XiaoMi-AI文件搜索系统
World File Search System自回归
基于统计特征和自回归模型的癫痫发作的分类和检测
癫痫的诊断和治疗在很大程度上取决于脑电信号样本中癫痫发作的鉴定。本文主要集中于鉴定癫痫发作和基于EEG信号的分类，该特征的三个重要统计特征优先考虑EEG信号的非平稳特征，即复杂性，能量波动和自回旋模型，以表示独特的癫痫发作模式。测量复杂性的样品熵（SE）的三个特征，一种平均Teager Energy（MTE）之一，它测量了与癫痫发作相关的暂时性能量波动，而四种自回归（AR）建模技术提出了一种新颖的癫痫发作方法。基于线性相关性，AR模型用于表示独特的癫痫发作模式。为了训练AR模型，将信号分为图像前（塞氏症前）和间歇性（非西部）段。在检测阶段，通过滑动窗口计算了EEG信号的MTE和SE特征样本，并利用AR模型预测以下样品。本文表明，MTE，SE和AR模型共同产生了有希望的癫痫发作结果。这种方法在识别癫痫发作和非塞亚零件方面的敏感性和特异性优于现有方法。所提出的方法有可能用于实时癫痫发作检测应用，从而促进癫痫患者的及时诊断和治疗。
使用自回归语言模型设计现实的监管DNA
顺式调节元件（CRE），例如启动子和增强子，是调节基因表达的DNA序列。CRE的活性受到序列基序的顺序，组成和间距的影响，这些序列基序被称为转录因子（TFS）结合的序列基序。合成CRE具有特定特性。在这里，我们提出了Reglm，这是一个设计具有所需属性的合成CRE的框架，例如高，低或细胞类型 - 特定活动，并使用自回归语言模型与有监督的序列到功能模型结合。我们使用框架设计合成酵母启动子和细胞类型 - 特定的人类增强剂。我们证明，我们方法产生的合成CRE不仅被预测具有所需的功能，而且还包含类似于实验验证的CRE的生物学特征。reglm因此促进了现实的调节DNA元素的设计，同时提供了对顺式调节代码的见解。
使用自回归长期短期记忆模型预测气候变化
肌萎缩性侧性硬化症（ALS）和额颞痴呆（FTD）是使神经退行性疾病具有衰弱的神经退行性疾病，具有共同的病理特征，例如43 kDa（TDP-43）夹杂物的交易反应DNA结合蛋白和遗传突变。两种疾病都涉及突触功能障碍，促进其临床特征。突触生物标志物，代表与突触功能或结构相关的蛋白质，对疾病机制，进展和治疗反应的见解。这些生物标志物可以尽早检测疾病，跟踪其进展并评估治疗效果。ALS的特征是脑脊液（CSF）中的神经纤维纤维轻链（NFL）水平升高，血液与疾病进展相关。TDP-43是另一个关键的ALS生物标志物，其错误定位与突触功能障碍有关。在FTD中，TDP-43和Tau蛋白作为生物标志物进行了研究。神经元五肽（NPS）等突触生物标志物，包括神经元五肽2（NPTX2）和神经元五肽受体（NPTXR），对FTD病理学和认知能力下降的见解。高级技术，例如机器学习（ML）和人工智能（AI），AID生物标志物发现和药物开发。这项研究中的挑战包括检测技术的局限性，患者的变异性以及转化动物模型的发现。ML/AI可以通过分析复杂数据并预测疾病预后来加速发现。突触生物标志物是早期疾病检测，个性化治疗策略以及对疾病机制的见解。虽然挑战持续存在，但技术进步和跨学科的效果承诺将彻底改变对ALS和FTD的理解和管理。本综述将探讨ALS和FTD中突触生物标志物的当前理解，并讨论其重要性并强调前景和障碍。
reglm：使用自回归语言模型设计现实的监管DNA
给定带有测量活性标记的DNA序列的数据集（图1a），我们以一系列分类令牌（“提示令牌”）的序列编码标签，该标记已预先固定到DNA序列的开始（图1b）。我们训练或填充hyenadna模型以采用处理后的序列并以及时令牌开始执行令牌预测（图1C）。这种形式使我们能够明确地使用对模型序列的任何先验知识。一旦受过训练，就可以使用代表任何所需功能的令牌序列来提示语言模型。该模型现在以及时令牌为条件，一次生成一个DNA序列一个核苷酸（图1d）。并行，我们在同一数据集上训练一个监督的序列到活动回归模型（图1E），并将其应用于生成的序列以选择最匹配所需活动的序列（图1F）。这种合并的方法使我们可以将回归模型用作甲骨文，例如以前的模型引导的方法，而语言模型可确保生成的序列具有现实的内容。最后，我们提供了几种评估生成序列以及模型本身的方法（图1G）。
reglm：使用自回归语言模型设计现实的监管DNA
