XiaoMi-AI文件搜索系统
World File Search System通过时间
Emanuele Aliverti 详细履历
∠ Aura Brasiliani (2024) “ 对人工智能未来预测的分析 ” ∠ Maria Grazia Biasco (2024) “ 群落生态学的统计模型：Xylella fastidiosa 昆虫媒介分布研究 ” ∠ Federico Mirulla (2024) “ 网络建模作为国际关系研究的工具 ” ∠ Enrico Scquizzato (2024) “ 大型语言模型在自动票证分类中的应用：Pat SRL 案例研究 ” ∠ Federica Bessega (2024) “ 大型零售贸易生产力分析：非参数分层模型的应用 ” ∠ Enrico Ceccolini (2024) “ 控制图和功能模型在汽车底盘焊接过程统计监控中的应用 ” [共同联系人：Christian Capezza] ∠ Sara Zanette (2024) “五人制足球的比赛分析：从视频到统计分析” ∠ Paolo Dallavalle (2023) “ 死亡率曲线研究：通过张量分解进行分析” ∠ Gianluca Tori (2023) “ 监督或结构化主题建模：对 Spotify 上的播客的分析” ∠ Maria Gallo (2023) “ 可再生能源资源优化管理模型：对葡萄牙案例的分析” ∠ Angela Andrigo (2023) “ GlobalMonitor 心理健康调查：通过离散数据模型进行分析” ∠ Virginia Murru (2023) “ 社会网络演化研究：通过贝叶斯网络模型进行分析” ∠ Giulia Pacchetti (2022) “ 通过函数模型分析篮球三分球的轨迹” ∠ Alessio Piraccini (2022)云端大数据分析：概述和应用 ∠ Marco Shehata (2022) “点过程分析的统计模型：在具有历史意义的米兰德比中的应用” ∠ Chiara Bellio (2022) “通过时间网络模型分析犯罪组织” ∠ Riccardo Fassina (2022) “使用张量的横截面数据建模：一种非参数贝叶斯方法” ∠ Francesca Stecca (2022) “TikTok 上的哈希劫持：使用潜在类别模型分析意大利内容” ∠ Francesca Nardone (2021) “美国总统辩论和推特：2020 年主角的网络数据模型”
动静脉畸形的术前血流分析及立体定向放射外科治疗后的闭塞反应
目的脑动静脉畸形 (AVM) 的形态和血管结构特征已被广泛描述并与结果相关；然而，很少有研究对 AVM 血流进行定量分析。作者使用直接视觉分析和基于计算机的方法检查了血管造影上的脑 AVM 血流和通过时间，并将这些因素与伽玛刀放射外科治疗后的闭塞反应相关联。方法在单个机构使用 2013 年 1 月至 2019 年 12 月管理的前瞻性患者登记册进行回顾性分析：使用视觉流量测定方法分析了 71 名患者，使用基于计算机的方法分析了 38 名患者。在对两种方法进行比较和验证后，将闭塞反应与流量分析、人口统计学、血管结构和剂量数据相关联。结果 AVM 平均体积为 3.84 cm3（范围 0.64–19.8 cm3），32 个 AVM（45%）位于关键功能位置，平均边缘放射外科剂量为 18.8 Gy（范围 16–22 Gy）。27 个 AVM（38%）被归类为高流量，37 个（52%）被归类为中等流量，7 个（10%）被归类为低流量。研究期间，44 名患者（62%）完全闭塞；低流量 AVM 的平均闭塞时间为 28 个月，中等流量 AVM 的平均闭塞时间为 34 个月，高流量 AVM 的平均闭塞时间为 47 个月。预测闭塞的因素的单变量和多变量分析包括 AVM 病灶体积、年龄和流量。 5 名患者 (7%) 被确诊为不良放射效应，67 名患者 (94%) 在随访期间未出现任何功能恶化。结论 AVM 血流分析和按传输时间分类是预测闭塞概率和闭塞时间的有用指标。作者认为，更定量地了解血流有助于指导立体定向放射外科治疗并设定准确的结果预期。
