XiaoMi-AI文件搜索系统
World File Search System识别率
微生物
摘要：非结核分枝杆菌（NTM）识别对于建立分离株的相关性和适当的抗菌治疗至关重要。传统上，NTM识别是通过使用线探针测定（LPA）进行的，这是一种昂贵且耗时的技术，需要训练有素的人员。maldi-tof MS是NTM识别的有前途的工具，其使用正在迅速增长。我们使用LPA结果评估了NTM MALDI-TOF MS鉴定，评估了新引入的MBT MYCOBACTERIA试剂盒（MBT）和Mycoex Prepaparation方案（Bruker Daltonics，Germany，德国），以参考为参考。在7H11琼脂上生长的五十个NTM和MGIT肉汤使用Bruker Micro-flip®LtMaldi-Tof MS（Bruker Daltonics）仪器分析了两种方案。MBT和Mycoex分别提供了97.0％和95.0％的病例识别结果。使用这两个协议，提供的结果的100％与LPA一致，没有注册不匹配。与Mycoex相比，MBT的高度可能识别率（88.0％比83.0％）和更高的可重复性率（86.6％对75.8％）相比，MBT的数量升高。本研究提供了有关液体和固体培养基的MBT性能的结果，从而强调了不同条件下的优势和劣势。我们的结果表明，MALDI-TOF MS可以为及时和节省成本的NTM识别提供巨大的优势，并可能对患者结局产生影响。
混合人机界面，用于步态通过EEG和EMG分类器的贝叶斯融合
尽管大脑计算机界面（BCI）领域的进步，但由于其不可靠，目前使用唯一的脑电图（EEG）信号来控制步行康复设备的临床环境中目前不可行。混合界面（HHMIS）代表了提高单信号方法性能的最新解决方案。这些是结合多个人机界面的分类方法，通常包括至少一个BCI与其他生物信号，例如肌电图（EMG）。但是，它们用于解码步态活动的使用仍然有限。在这项工作中，我们提出和评估了混合人机界面（HHMI），以从EEG和EMG信号的贝叶斯融合中解释双腿的步行阶段。即使在暂时或永久（例如弱点）暂时损害了肌肉活动的可靠性（例如疲劳）或永久性的（例如疲劳），即使肌肉活动的可靠性受到暂时损害（例如疲劳），也可以通过提供较高和稳定的性能来超过其单个信号对应。的确，杂种方法在临时EMG改变后显示了分类性能的平稳降解，而EMG分类器的精度为30％，其精度的75％以上，其性能降低了精度的60％。EEG和EMG信息的融合有助于在EMG降解的永久性水平下独立地对每个步态阶段保持稳定的识别率。根据我们的研究和文献发现，我们建议使用混合界面的使用可能是增强技术在临床应用和实验室环境外恢复或协助更广泛患者人群的技术的可用性的关键。
比较DNA萃取方法用于检测罐头金枪鱼种类的DNA迷你 - 巴尔编码
金枪鱼因其高需求，快速生产率和广泛的价格点而容易受到物种错误标签的影响。DNA条形码是一种基于测序的技术，可以通过靶向标准的DNA区域来检测物种错误标签。线粒体控制区域（CR）DNA条形码已被发现能够对金枪鱼进行物种歧视，但是从罐头金枪鱼中回收整个DNA碎片是一项挑战。虽然CR的短片段（称为“迷你 - 巴士”）显示出在罐装金枪鱼物种识别方面的成功，但需要更多的研究以提高识别率。这项研究的目标是确定使用CR Mini-Barcoding鉴定罐头金枪鱼的最佳DNA提取方法。使用标记为Albacore，Light Tuina，Skipjack或Yellowfn的24个不同的金枪鱼的样品组比较了四个商业DNA提取试剂盒。所有样品均以重复测试。使用Qiagen Dneasy血液和组织试剂盒和Qiagen Dneasy Mericon食品试剂盒发现了最大的成功，这导致了42％的样品鉴定物种。相比，MP生物医学fastPREP-24 + MACHERY-NAGEL NUCLOSPIN组织试剂盒导致了30％样品的物种识别，以及Qiagen Dneasy血液和组织 + PowerClean Pro Clearup Kit在物种鉴定中导致了21％的样品。总体而言，与CR小型金枪鱼产品一起使用的最佳表现DNA提取方法被确定为Dneasy血液和组织试剂盒和Dneasy Mericon食品套件。
