门的导管进行手术。助理教授Chen Ching套件是NUH的Khoo Teck Puat（Nuthersity Childris Medical Institute of Khoo Teck Puat）的小儿心脏病学高级顾问，他说，在过去的10年中，在新加坡进行的双开关操作少于10例。根据基拉利教授的说法，阿西法（Assyifa）是新加坡最年轻，最小的患者，可以接受该程序。为手术做准备，由于其心脏状况的复杂性而进行了广泛的计划，专门的调查和高级调查。NUHCS小儿心脏手术师委托人Senthil Kumar Subbian博士说，手术本身非常复杂，要求对Assyifa的心脏解剖结构进行准确而彻底的了解。“此过程中不可能有不确定性的余地，这就是为什么我们创建了3D打印模型的型号。
在临床测试的溶瘤腺腺免疫疗法中，T细胞参与者的附加表达重定向肿瘤浸润，无关紧要的T细胞与癌细胞相对于癌细胞，以增强抗肿瘤免疫力
抽象的背景肿瘤腺病毒（OADS）是实体瘤的临床测试最多的病毒载体。然而，大多数临床测试的“武装” OADS在各种实体瘤患者中的抗肿瘤作用有限，即使剂量增加和多次注射。我们开发了一种二元溶瘤/辅助辅助腺病毒系统（CADVEC），其中肿瘤与OAD和非重复辅助辅助辅助辅助AD（HDAD）共同感染。我们最近证明，表达白介素12的单一低剂量CADVEC，编程的死亡配体1个阻滞剂和HSV胸苷激酶安全开关（CADTRIO）会诱导患者的显着抗肿瘤作用，包括完全反应。与以前的OAD研究类似，所有患者在治疗后主要放大AD特异性T细胞，但是，CadVec即使以低剂量下的100倍，CADVEC仍然能够诱导临床反应。解决了患者中介导的抗肿瘤效应机制的方法，我们使用酶联的免疫吸附物点（ELISPOT）分析了患者样品，以测量T-Cell特异性和定量聚合酶链链反应（QPCR），以测量CADVEC病毒基因组拷贝在Tumor的位置。然后，我们使用活细胞成像评估了体外CADVEC功效的潜在机制。基于这些结果，我们开发了一种新的CADVEC，另外表达了针对CD44V6的T细胞参与者分子，以重定向与癌症干细胞群体（CADTETRA）相关的肿瘤无关的T细胞，以进一步改善局部CADVEC治疗。我们在体外和体内测试了其对不同癌症类型的功效，包括AD预免疫的人源化小鼠。结果我们发现，HDAD感染的细胞通过免疫调节转基因逃脱了具有增强肿瘤特异性T细胞活性的AD特异性T细胞识别。由于CADVEC治疗最初在患者中扩增了AD特异性T细胞，因此我们通过表达CD44V6。从CADTETRA咬合，将这些病毒特异性T细胞重新指导为靶向肿瘤细胞。cadtetra显着控制了肿瘤的生长，在免疫学上“热”和“冷”肿瘤中针对癌细胞的局部和全身反应
相似性量化的相对差异学习改善了分子活性预测
低温电子断层扫描（Cryo-ET）是一种生产细胞环境的高度脱尾3D图像（称为断层图）的技术。Cryo-Et通常是唯一可以在其天然环境中实现蛋白质和细胞结构几乎原子分辨率的技术。针对蛋白质结构确定的低温 - 肛门肛门技术的基本步骤是找到pogractions中感兴趣的蛋白质的所有实例，这是一种称为粒子拾取的任务。由于信噪比较低，靶蛋白的伪像的存在和巨大的多样性，颗粒拾取是一个具有挑战性的3D对象检测问题。现有的粒子采摘方法要么慢，要么仅限于选择一些感兴趣的小部分，这需要大量注释且难以获得训练数据集。在这项工作中，我们提出了Propicker，这是一种快速和通用的粒子采摘器，可以检测到训练集中包含的颗粒，并且可以在几分钟内处理断层图。我们的迅速设计允许根据输入提示选择性地检测体积中的特定蛋白质。我们的经验表明，培养基可以与最先进的通用拾取器达到相同的性能，同时更快地达到数量级。
<授予与2023年知识生成和fo 行动相对应的援助。
<在国家计划的框架内，授予了与2023年知识生成项目和培训与这些项目相关的培训人员的培训的援助命令，以促进科学技术研究及其转移，《国家科学，技术和创新研究计划》 2021-2023。 div>在10月27日的CIN/1025/2022命令中，授予与国家科学和技术研究与创新计划的几个计划和子计划相对应的公共援助基础，其管理层获得了批准，其管理层与国家研究机构相对应。 div>在这些监管基础的应用中，按照2023年12月27日的命令，早期的处理呼叫获得了2023年的批准，该程序是为“知识生成项目”授予援助的程序，以及培训与该项目相关项目的培训的行动，在框架内2021-2023。 div>（国家数据库的补贴标识符：732796；摘录在2023年12月30日的“官方国家公报”中发表）。 div>符合上述法规基础命令的第20和第21条的规定，以及召集命令的第20和第22条，根据档案和申请委员会的报告，供应委员会的报告，并于7月22日被任命为第2024年的第2024号提案，该委员会在第2024年提出了24号诉讼。 div>一旦听众的过程和事先接受了有关方面，就解决了：一方面，授予附件I和II与附件I和II相关的项目的帮助，另一方面是对培训与附件III相关的上述项目相关的培训预算应用程序的培训的行动的帮助07-28-82103, 07-28-463B-82115, 28-07-463B-83116, 28-303-000X-711, 28-303-000X-713, 28-303-000X-715, 28-303-000X- 717, 28-303-000X-730, 28-303-463B-740, 28-303-463B-750，28-303-463B-760，28-303-463B-780，根据受益人的性质和援助的类型，或在随后的预算练习中取代他们的类型，随后的预算练习，并具有654,326,88888888887.8887.887.887.887.887.887.887.887.8887.887.887.8887.8887.887.8887.8887.8887.8887.8887.8887 euros;