附录 B：禁止收入来源歧视的州、地方和联邦法律
下面列出了州、地方和联邦禁止基于收入来源的住房市场歧视的法规汇编，以及与歧视拥有联邦住房选择券的家庭相关的研究和已发表文章的带注释书目。您可以使用目录中的超链接浏览文档。本汇编更新了 PRRAC 最初在 2009 年汇编的研究，并借鉴了国家住房法律项目和政策选择中心准备的早期文件。本汇编在 2012 年第四届全国住房流动会议上进行了更新，并作为会议后 PRRAC-城市研究所住房流动工具包的附录发布，扩大选择：建立成功住房流动计划的实用策略（2013 年 2 月）。自 2013 年以来，随着这些州和地方法律的激增，我们定期更新附录。此外，我们还为倡导者和地方政策领导人编写了一份指南，题为《制定有效的地方收入来源歧视法》（2020 年 3 月）。2018 年，预算和政策优先事项中心发布了一份报告，使用本附录中的数据，概述了保护住房选择券家庭免受歧视的法律的国家概况。由 Alison Bell、Barbara Sard 和 Becky Koepnick 撰写的报告《禁止歧视使用住房券的租房者可改善结果》（2018 年 12 月）包括下文所述法规和条例的通过时间顺序以及一张交互式地图。1 2020 年，城市研究所还根据本附录开发了一个数据集，该数据集以更具分析性的框架呈现信息。Zillow 还将本附录中的数据纳入其在线租赁清单的“当地法律保护”部分。另请参阅有关紧急租赁援助计划的 SOI 保护的宣传指南。我们感谢现任和前任员工以及住房正义网络中许多法律服务同事的贡献和更正（请参阅我们的完整致谢列表 ）。如果您发现本文档中有任何错误或有其他材料需要添加（新法令、判例法发展、法律评论文章等），请联系 Phil Tegeler（ptegeler@prrac.org）。
磁珠不对称地覆盖的磁珠的推进
特别有用，可将跳动和/或旋转驱动对模仿生物学微晶状体的微动体。开创性的例子是Dreyfus等人建造的游泳者。由一连串的杂志珠束缚在红细胞上。[25]在这里，游泳是以衍生方式诱导的精子，也就是说，通过击败支持弯曲波传播的柔性附属物。自从这一突破以来，已经制造了其他几种生物启发的磁性微晶状体，包括由定制的微型磁铁，软磁复合材料和众多体系结构制成的，其中磁性区域会使非磁性鞭毛/附属物依赖。[13,15,16,20,26–29]越来越多地，正在研究附属物对游泳性能的作用，这表明游泳速度随生物学和合成系统的长度，弹性和中风频率而变化。[15,26,28,30]此外，已经确定，生物微晶状体的集体相互作用非常依赖于耦合的鞭毛（附录）动力学和流动在亚氟lagellum长度尺度上产生的动力学。[30]这些相互作用在本质上被利用以促进性能：例如，小鼠精子形成长列火车以提高其速度。[7,10,30–33]然而，对合成系统的附属物设计的严格控制仍然是征税，当需要纳米级特征时，更是如此。通过Maier等人采用的DNA自我组装是DNA的一种特别有希望的方法。基于DNA瓷砖管束生成合成的鞭毛。[26]将这些束式水力组装成旋转的磁珠时，将水力组装成类似几微米的开瓶器样式确认，以类似于细菌的方式驱动翻译运动。尽管组装技术允许对合成鞭毛的扭曲和刚度进行精美的控制，但它们的长度受到寡聚和不受控制的影响。在这种交流中，我们以Maier等人的工作为基础。使用替代DNA自组装策略DNA折纸。此处，通过单链核苷酸的单链DNA环通过单链DNA低聚物的特定结合以构建定位的纳米级附件，以预先确定的方式折叠。[34–37]我们提出了一种调节附属物覆盖磁珠上均匀或用断裂的对称性的方法。通过时间依赖的磁场摇动这些构建体，我们发现虽然结构完全覆盖了DNA折纸，但在很大程度上表现出了