路易斯安那州镰状细胞委员会立法报告
镰状细胞病 (SCD) 是一种遗传性疾病，其特征是红细胞中一种名为血红蛋白的蛋白质。红细胞负责将血液中的氧气输送到身体各组织。正常的红细胞含有血红蛋白 A，呈圆形。然而，血红蛋白 S 的存在会导致红细胞变成镰状，这种形状的变化会导致红细胞阻塞血管，阻碍氧气输送。其后果可能是剧烈疼痛（也称为镰状细胞危象），并可能导致脑、肝、肾、骨骼和脾脏的永久性损伤。因此，SCD 患者感染、中风、心脏病和肾衰竭的风险增加。此外，SCD 的体征和症状因人而异，疼痛发作往往毫无征兆。症状的复杂性和多变性需要专业的临床指导和高级护理协调，包括咨询和教育。过去，SCD 被认为是“儿童疾病”，很少有患者能活到成年。 1 然而，医疗改革的努力已经大大提高了 SCD 的识别率，从而促进了治疗的进步，并在拥有适当资源的情况下显著提高了患者到 60 多岁的预期寿命。2 根据路易斯安那州新生儿筛查计划的数据，2023 财年有 73 名婴儿出生时患有血红蛋白疾病。其中，在此期间有 56 名新生儿被诊断出患有最严重的变异血红蛋白 S。此外，2023 财年有 2,385 名婴儿出生时为血红蛋白疾病携带者。大多数被确诊为携带者的婴儿（n=1,744）被诊断为镰状细胞 S 性状。其余被确诊为携带者的婴儿包括 527 名
基于机器学习的鉴定和抑郁症患者的糖尿病患者基于韩国国家健康和营养检查调查：横断面研究
糖尿病患者（DM）患有抑郁症的可能性是非糖尿病患者的两倍，这是一种普遍但通常未诊断的精神病合并症。DM抑郁症患者的血糖控制较差，生活质量较差，糖尿病并发症的风险增加以及死亡率更高。本研究旨在开发机器学习（ML）模型，以鉴定DM患者的抑郁症，通过评估多种ML算法来确定最佳性能模型，并研究与抑郁症有关的特征。我们开发了六个ML模型，包括随机森林，K-Neart邻居，支持向量机（SVM），自适应提升，轻度梯度增强机以及基于韩国国家健康和营养检查调查的极端梯度提升。结果表明，SVM模型的性能很好，在接收器操作特征曲线下的跨验证区域为0.835（95％置信区间[CI] = 0.730-0.901）。13个特征与DM患者的抑郁有关。置换特征的重要性表明，最重要的特征是主观健康状况，其次是一般压力意识的水平；压力识别率；平均每月收入；甘油三酸酯（mg/dl）水平；活动限制状态；欧洲生活质量（Euroqol）：过去1个月的病床通常活动和躺在病床中； EuroQol：过去2周内的疼痛 /不适，自我保健和身体不适；和Euroqol：流动性和咀嚼问题。目前的发现可能会使临床医生使用ML方法更好地了解DM与抑郁症之间的关系，并且可能是开发更具预测性模型的第一步，用于早期检测DM患者的抑郁症状。
一种新的位置隐私保护网格划分技术
攻击者可以掌握特定用户的辅助信息，并利用这些辅助信息来识别特定用户的位置。因此，针对长期统计攻击和区域攻击，本文提出了一种优化网格扩展算法的模型，并建议将缓存策略与多假名策略相结合。基于此思想，提出了一种GBGPPA。首先，用户根据隐私保护要求确定网格划分的程度，并将自己的位置投影到相应的网格上。利用遗传算法获取每个单元格的权重，对这些权重之和取平均得到阈值。其次，采用邻接网格扩展算法。该算法从第一个单元格开始，添加水平单元格的权重，然后程序判断当前权重值之和是否等于阈值。算法递归执行，直至遍历网格中的所有单元格。