XiaoMi-AI文件搜索系统
World File Search System路径长度
伴有认知障碍的慢性心力衰竭患者的大脑网络和连接发生改变
结果：与无CI组CHF患者相比，CI组CHF患者的全局效率、局部效率、聚类系数、小世界属性均降低，最短路径长度增加；与无CI组CHF患者相比，CI组CHF患者右侧梭状回（FFG.R）的节点度中心性以及左侧眶上额回（ORB sup. L）、左侧眶下额回（ORB inf. L）、右侧后扣带回（PCG.R）的节点效率均降低；CI组CHF患者特定区域纤维边缘数较少。 CHF合并CI患者的整体效率、局部效率、右侧眶上额回(ORB sup. R)至右侧眶中额回(ORB mid. R)的连接边与视空间/执行功能呈正相关，右侧眶上额回至右侧眶下额回的连接边(ORB inf. R)与注意/计算呈正相关。与无CI CHF患者相比，CI组CHF患者馈线连接和局部连接的连接强度明显降低，虽然合并CI组的CHF患者富棒连接强度与对照组相比有所降低，但无统计学差异。此外，在CHF合并CI患者中，富棒连接强度与蒙特利尔认知评估(MoCA)量表的方位感(方向力)有关，馈线和局部连接强度与MoCA量表的视空间/执行功能有关。
基于脑电信号功能连接和复杂性的新生儿缺氧缺血性脑病婴儿认知结果预测
新生儿缺氧缺血性脑病后神经发育受损，尤其是认知障碍，是家长、临床医生和社会关注的一大问题。本研究旨在探讨使用先进的定量脑电图分析 (qEEG) 早期预测认知结果的潜在益处，本文在 2 岁时进行了评估。一组 20 名新生儿缺氧缺血性脑病 (HIE) 婴儿出生后第一周内记录了脑电图数据。提出的回归框架基于两组不同的特征，即从加权相位滞后指数 (WPLI) 得出的图论特征和由样本熵 (SampEn)、排列熵 (PEn) 和谱熵 (SpEn) 表示的熵指标。这两组特征都是在噪声辅助多元经验模态分解 (NA-MEMD) 域内计算的。相关性分析表明，新生儿 EEG 数据中提出的特征、图属性（半径、传递性、全局效率和特征路径长度）和熵特征（Pen 和 SpEn）与 2 岁时的认知发展在 delta 频带中存在显著关联。这些特征用于训练和测试树集成（增强和装袋）回归模型。使用熵特征和增强树回归模型，最高预测性能达到 14.27 均方根误差 (RMSE)、12.07 平均绝对误差 (MAE) 和 0.45 R 平方。因此，结果表明，提出的 qEEG 特征显示了早期的大脑功能状态；因此，它们可以作为后期认知障碍的预测生物标志物，这有助于识别那些可能从早期有针对性的干预中受益的人。
功能网络特性受损导致脑小血管病患者出现白质高信号相关的认知能力下降
摘要背景：白质高信号（WMH）是脑小血管病（CSVD）的典型神经影像学表现之一，且WMH与认知障碍（CI）密切相关。患有WMH的CSVD患者脑功能网络拓扑特性发生改变，这可能是导致CI的机制之一。本研究旨在探讨不同程度WMH患者某些脑功能网络特征的差异，并估计不同脑功能网络特征与认知评估分数之间的相关性。方法：110例CSVD患者均接受3.0 T 磁共振成像扫描和神经心理认知评估。根据Fazekas分级量表对每位受试者的WMH进行分级，并分为两组：（A）WMH评分1～2分（n=64），（B）WMH评分3～6分（n=46）。采用图论方法分析脑功能网络拓扑指标。采用t检验和Mann–Whitney U检验比较组间脑功能网络拓扑性质的差异。采用偏相关分析探讨不同脑功能网络拓扑性质与整体认知功能之间的关系。结果：高WMH评分患者全脑水平的聚类系数降低、全局和局部网络效率降低、最短路径长度增加，节点水平部分脑区节点效率降低（p < 0.05）。左侧舌回节点效率与患者蒙特利尔认知评估（MoCA）总分呈显著正相关（p < 0.05）。两组在MoCA总分和简易精神状态检查（MMSE）评分方面差异均无统计学意义（p > 0.05）。