b'摘要\xe2\x80\x94准确估计充电状态 (SOC) 对于储能应用中电池管理系统 (BMS) 的有效和相对运行至关重要。本文提出了一种结合卷积神经网络 (CNN)、门控循环单元 (GRU) 和时间卷积网络 (TCN) 的新型混合深度学习模型，该模型结合了 RNN 模型特征和电压、电流和温度等非线性特征的时间依赖性，以与 SOC 建立关系。时间依赖性和监测信号之间的复杂关系源自磷酸铁锂 (LiFePO4) 电池的 DL 方法。所提出的模型利用 CNN 的特征提取能力、GRU 的时间动态建模和 TCN 序列预测强度的长期有效记忆能力来提高 SOC 估计的准确性和鲁棒性。我们使用来自 In\xef\xac\x82ux DB 的 LiFePO4 数据进行了实验，经过处理，并以 80:20 的比例用于模型的训练和验证。此外，我们将我们的模型的性能与 LSTM、CNN-LSTM、GRU、CNN-GRU 和 CNN-GRU-LSTM 的性能进行了比较。实验结果表明，我们提出的 CNN-GRU-TCN 混合模型在 LiFePO4 电池的 SOC 估计方面优于其他模型。'
b'摘要\xe2\x80\x94准确估计充电状态 (SOC) 对于储能应用中电池管理系统 (BMS) 的有效和相对运行至关重要。本文提出了一种结合卷积神经网络 (CNN)、门控循环单元 (GRU) 和时间卷积网络 (TCN) 的新型混合深度学习模型，该模型结合了 RNN 模型特征和电压、电流和温度等非线性特征的时间依赖性，以与 SOC 建立关系。时间依赖性和监测信号之间的复杂关系源自磷酸铁锂 (LiFePO4) 电池的 DL 方法。所提出的模型利用 CNN 的特征提取能力、GRU 的时间动态建模和 TCN 序列预测强度的长期有效记忆能力来提高 SOC 估计的准确性和鲁棒性。我们使用来自 In\xef\xac\x82ux DB 的 LiFePO4 数据进行了实验，经过处理，并以 80:20 的比例用于模型的训练和验证。此外，我们将我们的模型的性能与 LSTM、CNN-LSTM、GRU、CNN-GRU 和 CNN-GRU-LSTM 的性能进行了比较。实验结果表明，我们提出的 CNN-GRU-TCN 混合模型在 LiFePO4 电池的 SOC 估计方面优于其他模型。'
国际相对论量子信息学会
理事会2025年1月，美洲伊万·阿古罗（Ivan Agullo）（路易斯安那州立大学）Miles Blencowe（Dartmouth）Doreen Fraser（滑铁卢大学）EduardoMartín-Martínez（滑铁卢）亚洲 - 太平洋大学Nicholas Funai（RMIT Melbourne）Kinjalk lochan（ierband）是Anastopoulos（Patras of Patras）Fabio Costa（诺迪塔，斯德哥尔摩大学，KTH皇家技术研究所）Flavia Giacomini（EthZürich）RalfSchützhold（Helmholtz-Zentrum dresden Rossendorf） E（美国），EduardoMartín-Martínez（加拿大）2023-2024：Flaminia Giacomini（加拿大）2019-2024：Achim Kempf（加拿大）2016-2020：MartínMartínigniz（MartínMartínez（加拿大）（加拿大（加拿大）2011-2016：Juan Pablo Paz（阿根廷）2011- 2011年 - 亚洲福柯（加拿大） - 太平洋2025-ongoing：Nicholas Funai（澳大利亚），Kinjalk Lochan（印度）澳大利亚）（2016）2022：戴维·阿恩（韩国），尼克·梅尼科奇（澳大利亚）2014-2017：Masahiro Hotta（日本），Choo-hiap OH（新加坡），马特·维瑟（新西兰），2011- 2016年，2011- 2016年：Shih-Yuin Lin（Taiwan），Timothy Ralph（Timothy Ralph）（澳大利亚），Daniel Triel TRIER TRIEN LIANE，2013年13年，
国际相对论学会章程...
具有 RQI 科学贡献记录的科学家（通常通过在知名科学期刊上发表文章来证明）有资格成为会员。在 RQI 进行高级研究的初级科学家也有资格成为会员，但需提供研究证据。会员申请通过协会网站提交给会员官：http://www.isrqi.net/ 申请应包括 RQI 科学贡献或高级研究的证据。对于初级申请人，申请可以附上更资深的科学家的推荐信，直接发送给会员官。会员官的不利决定可以向联合主席提出上诉。