扩展的结果是每个单元格的权重基本相同。第三，利用缓存策略。协作小组成员可以将查询内容上传到云端，用户可以在云端信息中获得想要的查询结果。当用户在一定时间内连续发送LBS请求时，可以利用最后一次请求形成的匿名区域得到反馈信息。最后，为了掩盖用户与变化的位置信息之间的关联，采用假名策略。当用户进入匿名区域时，移动终端选择一个假名作为用户名，用户每次请求LBS时，从多个假名中选择一个作为当前用户名。通常攻击者不会将两个假名与同一个用户联系起来，该策略降低了攻击者对真实用户的识别率。
MES-CTNet：一种基于多域特征图的新型胶囊变压器网络，用于基于脑电图的情绪识别
摘要：由于脑电信号中蕴含了丰富的真实情绪数据，利用脑电信号进行情绪识别在人机交互领域引起了广泛关注。然而，传统的情绪识别方法在挖掘多域特征之间的联系和发挥其优势方面存在不足。在本文中，我们提出了一种基于多域特征的新型胶囊Transformer网络，用于基于EEG的情绪识别，称为MES-CTNet。该模型的核心由一个嵌入ECA（高效通道注意）和SE（挤压和激励）块的多通道胶囊神经网络（CapsNet）和一个基于Transformer的时间编码层组成。首先，结合多域特征的空频时间特性构建多域特征图作为模型的输入。然后，利用改进的CapsNet从多域特征图中提取局部情绪特征。最后利用基于Transformer的时间编码层全局感知连续时间片的情绪特征信息，得到最终的情绪状态。本文在DEAP和SEED两个不同情绪标签的标准数据集上进行了充分实验。在DEAP数据集上，MES-CTNet在情绪效价维度上取得了98.31%的平均准确率，在唤醒度维度上取得了98.28%的平均准确率；在SEED数据集上的跨会话任务上取得了94.91%的准确率，相比传统脑电情绪识别方法表现出了优异的性能。本文提出的MES-CTNet方法利用多域特征图，为基于脑电的情绪识别提供了更广阔的观察视角，显著提高了分类识别率，在脑电情绪识别领域具有重要的理论和实用价值。
对声音，图像和文本中识别多模式情绪方法的审查
收到：2023年9月18日；接受：2023年12月25日摘要通过听觉，视觉和文本提示识别多方面情绪的研究是一个快速发展的跨学科领域，涵盖了心理学，计算机科学和人工智能领域。本文研究了用于隔离和识别这些模式中复杂情绪状态的方法的范围，目的是描述进步并确定未来研究的领域。在声音领域中，我们探索了信号处理和机器学习技术的进展，从而有助于从人声弯曲和音乐安排中提取细微的情感指标。视觉情绪识别是通过面部识别算法，肢体语言分析以及上下文环境信息整合的有效性来评估的。使用自然语言处理技术检查基于文本的情感识别，以感知书面语言的情感和情感内涵。此外，本文考虑了这些不同情绪数据来源的融合，考虑了构建能够解释多模式输入的连贯模型时所面临的挑战。我们的方法涵盖了最近研究的荟萃分析，评估了各种方法的有效性和精度，并确定了常见的指标进行评估。结果表明，偏爱深度学习和混合模型，以利用多种分析技术的优势来提高识别率。然而，诸如情感的主观性质，表达中的文化差异以及广泛的注释数据集的必要性持续存在的挑战，这是重大障碍。总而言之，这篇综述倡导了更多细微的数据集，增强的跨学科合作以及一个道德框架来管理情绪识别技术的实施。这些技术的潜在应用是广泛的，从医疗保健到娱乐，并且需要一致的努力来完善和道德将情感识别纳入我们的数字互动中。关键字：多模式情绪，融合，机器学习，深度学习，回归，CNN，RNN。
不同噪音水平和照明水平对 Aerobots 多模态语音和视觉手势交互的影响