全基因组对大肠杆菌中替代性肽聚糖交联所需的基因的鉴定揭示了-lactams的意外影响多层网络中的遗传合作性暗示了亨廷顿氏病小鼠与症状同步的纹状体中的细胞存活和衰老
动机：亨廷顿氏病（HD）可以通过基因放松来发展。然而，基因放松管制对HD遗传合作的动力学的影响仍然很差。在这里，我们在HD敲入小鼠的大脑（等位基因HDH小鼠）的大脑中建立了一个多层网络模型。为了增强生物学精度和基因优先序列，我们整合了三个源网络的互补家族，所有这些都从HDH小鼠中的相同RNA-SEQ时间序列数据推断为加权 - 边缘网络，在该网络中，Edge-Edge-Edge-lates跨源网络跨源网络跨源网络和时点的路径长度变化。结果：加权边缘网络识别出富含受管化基因（临界阶段）的紧密遗传合作性的连续波，在皮质中曾经久经术，与纹状体呈现，并与纹状体相关，与细胞的存活有关（例如hipk4）与细胞增殖相互缠绕（例如scn4b）和细胞衰老（例如CDKN2A产品）响应。顶部纹状体加权边缘在HD发病机理的无脊椎动物模型中富含有缺陷行为的调节剂，从而验证了它们与体内神经元功能障碍的相关性。共同揭示了HDH小鼠大脑中遗传合作的高度动态的时间特征，其中2步逻辑突出了症状小鼠纹状体中细胞维持和延伸的重要性，提供了高度优先的靶标。联系人：Christian.neri@inserm.fr补充信息：补充数据可在Online BioInformatics获得。可用性和实现：加权边缘网络分析（WENA）数据和源代码，用于执行信号（SDS）的光谱分解（SDS）和Wena分析，均为使用Python编写，可在http://www.broca.inserm.inserm.inserm.fr/hd-wena/上获得。
健康老龄化中脑电图网络连接的年龄相关变化
摘要：新兴研究报告称，功能性大脑网络会随着年龄的增长而发生变化。图论用于了解与年龄相关的大脑行为和功能差异，并使用脑电图 (EEG) 检查区域之间的功能连接。正常衰老对工作记忆 (WM) 状态下的功能网络和区域间同步的影响尚不清楚。在本研究中，我们应用图论来研究衰老对静息状态下网络拓扑的影响以及在执行视觉 WM 任务期间对衰老 EEG 信号进行分类。我们记录了 20 名健康中年人和 20 名健康老年受试者睁眼、闭眼和执行视觉 WM 任务时的脑电图。EEG 信号用于构建功能网络；节点由 EEG 电极表示；边表示功能连接。计算了包括全局效率、局部效率、聚类系数、特征路径长度、节点强度、节点中介中心性和同配性的图论矩阵来分析网络。我们应用了 K 近邻 (KNN)、支持向量机 (SVM) 和随机森林 (RF) 三个分类器对两组进行分类。分析显示老年组的网络拓扑特征显著减少。在睁眼、闭眼和视觉 WM 任务状态下，老年组的局部效率、全局效率和聚类系数显著降低。KNN 在视觉 WM 任务中实现了 98.89% 的最高准确率，并且比其他分类器表现出更好的分类性能。我们对功能网络连接和拓扑特征的分析可以用作探索人类大脑正常与年龄相关的变化的适当技术。
图理论测量的一致性是阿尔茨海默氏病纤维密度连接跨多个分割量表
图理论措施经常被用来研究阿尔茨海默氏病人脑连接组中的连通性中断。然而，先前的研究指出，图创建方法的差异是可能改变这些措施中发现的拓扑观察的混杂因素。在这项研究中，我们进行了一项新的研究，以了解针对从扩散张量成像得出的纤维密度网络计算出的图形理论措施的影响。We computed 4 network-wide graph theoretical measures of average clustering coefficient, transitivity, characteristic path length, and global efficiency, and we tested whether these measures are able to consistently identify group differences among healthy control (HC), mild cognitive impairment (MCI), and AD groups in the Alzheimer's Disease Neuroimaging Initiative (ADNI) cohort across 5 scales of the Lausanne分析。