发现自由糖化胺和糖化尿素是糖尿病性肾病的潜在标志物Rashdajabeen Q Shaikh Q Shaikh 1,2＃，Sancharini das 1＃Fernandes 2,3，Shalbha Tiwari 4，Shalbha Tiwari 4，Unikrishnan Ag 4，Unikrishnan Ag 4，Mahesh Jkulkar J Kulkar 1,2 * sci affliations 1,2 * sci affliations 1 Bio Cai affliations 1 Bio affliations 1 Bio affliations 1 Bio affliations 1 Bio affliations 1 Bio affliations 1 bio CSIR-National Chemical Laboratory，Pune-411008，印度2号科学与创新性研究学院（ACSIR），加兹阿巴德，印度201002年Ghaziabad，印度3号，CSIR-National Chemical Laboratory 3有机化学部，Pune-411008，印度411008，印度411008
马达加斯加可再生能源消费的宏观经济决定因素：来自自回归分布滞后建模方法的证据
我们使用 1990 年至 2021 年的年度数据和 ARDL 边界测试方法，研究了马达加斯加可再生能源消费的宏观经济决定因素。我们的结果表明，从长远来看，国内投资、金融发展、贸易开放和外国直接投资对可再生能源消费具有重大的积极影响。相反，经济增长、工业发展、收入分配和碳排放的增加会导致可再生能源消费减少。因此，为了实现到 2030 年实现 85% 的能源来自可再生能源的雄心勃勃的目标，政府必须仔细监测并持续分析这些相互关联的宏观经济因素。这将使政策和干预措施得到有效调整，为成功过渡到清洁和可再生能源铺平道路。
i-Code V2：关于视觉，语言和语音数据的自回归生成框架
文本，视觉和音频数据的收敛性对类人类的人工智力至关重要，但是当前的视觉语言语音格局由缺乏生成能力的模型主导。我们建议使用I-Code V2缩小这一差距，这是第一个能够从视觉，语言和语音数据组合中产生自然语言的模型。i-code v2利用最新的单模式编码器，将其输出与新的模态式编码器相结合，以将模态组合投影到共享的表示空间中。语言令牌是通过自回归解码器从这些表示形式生成的。i-code v2是在大量的双模式数据集中经过预先训练的端到端，具有新的文本完成目标，可以跨越模态的任意组合。i-code V2匹配或匹配7个多模式任务上的最先进的单模式基准和双模式基准，这表明了在多种任务和信号上的生成多模式预处理的力量。
研究论文基于经验模态分解和自回归模型的脑电图视觉意象识别
脑机接口 (BCI) 的传统想象任务包括运动想象 (MI)，即指示受试者想象移动身体的某些部位。这种想象任务对受试者来说很难。在本研究中，我们使用了一种研究较少但更容易执行的心理想象类型——视觉想象 (VI)，即指示受试者在大脑中可视化一幅图片以实现 BCI。在本研究中，招募了 18 名受试者并指示他们观察两张视觉提示图片中的一张（一张是静态的，另一张是移动的），然后在每次试验中想象提示的图片。同时，收集脑电图 (EEG) 信号。希尔伯特-黄变换 (HHT)、自回归 (AR) 模型以及经验模态分解 (EMD) 与 AR 的组合分别用于提取特征。支持向量机 (SVM) 用于对两类 VI 任务进行分类。 HHT 的平均、最高和最低分类准确率分别为 68.14 ± 3.06%、78.33% 和 53.3%。AR 模型的 Te 值分别为 56.29 ± 2.73%、71.67% 和 30%。EMD 和 AR 模型组合获得的 Te 值分别为 78.40 ± 2.07%、87% 和 48.33%。结果表明，基于 EEG 可分离多个 VI 任务，并且用于 VI 特征提取的 EMD 和 AR 模型的组合优于单独的 HHT 或 AR 模型。我们的工作可以为构建新的在线 VI-BCI 提供思路。
采用非线性自回归外生模型的可穿戴 sEMG 传感器多自由度假手指关节控制器
摘要：手臂、手和指尖的活动功能和感觉信息的丧失妨碍了患者的日常生活活动 (ADL)。现代仿生假手可以弥补失去的功能并实现多自由度 (DoF) 运动。然而，由于传感器有限和缺乏稳定的分类算法，市售的假手通常具有有限的自由度。本研究旨在提出一种通过表面肌电图 (sEMG) 估计手指关节角度的控制器。用于训练的 sEMG 数据是使用商用 EMG 传感器 Myo 臂带收集的。提取时域中的两个特征并将其输入到具有外生输入的非线性自回归模型 (NARX) 中。使用 Levenberg-Marquardt 算法对 NARX 模型进行预选参数训练。与目标相比，模型输出的回归相关系数 (R) 在所有测试对象中均大于 0.982，信号范围为 [0, 255] 的任意单位时均方误差小于 10.02。研究还表明，所提出的模型可用于日常生活运动，具有良好的准确性和泛化能力。