XiaoMi-AI文件搜索系统
World File Search System静止
地球静止轨道 (GEO) 中的空间碎片生成
这项工作的目的是评估航天器材料在使用寿命结束后会发生什么。本文介绍了航天器外部材料和空间环境的影响。本文是对航天器材料退化和地球静止轨道 (GEO) 空间碎片形成的持续研究的结果。在本文中，结合同时进行的紫外线、粒子辐射和热循环，将 20 年的 GEO 剂量分布应用于一组外部航天器材料。这些材料包括 MLI 组件、Velcros 固定和航天器涂装。对这些暴露在模拟空间环境中的外部航天器材料的评估证实了 MLI、Velcros 固定和涂装的退化、分层机制和颗粒污染的临界性。空间辐射（粒子、紫外线）和热循环的协同作用使材料老化并产生机械应力，导致脆性表面、裂缝和分层的产生。这些现象对暴露的表面造成严重损坏，改变表面的热光特性，并可能导致空间碎片的产生。具体来说，实验结果显示了内部 MLI 层的分层和 Velcros 的严重退化。
使用人工智能分析光变曲线以识别地球静止轨道物体
对地球轨道上的空间物体进行表征是一项重要任务，特别是随着太空交通的增加和太空交通管理的出现。正确理解物体的形状、大小和姿态对于预测其未来行为至关重要。光变曲线越来越多地被用于表征物体，方法从简单的回归分析到复杂的人工智能解决方案。本文介绍和演示的方法是一种基于卷积神经网络的机器学习算法，能够表征物体的几何形状、姿态和材料等物体参数。该方法旨在成为一种灵活的分类方法，可以扩展到所有轨道和任何类型的物体，包括碎片。本文介绍了正在进行的研究的中间结果，展示了多分类和多分支分类模型的使用。结果表明，该方法可以从单个完整的夜间光变曲线中成功地以超过 80% 的准确率对地球同步轨道上物体的形状、大小、姿态和主要材料进行分类。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
使用静止状态功能连通性在识别主要抑郁症的多元机器学习分析：多中心研究
摘要：使用静止状态功能连通性（RS-FC）数据诊断重大抑郁症（MDD），遇到了许多挑战，例如高维度，小样本和个体差异。To assess the clinical value of rs-FC in MDD and identify the potential rs- FC machine learning (ML) model for the individualized diagnosis of MDD, based on the rs-FC data, a progressive three-step ML analysis was performed, including six di ff erent ML algorithms and two dimension reduction methods, to investigate the classi fi cation performance of ML model in a multicentral, large sample dataset [1021例MDD患者和1100例正常对照（NCS）]。此外，线性最小二乘拟合的回归模型用于评估RS-FC特征与MDD患者临床症状的严重程度之间的关系。在使用的ML方法中，通过极端梯度提升（XGBoost）方法构建的RS-FC模型显示出最佳的分类性能，可将MDD患者与单个水平的NCS区分开（准确性= 0.728，Sensitivity = 0.720，Sensitivity = 0.720，Speciifity = 0.739，Speciifity = 0.739，curve = 0.8331）。同时，通过XGBoost模型识别的RS-FC主要分布在默认模式网络，边缘网络和Visual Network之间。更重要的是，可以使用XGBoost模型确定的RS-FC特征来准确预测MDD患者的17个单个汉密尔顿抑郁量表评分（调整后的R 2 = 0.180，根平方误差= 0.946）。使用RS-FCS的XGBoost模型显示了MDD患者和HCS之间的最佳分类性能，具有良好的概括和神经科学的解释性。关键字：重度抑郁症，静止状态功能连接，多中心，机器学习，分类，极端梯度增强■简介
与儿童空间培训后的数学改进有关的静止状态脑EEG
空间认知能力，包括精神旋转（MR）和视觉空间工作记忆（VSWM）与数学表现相关，并且一些研究表明，对这些能力的培训可以增强数学性能。在这里，我们研究了MR和VSWM培训的行为和神经相关性以及数字线（NL）培训的结合。6-7岁的57名儿童与VSWM或MR进行了25天的NL培训，并参加了学校的脑电图（EEG）仪式，以衡量培训前后VSW任务期间的静止状态活动和稳态的视觉诱发潜力。6-7岁的五十个孩子接受了通常的教学，并担任对照组。与对照组相比，两个训练组都在数学的综合度量方面进行了改进。认知改善是对培训的特殊性。在两个训练组中共有的静止状态EEG（RS-EEG）的显着变化是为了权力和连贯性，而VSWM和MR组之间的RS-EEG-变化没有显着差异。两种常见的RS-EEG变化与数学改进相关：（1）中央额叶和右顶叶之间相干性的增加，频率为16至25 Hz，以及（2）左侧额叶与右侧面叶距离23至25 Hz之间的相干性增加。这些结果表明，额顶连贯性的变化与数学表现的增加有关，因此，这可能是进一步研究儿童数学干预措施的有用度量。
使用静止状态脑电图数据的有效连通性诊断精神分裂症
