XiaoMi-AI文件搜索系统
World File Search System计算机辅助
增强人类计算机互动：辅助虚拟键盘技术的全面分析
在辅助技术领域，已经取得了重大进步，以促进具有物理障碍与信息技术的人的相互作用。本研究对用于远程计算机交互和文本输入开发的最新方法进行了全面分析，主要关注残疾人。重点是编译和比较各种算法，这些算法有助于紧凑，适应性和优化的虚拟键盘的设计。通过细致的研究，已经观察到，适应性的键盘设计在满足用户的各种需求方面表现出了较高的有效性。探索扩展到计算机视觉和人类计算机互动的领域，突出了它们在辅助虚拟键盘技术发展中的关键作用。虚拟键盘被认为是一种主要的计算机输入方法，已经发生了重大演变，尤其是在促进免提文本输入方面。这种进化主要归因于各种眼神追踪方法的开发和应用。本文结束了关于该领域未来研究的潜在方向的有见地的论述。该研究的发现强调了这些技术在增强身体残障人士的沟通和访问数字平台方面的变革性影响。
探索计算机视觉在残障人士辅助技术中的应用：综述
残疾人面临的各种障碍，如视力障碍、运动障碍和沟通困难，都显示出计算机视觉可以解决的巨大潜力。本报告研究了基于计算机视觉的辅助技术的最新进展以及未来的主要研究主题和障碍。特别是，本研究探讨了如何将计算机视觉用于物体识别、导航、面部识别、手语解释和基于手势的控制界面。它还讨论了各种方法和技术的优缺点，并提供了如何将计算机视觉融入当前辅助技术以提高其功效的示例。本研究涵盖了辅助技术中使用计算机视觉的道德和隐私问题。本研究还强调了协议标准化、更好的以用户为中心的设计和对现实世界有效性的评估的必要性，这是未来改善计算机视觉在辅助技术中的使用的研究目标。总的来说，本文阐明了计算机视觉如何彻底改变残疾人辅助技术的世界。
第 21 章 计算机辅助预测药代动力学 (ADMET) 特性
ADMET 预测技术的发展始于 1863 年，当时它关注的是传统的药物溶解度对毒性影响的测定。后来，人们开始更加关注 ADMET 的研究，首先通过测量药物的水溶性以及体外测试（ Dearden，2007 ）。成功的药物开发除了良好的疗效外，还必须具有良好的 ADMET 特性。新技术在药物 ADMET 特性预测中的应用将药物开发操作提升到了一个更高的水平。在过去的几十年里，计算机预测技术已被证明可以与体内和体外测试一起应用于药物发现和开发方法（ Moroy 等，2012 ）。计算机技术已经被引入到药物开发和发现领域，作为一种在早期阶段预测药物 ADME 特性的工具（ Boobis 等，2002 ）。
用于计算机辅助骨质疏松疾病检测的骨密度测定数据集
最近，基于医学图像的自动疾病诊断已成为数字病理包的组成部分。要创建，开发，评估和比较这些系统，我们需要各种数据集。诊断骨疾病的关键特征之一是测量骨矿物质密度（BMD）。该领域的大多数研究都使用手动方法直接提取骨骼图像特征，尽管患病和健康骨骼之间存在潜在的相关性，这解释了有限的结果。检测骨矿物质密度（BMD）的显着变化取决于微创双能X射线吸收仪（DXA）扫描仪。本文介绍了骨密度测试结果的集合以及称为ARAK骨密度测定中心数据的患者剖面。患者的轮廓包括有关患者的身高和体重以及成像区域的照片。这些患者的数量为3,643，旁边存储了约4,020张照片。可用于开发自动疾病诊断方法和软件。
计算机 计算机的特点 计算机的局限性 ...
9. 在电脑前工作时间过长会导致用户背痛、神经损伤等。 10. 通过自动化任务，失业率正在以非常快的速度增长。 计算机的演变/世代。 除此之外，请参阅 Sinha 的书，即详细信息。 这些不是来自 P.K.Sinha 的书。 第一代 1942-1954 1. 这一代的计算机使用真空管或真空管作为其基本电子元件。 2. 它们比早期的机械设备更快。 3. 这些计算机体积非常大，而且非常昂贵。 缺点 1. 它们消耗太多电量，产生太多热量，即使使用很短的时间也是如此。 2. 它们非常不可靠，经常发生故障。 3. 它们需要定期维护。它们的组件是手工组装的。 4. 需要大空调。 示例：I. 第一台计算机是 ENIAC（电子数字积分器和计算器），它是第一台使用真空管的电子计算机。
迈向阿尔茨海默病转化的多模式计算机辅助诊断工具