免疫检查点抑制剂与立体定向放射外科手术对肺癌和脑转移患者结合的协同作用：
客观的立体定向放射外科手术（SRS）是肺癌脑转移（BMS）的主要治疗方法。近年来，免疫检查点抑制剂（ICI）已应用于转移性肺癌，并有助于改善预后。作者调查了与肺癌同时ICI的SRS是否延长了总生存期（OS），改善颅内疾病控制并提高安全问题。在2015年1月至2021年12月期间，在Aizawa医院接受了肺癌BMS的SRS的方法。同时使用ICIS定义为SRS和ICI给药之间的3个月不超过3个月。基于11个潜在的预后协变量的倾向评分匹配（PSM；匹配比1：1），这两个治疗组的接收并发ICI的可能性相似。通过考虑竞争性事件，通过时间依赖性分析比较了有或没有并发ICI（ICI + SRS与SRS）的组之间的患者生存和颅内疾病控制。结果五百八十五名肺癌BM患者（494例非小细胞肺癌和91例小细胞肺癌）符合条件。93（16％）同时接受了ICIS。由PSM产生了两组，每组有89例患者（ICI + SRS组和SRS组）。初始SRS后ICI + SRS和SRS组的1年生存率分别为65％和50％，中位生存时间分别为16.9和12.0个月（HR 0.62，95％CI 0.44-0.87，P = 0.006）。2年累积神经系统死亡率分别为12％和16％（HR 0.55，95％CI 0.28-1.10，p = 0.091）。1年的颅内无进展生存率为35％和26％（HR 0.73，95％CI 0.53-0.99，p = 0.047）。2年的局部失败率为12％和18％（HR 0.72，95％CI 0.32-1.61，P = 0.43），并且2年远处的复发率为51％和60％（HR 0.82，95％CI 0.55-1.23，P = 0.34）。每组1例患者发生了严重的不良辐射事件（不良事件的常见术语标准[CTCAE 4级），在ICI + SRS组的3例患者中观察到3例CTCAE 3级毒性，在SRS组5例中（OR 1.53，95％CI 0.35-7.35-7.7.7.7，p = 0.75）。结论本研究发现，与肺癌BMS患者同时进行ICI的SRS与较长的生存率和持久的颅内疾病控制相关联，与治疗相关的不良事件无明显增加。
在巴西东北部糖尿病的死亡率
电子邮件：consuelhapenha@hotmail.com摘要糖尿病（DM）是一组由高血糖标记的代谢疾病，并被分类为几种子类型。目前，由于不健康的生活习惯，由于城市化和工业化的影响，由于城市化和工业化的影响而逐渐增加。这种代谢性疾病是世界上死亡率的主要周期之一，可能会引发心血管，肾脏和神经系统的急性或慢性并发症，通常具有器官功能性变化，具体是心脏，心脏，肾脏，脑，脑和血管。这项研究旨在通过时间流行病学研究从2014年到2018年在巴西东北地区的糖尿病梅利特斯分析死亡率，并通过二级数据数据数据数据进行了卫生部，以及变量的研究：性别，种族，种族，教育，年龄，年龄，年龄，年龄，婚姻状况，婚姻状况，婚姻状况，位置，东北，CID-10类别，糖尿病。数据以绝对数量，百分比和描述性统计数据表示。发现了101,636例，在巴伊亚和佩南布科州分别为56％的女性和较高人数。大多数死亡集中在未指定的糖尿病类别中，其次是非胰岛素依赖性和胰岛素依赖性类别。至于教育，有35％的死亡人数是无索道的，有1至3年的研究。在年龄方面，大多数80岁的死亡人数随着年龄段的增加而增加。棕色品种的死亡率分别为58％，其次是白色和黑色种族。