我们发现，旋转性的分离度量在区分健康和患病群体方面提供了范围内最大的一致性，而其他措施则受到不同程度量表的选择的影响。全球效率是我们测试的第二个最一致的度量，该度量可以在所有5个量表中以及在5个量表中的3个量表中区分HC和MCI。特征路径长度对尺度变化高度敏感，证实了先前的发现，并且无法识别许多尺度的群体差异。平均聚类系数也受到量表的极大影响，因为它始终未能识别出较高分辨率分析中的群体差异。从这些结果中，我们得出结论，许多图理论度量对选择量表的选择敏感，并且需要进一步发展方法，以更加强大地表征AD的关系与连通性中断的关系。
飞机起飞和着陆影响因素分析
飞机着陆是飞行的最终阶段，飞机从 15 米的高度缓慢飞行，着陆后完全停止，然后在跑道上滑行 [4]。着陆是最困难的飞行阶段，要求飞行员具备非常高的驾驶技能 [1]。着陆是通过减速并下降到跑道来完成的。减速是通过减少推力和/或使用襟翼、起落架或减速板产生更大的阻力来实现的。飞行的起飞过程可分为两个主要阶段 - 加速和起飞。这些阶段由其他某些子阶段划分。航空工业的进步现在已经达到了所有这些阶段都可以在没有飞行员参与的情况下进行的程度，即使用自动驾驶系统。在民航中，无人系统仍被谨慎使用，主要仅在水平飞行阶段，并且仍由机组人员控制。然而，主要是经验丰富的飞行员执行着陆过程。由于着陆时所有动作的复杂性和危险性，根据统计，此阶段被认为是最危险的阶段 [2]。这项工作的目的是分析影响地面路径长度的因素，并开发一种系统，该系统可以在飞机着陆后完全自动停止飞机，或者至少帮助飞行员确定剩余的制动距离，以防止危险情况。开发的系统和方法将告知机组人员剩余的制动距离。系统计算包括跑道的剩余长度，以飞机配备的系统的输出信号为基础 [3]。系统还考虑了各种因素，例如天气条件 [7]、刹车和轮胎状况、刹车率、减速统计、特定飞机的空气动力学特性 [5, 9]、控制方法 [12] 等。本文分析了飞机的刹车距离。根据事故统计，开发一种能够控制飞机着陆后和起飞期间刹车距离的自动化装置非常重要 [2]。该装置能够随时计算必要的制动力，以合理使用飞机的刹车系统，最大限度地延长轮胎和刹车的磨损，确保乘客安全并排除飞行员失误的可能性 [6]，以及用各种材料制成的元件和结构的强度 [8, 10, 11]。
通过使用SUMO和OMNET ++模拟器对车辆网络进行模拟和建模交通事故检测的估值
伊拉克摩苏尔大学工程学院电气工程系电子邮件：mtyaseen@uomosul.edu.iq（M.T.Y.）; aminaalrawy@uomosul.edu.iq（a.a.f.）; fawaazyasen@uomosul.edu.iq（F.Y.A。）*通讯作者摘要 - 该论文提出了增加导致道路事故的车辆总数的问题。车辆临时网络（VANET）已在基础设施中开发。本研究建议使用Vanet网络与车辆，路边单元（RSU）和网络服务器进行通信。提出的方法通过基于Omnet ++和Sumo Simulators内部框架（静脉）的地图执行IEEE 802.11p的基本参数来正确模拟Vanet，以实现和模拟车辆路线的规划流量策略。建议的技术的主要优势是使车辆能够相互通信或在基础架构上进行交流，以发送和接收各种类型的警告和信息消息。在本文中做出了两项重大贡献：通过减少车辆的CO 2排放和减少道路拥堵的CO 2来降低空气的污染水平，以及模拟车辆路线计划流量的技术贡献。我们的技术能够监视在高速公路上和紧急制动的情况下测试的空气污染和建筑模拟。每辆车可以通过向网络服务器发送数据包请求并等待包含新路径的响应来请求最短路由。主要的性能参数指标是指在不同时间在不同时间的速度和加速器等车辆中的数据交换。在每种情况下更改路径长度时，分析了车辆的速度，加速度，CO 2发射和RSU的总丢失数据包。在模拟中，使用100辆车在3,400米长的高速公路上以14 km/h的速度行驶，网络尺寸为（3000×3000）m。通过100辆车的旅行时间为300秒，RSU的总丢失的数据包为61，总CO 2排放量为3,1548 gm/英里，获得了仿真结果。模拟结果的优点为预防事故，增强无线基础设施和降低污染水平的车辆提供了更安全的道路。