阿尔茨海默病 (AD) 是一种渐进性神经退行性疾病。它是老年人群发病和死亡的主要原因之一。AD 的主要症状包括记忆和执行功能障碍，这会极大地改变患者执行日常生活活动的能力。轻度认知障碍 (MCI) 患者表现出 AD 患者的许多早期临床症状，并且在其一生中很有可能转变为 AD。诊断标准依赖于临床评估和脑磁共振成像 (MRI)。许多团体正在努力帮助自动化此过程以改善临床工作流程。当前的计算方法侧重于预测 MCI 患者将来是否会转变为 AD。据我们所知，人们对开发能够为纵向跟踪的 MCI 患者队列提供 AD 转换诊断的自动化计算机辅助诊断 (CAD) 系统的关注有限。这很重要，因为这些 CAD 系统可以被初级保健提供者用来监测 MCI 患者。本文概述的方法解决了这一差距，并提出了一种计算效率高的预处理和预测流程，旨在识别与 AD 转换相关的模式。我们提出了一种新方法，利用可以在临床环境中轻松获取的纵向数据（例如 T1 加权磁共振图像、认知测试和人口统计信息）来识别 MCI 受试者的 AD 转换点，AUC = 84.7。相比之下，仅认知测试和人口统计就实现了 AUC = 80.6，这是一个具有统计学意义的差异（n = 669，p < 0.05）。我们设计了一个计算效率高的卷积神经网络，只需要在成像时间点之间进行线性配准。该模型架构结合了 Attention 和 Inception 架构，同时利用了横截面和纵向成像和临床信息。此外，还研究了驱动模型决策的顶级大脑区域和临床特征。这些包括丘脑、尾状核、颞平面和雷伊听觉言语学习测试。我们相信，我们的方法可以轻松地转化为医疗保健环境，作为 MCI 患者的客观 AD 诊断工具。
机器学习简介 - 普渡大学计算机科学CS592：2025年春季的社会辅助代理商
交互式AI代理（例如聊天机器人，虚拟化身和机器人）正在进入我们的世界，并且已经在我们的日常生活中与这些代理商进行了互动。让AI代理执行各种支持任务，并与人类环境（例如房屋，学校和医院）和谐共存，需要设计和开发它们以自然和直观的方式与人们进行交往。人类互动的领域是高度跨学科的，结合了人类计算机/AI相互作用，人工智能/机器学习，心理学，沟通，认知科学和以人为本的设计中的方法和技术。本课程将为开发社会助理的代理人（即使用社交互动来支持和协助人们的互动AI代理人）提供相关领域。学生将阅读古典和最先进的研究论文，并以理论的基础和社会辅助代理人（SAA）（SAA）的方式进行讨论，并在SaaS的发展过程中获得实践实践经验。在整个学期的过程中，学生将分组工作，并将完成一个解决与SAA相关的研究问题的课程项目。
评论文章 计算机辅助药物设计 (CADD) 的大数据和人工智能 (AI) 方法
计算机辅助药物设计 (CADD) 的计算和统计方法以及大数据和人工智能 (AI) 技术的应用取得了许多进展。考虑到疾病的生物复杂性，药物设计是一个昂贵且费力的过程。为了有效和高效地设计和开发新药，可以使用 CADD 将尖端技术应用于药物设计领域的各种限制。介绍了数据预处理方法，该方法可以清理原始数据，以实现大数据和 AI 方法的一致和可重复的应用。我们介绍了大数据和人工智能方法在药物设计领域的适用性现状，例如靶蛋白结合位点的识别、基于结构的虚拟筛选（SBVS）以及吸收、分布、代谢、排泄和毒性（ADMET）特性预测。大数据和人工智能方法的数据预处理和应用使得准确、全面地分析海量生物医学数据以及开发药物设计领域的预测模型成为可能。了解和分析与药物设计相关的生物医学实体的生物、化学或药物结构将为生物医学大数据时代提供有益的信息。
基于人工智能的计算机辅助检测和诊断在儿科放射学中的诊断性能：系统评价
摘要：基于人工智能 (AI) 的计算机辅助检测和诊断 (CAD) 是放射学的一个重要研究领域。然而，目前只有两篇关于人工智能在儿科放射学中的一般用途和基于人工智能的 CAD 在儿科胸部成像中的叙述性评论发表。本系统综述的目的是研究基于人工智能的 CAD 在儿科放射学中的应用、其诊断性能及其性能评估方法。2023 年 1 月 11 日使用电子数据库进行了文献检索。纳入了 23 篇符合选择标准的文章。本综述表明，基于人工智能的 CAD 可应用于儿科脑、呼吸、肌肉骨骼、泌尿和心脏成像，尤其是用于肺炎检测。大多数研究（93.3%，14/15；77.8%，14/18；73.3%，11/15；80.0%，8/10；66.6%，2/3；84.2%，16/19；80.0%，8/10）报告的模型性能至少为 0.83（受试者工作特征曲线下面积）、0.84（敏感性）、0.80（特异性）、0.89（阳性预测值）、0.63（阴性预测值）、0.87（准确度）和 0.82（F1 分数）。然而，纳入的研究发现了一系列方法论缺陷（尤其是缺乏模型外部验证）。未来应开展更多基于 AI 的儿科放射学 CAD 研究，并采用完善的方法，以说服临床中心采用 CAD，并在更广泛的背景下实现其好处。
纸笔写作模式与计算机辅助写作模式作为任务复杂性的新维度
摘要：在本文中，我们提出将写作方式（纸笔写作与计算机写作）概念化为认知任务复杂性因素。为了为这一理论提出奠定基础，我们首先回顾了先前基于认知任务的模型对第二语言（L2）写作的改编。然后，我们比较了纸笔写作和计算机写作方式的一般特征，概述了将学习和表现相关的重要性归因于写作方式的多学科理论模型的主要原则，并回顾了现有的实证证据。由此，我们得出理论和实证依据，将写作方式概念化为任务复杂性维度。在概述我们的概念观点之后，我们继续回顾可用于独立评估纸质和计算机书写的 L2 任务中的认知负荷的方法。在结论中，我们提供了对未来研究的启示和建议。