死亡主要发生在已婚人士中，占案件的39％，其次是寡妇，29％和单人24％。登记最高的发生地点是在医院，占死亡人数的63％，另一家卫生机构的死亡人数为31％。绘制的流行病学特征指出，有必要通过健康促进和教育来表达区域和奇特的策略，旨在更好地管理DM并降低死亡率，尤其是年龄段的人群。关键词：糖尿病，死亡，流行病学。抽象糖尿病（DM）是一组由高血糖标记的代谢性疾病，并被分类为几种亚型。目前，这是全球卫生系统的主要挑战，由于生活方式习惯而导致的城市化和工业影响，由于城市化和工业的影响而逐渐增加。这种代谢性疾病是世界上五种主要死亡率风险之一，可以在心血管，肾脏和神经系统中引发急性或慢性并发症，通常具有有针对性的有针对性的有害变化，具体是心脏，心脏，肾脏，脑，脑和血管。本研究旨在通过流行病学
引文 Abouzed M, Salama B, Gabr A, Elag KA, Soliman M, Elsaadouni N 和 Elzahab NA (2024) 智能技术使用对个人睡眠质量的影响
自闭症谱系障碍 (ASD) 是一种神经发育疾病，其特征是持续存在社交沟通和互动障碍，以及行为、兴趣或活动模式受限且重复 (1)。ASD 患者面临的常见并发问题之一是睡眠障碍，表现为入睡困难、夜间频繁醒来和睡眠质量差 (2,3)。ASD 患者的睡眠问题与一系列负面后果有关，包括核心自闭症症状加剧、白天功能受损以及患者及其家人的生活质量下降 (4,5)。近年来，智能手机、平板电脑和电脑等智能技术的普及在日常生活中越来越普遍，包括 ASD 患者。虽然这些设备可以提供教育和娱乐价值，但人们担心它们的使用可能会影响睡眠质量，尤其是蓝光发射和刺激内容 (6-8)。初步研究表明，睡前过度看屏幕和接触蓝光可能会扰乱自然的睡眠-觉醒周期和褪黑激素的产生，导致入睡困难和睡眠片段化（9-11）。我们可以通过时间生物学和认知行为框架的视角来理解智能技术对睡眠质量的影响。根据时间生物学理论，接触电子设备屏幕发出的蓝光会阻碍褪黑激素的分泌，扰乱调节睡眠-觉醒周期的昼夜节律（9）。褪黑激素是由松果体产生的一种激素，在启动睡眠和确保睡眠质量方面起着至关重要的作用。接触蓝光，尤其是在晚上，会延缓褪黑激素水平的上升，使入睡变得更加困难（11-17）。此外，失眠的认知行为模型 (18) 表明，睡前从事刺激或唤醒活动（如玩游戏或浏览社交媒体内容）可增强认知和生理唤醒，从而使入睡更加困难。该模型提出，失眠症患者会形成与睡眠相关的不良习惯和思维模式，从而使睡眠障碍持续存在 (19)。对于患有自闭症谱系障碍 (ASD) 的人来说，智能科技对睡眠质量的影响可能尤其显著。许多 ASD 患者在感觉处理方面面临挑战 (20)，这可能使他们对蓝光和电子内容的刺激作用更加敏感。此外，当科技扰乱睡前常规时，ASD 的核心症状（如过渡困难和坚持常规）可能会加剧 (2)。事实上，初步研究表明，自闭症儿童和青少年的屏幕时间增加与睡眠质量较差之间存在关联（12、13）。尽管自闭症患者的睡眠障碍患病率很高，且影响深远，但关于智能技术对这一人群睡眠质量的具体作用的研究却很少。虽然有少数研究发现了儿童屏幕时间增加与睡眠质量较差之间的关联，但
智能神经接口和传感系统