摘要：本文研究了不同噪声水平和不同照明水平对飞行机器人语音和手势控制命令界面的影响。目的是通过研究各个组件的局限性和使用可行性来确定语音和视觉手势多模态组合在人类有氧机器人交互中的实际适用性。为了确定这一点，分别使用 CMU（卡内基梅隆大学）sphinx 和 OpenCV（开源计算机视觉）库开发了一个自定义多模态语音和视觉手势界面。设计了一项实验研究来测量语音和手势两个主要组成部分各自的影响，并招募了 37 名参与者参与实验。环境噪声水平从 55 dB 到 85 dB 不等。环境照明水平从 10 勒克斯到 1400 勒克斯不等，在不同的照明色温混合下，黄色（3500 K）和白色（5500 K），以及用于捕捉手指手势的不同背景。实验结果包括大约 3108 个语音话语和 999 个手势质量观察，并进行了介绍和讨论。观察到语音识别准确率/成功率随着噪声水平的上升而下降，75 dB 噪声水平是航空机器人的实际应用极限，因为语音控制交互由于识别率低而变得非常不可靠。结论是，多词语音命令被认为比单词语音命令更可靠和有效。此外，由于其清晰度，一些语音命令词（例如，land）在较高噪声水平下比其他命令词（例如，hover）更耐噪。从手势照明实验的结果来看，照明条件和环境背景对手势识别质量的影响几乎微不足道，不到 0.5%。这意味着其他因素，例如手势捕获系统设计和技术（相机和计算机硬件）、捕获的手势类型（上身、全身、手、手指或面部手势）以及图像处理技术（手势分类算法），在开发成功的手势识别系统中更为重要。根据从这些发现得出的结论，提出了一些进一步的研究，包括使用替代的 ASR（自动语音识别）语音模型和开发更强大的手势识别算法。
确保关键救护车服务响应中的安全人工智能：研究方案
然而，有人担心在医疗保健领域采用人工智能技术可能会带来负面影响 (Coiera, 2018; Yu & Kohane, 2019)，因为很难预见人工智能的变革范围和广泛使用的影响，这可能会影响医疗保健的各个方面，包括生物医学科学和发展（例如疫苗）、医疗服务运行方式的基础业务流程的变化以及人们每天做出的与健康相关的决策 (Coiera, 2019)。表 1 总结了在医疗保健中使用人工智能的一些挑战 (Challen et al., 2019; Jeter et al., 2019; Ross & Spates, 2020; Saria et al., 2018)。许多关于医疗保健领域 AI 的研究重点是算法的性能，而不是使用 AI 的服务的安全性和保证（Sujan 等人，2019 年）。丹麦的一项回顾性研究评估了一种用于识别 OHCA 的 AI 系统。评估发现，与人类操作员相比，AI 系统的曲线下面积 (AUC) 性能明显更高，并且能够更快地识别 OHCA（Blomberg 等人，2019 年）。这些发现在随后的瑞典研究（Byrsell 等人，2021 年）中得到证实，该研究还研究了不同假阳性率阈值的使用。然而，丹麦最近的一项前瞻性研究发现，虽然人工智能决策支持系统在识别OHCA方面比人类操作员更好，但由人工智能支持的操作员的表现并没有显着提高（Blomberg 等人，2021 年）。该研究仅考虑了结果（就OHCA识别的准确性和及时性而言），并没有调查为什么联合系统的性能没有改善。造成这种情况的两个原因可能是 (1) 本研究中算法的假阳性率阈值太高，导致操作员对算法失去信心，以及 (2) 由于其高识别率，对丹麦 EMS 的识别受到天花板效应的影响。迫切需要进一步开展前瞻性研究，包括小规模评估研究，为临床试验中更昂贵、更严格的 AI 评估奠定基础 (Vasey 等人，2021)。在这项研究中，我们旨在构建一个用于识别 OHCA 的 AI 系统，作为救护车服务更广泛临床系统的一部分。该研究的目的有两个：（1）探索救护车服务利益相关者对呼叫中心 OHCA AI 决策支持安全性的看法，以及（2）为 OHCA AI 决策支持制定临床安全案例（Sujan 等人，2016 年）