研究论文：基于皮质厚度的半球大脑形态网络中的性别相关和半球效应
目的。本研究通过基于皮质厚度的大脑结构协方差网络（即半球形态网络）计算得出图形指标的性别差异。方法。使用从人类连接组计划 (HCP) 中检索到的 285 名参与者（150 名女性，135 名男性）的 T1 加权磁共振成像扫描，为每个参与者构建半球形态网络。在这些半球形态网络中，两个不同大脑区域在皮质厚度值分布模式方面的相似度（Jensen - Shannon 散度）被定义为连接两个不同大脑区域的网络边的权重。在计算和总结全局和局部图形指标之后（跨网络稀疏度级别 K = 0: 10 - 0: 36），得出这些图形指标的不对称指数。结果。半球形态网络满足小世界性和全局效率，网络稀疏度范围为 K = 0 : 10 – 0 : 36 。不对称指标的组间比较（女性与男性）显示，对于归一化聚类系数、归一化特征路径长度和全局效率的全局指标，不对称的方向性相反（向左与向右）（所有 p < 0 : 05）。对于局部图形度量，男性扣带回-顶上回的节点效率向右不对称性大于女性，女性颞极的度中心性向左不对称性大于男性，直肠回的度中心性在女性（向右）和男性（向左）的半球间不对称性方向相反（所有 p < 0:05）。结论。由于皮质厚度分布与其他大脑区域的相似性，男性和女性的扣带回、顶上回、颞极和直肠回的半球间不对称模式不同。因此，在未来的大脑形态和大脑结构协方差网络研究中，必须考虑性别与半球相互作用的可能影响。
结合多视角信息增强多模态 MRI 数据的特征表示，实现 MCI 分类
轻度认知障碍 (MCI) 是阿尔茨海默病的早期阶段，与大脑结构和功能变化有关，其分类仍然是一项具有挑战性的任务。最近的研究表明，通过结合多种结构和功能特征（例如灰质体积和聚类系数）有望提高 MCI 分类的性能。然而，提取哪些特征以及如何组合多种特征来提高 MCI 分类的性能一直是一个具有挑战性的问题。为了解决这些问题，在本研究中，我们提出了一种新方法，通过结合多视图信息来增强多模态 MRI 数据的特征表示，以提高 MCI 分类的性能。首先，我们基于自动解剖标记 (AAL) 图谱从每个受试者的 T1w MRI 和 rs-fMRI 数据中提取每个皮质大脑区域的两个结构特征（包括灰质体积和皮质厚度）和两个功能特征（包括聚类系数和最短路径长度）。然后，为了获得更有助于区分 MCI 受试者的特征，提出了一种改进的多任务特征选择方法，即 MTFS-gLASSO-TTR。最后，采用多核学习算法将多个特征组合起来执行 MCI 分类任务。我们针对来自阿尔茨海默病神经影像计划 (ADNI) 数据库的 315 名受试者（包括 105 名 LMCI 受试者、105 名 EMCI 受试者和 105 名 NC）评估了我们提出的 MCI 分类方法，这些受试者的 T1w MRI 和 rs-fMRI 数据均来自阿尔茨海默病神经影像计划 (ADNI) 数据库。实验结果表明，我们提出的方法对 LMCI/NC 分类的准确率为 88.5%，受试者工作特征 (ROC) 曲线下面积 (AUC) 为 0.897，对 EMCI/NC 分类的准确率为 82.7%，AUC 为 0.832，对 LMCI/EMCI 分类的准确率为 79.6%，AUC 为 0.803。此外，通过比较，我们提出的方法在 MCI 分类中的准确率和 AUC 值优于一些现有的最先进方法。总的来说，我们提出的 MCI 分类方法是有效的，并且有望在临床实践中用于 MCI 的自动诊断。