3瓦济港科学技术大学，武汉，中国的癫痫发作检测处理器已提议使用机器学习来检测患者的癫痫发作，以提高或刺激目的[1-4]。现有设计可以实现高精度，当可用于培训的大量癫痫发作数据。然而，与收集非赛式数据的收集不同，癫痫发作数据的收集要求患者需要进行时间耗时且昂贵的住院治疗，这在实践中很难。为了解决这个问题，[5]提出了一个零射击癫痫发作检测处理器，在没有患者进行重新训练的情况下达到了相对较高的精度（此处的零照片意味着零癫痫发作数据[5]）。取而代之的是，只需要从患者的2分钟的非Seizure数据来校准用在公共癫痫发作数据集中预先训练的神经网络（NN）提取的聚类特征。尽管这解决了上述问题，但该设计的准确性（敏感性为90.3％＆特定的93.6％）仍然有限用于实际使用，并且能源消耗很大，用于可穿戴的EEG监测设备，例如其他使用NN的癫痫发作检测处理器，如图在这项工作中，我们提出了一个零射的癫痫发作检测处理器，不需要患者的癫痫发作数据以进行[5]中的癫痫发作，但准确性和能量效率更高。图33.1.1显示了所提出的癫痫发作检测处理器的整体体系结构。33.1.2。提取了四个手动特征，包括三个EEG光谱带功率和线长度。它具有两个主要特征：1）杂交驱动的自适应加工体系结构，其片上学习不需要患者的癫痫发作数据即可获得超低的能耗和高精度，以及2）一种基于学习的自适应渠道选择技术，以进一步降低能源消耗，同时保持高精度。It mainly consists of a multi-feature extraction engine (MFEE), a hybrid-feature-driven adaptive processing engine (HAPE), a reconfigurable on-chip learning engine (ROLE), a learning-based channel selection module (LCSM), a data buffer for storing the input data from multiple EEG channels, and a data interface for parameter loading including the NN instructions and weights.一些最新的癫痫发作检测处理器采用基于手动特征提取的分类，以较低的复杂性和更强大的患者性能，而其他人则使用基于端到端的NN基于NN的分类，以提高精确度，以较少的功能工程工作。在这项工作中，我们提出了基于片上学习和自适应处理的基于混合特征的癫痫发作检测处理，以利用两者的优势，如图NN特征提取由深度转换组成，并具有扩张的Cons和Pointwisce Conv。手动功能和NN功能首先通过两个完全连接（FC）层（即FC1_1和FC1_2）投影。33.1.2），然后融合为混合特征，以馈入FC2_2进行分类。对于基于片上学习的混合功能，不需要患者的癫痫发作数据。与[5]中一样，NN使用常用的公共数据集（CHB-MIT）进行预训练。对于片上学习，来自患者的1分钟的非Seizure数据和来自公共数据集的1分钟癫痫发作数据被混合为学习数据集。为了降低能量，仅重新训练了杂交分类层和投影层。图33.1.2显示了包含两个阶段的片上学习处理流。基于混合功能NN，我们提出了一个混合驱动的自适应处理体系结构。添加了另一个FC层（FC2_1）以对手动功能进行分类。最初，仅激活手动功能分类，而混合特征分类和NN特征提取被停用。如果Fc2_1的分类结果是非seizure，则分类终止。否则，NN特征提取和混合特征分类被激活以进行进一步的分类。这种显着的同时降低了能源消耗，同时保持高精度，因为与癫痫发作相比，非赛式事件通常是主要的。为了减少由于手动特征分类的分类误差而导致的准确性损失，在培训期间将实现偏差，以将输入分类为癫痫发作以进行进一步分类。图33.1.3用混合驱动的自适应处理流量显示了HAPE和MFEE的硬件体系结构。HAPE合并了16个用于NN计算的多精制MAC单位。在计算过程中，激活数据根据其值将激活数据动态分为4B或8B，对于4B数据，高4B乘法器被禁用以节能。MFEE将4个功能计算器通过16通道脑电图通过时间多路复用重复使用。在混合驱动的自适应处理控制器的控制下，NN计算是自适应的