摘要：精神分裂症是一种与神经生物学作用相关的严重精神疾病。即使任务期间的大脑活动（即P300活动）被认为是诊断精神分裂症的生物标志物，但静止的大脑活动也有可能表现出精神分裂症中固有的功能障碍，并且可以用来了解这些患者的认知识别。在这项研究中，我们根据眼睛开发了一种机器学习算法（MLA），基于闭合静止状态脑电图（EEG）数据集，该数据集记录了在任何任务或外部刺激的情况下记录神经活动，旨在将其与健康的对照（SCZS）与健康对照（HCS）区分开来。MLA有两个步骤。在第一个步骤中，符号转移熵（Ste）是有效连通性的量度，将其应用于静止状态的脑电图数据。在第二步中，MLA使用Ste矩阵来找到一组可以成功区分SCZ与HC的功能。从结果来看，我们发现MLA可以达到96.92％的总准确度，敏感性为95％，特定的特定级别为98.57％，精度为98.33％，F1得分为0.97，仅为0.97，Matthews相关（MCC）仅使用0.94的特征，该特征是10 nirs fefters to thers to thers to thers to thers to thers to thers to thers to thers thers thers to thers to n of to thers thers thers thers thers thers to n of thers to n of thers to n.静止状态的脑电图数据可能是精神分裂症临床诊断的有前途的工具。
新生儿缺氧 - 缺血性脑损伤中的静止状态脑网络：功能性近红外光谱研究
目前，临床HIBD诊断主要依赖两个方面。These include clinical characterization, which specifically refers to abnormal changes in consciousness, original reflec- tion (there are some congenital reflexes in newborns, which reflect whether the body and nervous system function of the newborn is normal), and muscle tension, 6 as well as detection of HIBD- induced lesions using ultrasound, computed tomography (CT), magnetic resonance imaging (MRI), and other medical imaging技术。这些古典技术具有自己的优势和局限性。超声已经逐渐优化了大脑结构扫描的分辨率，但不足以监测功能性血流动力学的能力。ct涉及一定的辐射程度，未成熟的脑组织具有单场耐受性。MRI具有强大的空间分辨率，可以准确区分局部脑血流的灌注水平。但是，由于临床不稳定和/或治疗性干预所需的医疗设备，对新生儿的方便且连续的床边监测有新兴的需求。通过功能近红外光谱（FNIRS）静止状态脑网络分析来满足需求是一项积极的努力。fnirs是一种相对较新的非侵入性脑成像技术，由于其对参与者的友好性，引起了大脑研究人员的极大关注。7，8更重要的是，FNIRS在HIBD诊断中的主要优势是支持便携式和连续的床边监测。9，10fnirs允许我们在几分钟内获得新生儿高质量的数据集。值得注意的是，可以在不需要执行任务或其他辅助试剂（镇静剂）的情况下与婴儿一起以安静或睡眠状态收集数据。床边的短期准备和检测期意味着儿科医生可以在任何关键点反复记录数据。此外，与CT或正电子发射CT相比，FNIRS避免了辐射对新生儿的影响。大脑网络分析已广泛用于评估大脑功能。人脑是具有许多本地或全球拓扑特征的高度复杂的网络系统。
通过静止状态脑电图将抑郁症分类为精神病学的新颖实践：评论
背景：医疗保健中的机器学习应用在最近的过去大幅增加，这项综述着重于与抑郁症发现有关的精神病学中的重要应用。自计算精神病学的出现以来，基于功能磁共振成像的研究取得了显着的结果，但是对于日常临床使用而言，这些工具往往太昂贵了。目的：本综述着重于基于脑电图记录的负担得起的数据驱动方法。通过公共或基于云的平台的基于Web的应用程序将是合乎逻辑的下一步。我们旨在将几种不同的方法比较使用各种功能和机器学习模型从脑电图记录中检测抑郁症的方法。方法：为了检测抑郁症，我们回顾了基于最终机器学习的静止状态脑电图的已发表的检测研究，并预测治疗结果，我们在其方法中使用某种形式的刺激审查了一系列介入研究。结果：我们回顾了2008年至2019年之间的14项检测研究和12项介入研究。由于所使用的理论方法和方法的大量多样性，我们无法进行直接比较，因此我们根据分析和准确性的步骤进行比较。此外，我们比较了样本量，特征提取，特征选择，分类，内部和外部验证以及可能不必要的乐观和可重复性的可能缺点。此外，我们提出了理想的做法，以避免误解结果和乐观。结论：本综述显示了需要更大的数据集和更系统的程序来改善解决方案用于临床诊断的方法。因此，对所使用方法的管道和标准要求的调节应成为强制性的，以提高将其转化为现代精神病学的完整方法的可靠性和准确性。
使用静止状态fMRI
客观癫痫会影响神经加工，通常会导致颅内或半球间语言重组，仅基于解剖学地标（例如，Broca的区域）构成本地化。术前脑图对于权衡切除的风险和术后赤字的风险是必要的。然而，由于低依从性及其独特的神经生理学，在技术上，在儿科患者中使用常规图形方法（例如，体感刺激，基于任务的功能性MRI [FMRI]）在技术上很困难。静止状态fMRI（RS-FMRI）是一种基于大脑在休息时神经活动的“无任务”技术，具有克服这些局限性的潜力。作者假设可以通过应用功能连接分析从RS-FMRI识别语言网络。方法案例均已审查了基于任务的fMRI和RS-FMRI作为癫痫手术术前临床方案的一部分。基于任务的fMRI由2个语言任务和1个电机任务组成。静止状态fMRI数据是在患者观看动画电影时获取的，并使用独立的组合分析（即数据驱动的方法）进行了分析。作者通过通过模板匹配过程与功能定义的语言网络模板进行相似性分析来从RS-FMRI数据中提取语言网络。骰子系数用于量化重叠。结果13名儿童接受了常规的基于任务的fMRI（例如动词产生，对象命名），RS-FMRI和1.5T的结构成像。为每个患者确定了与语言模板重叠最高的语言组件。语言横向化结果来自基于任务的fMRI和RS-FMRI映射是可比性的，在大多数情况下，一致性很好。休息状态fMRI衍生的语言图表明，在4例患者中，左侧语言在左侧，右侧为5例（38％），四名患者（31％）（31％）。在某些情况下，RS-FMRI表示语言表示更广泛。使用TEM板匹配方法在患者级别确定了静止状态fMRI衍生的语言网络数据。这项研究中有一半以上的患者表现出非典型语言横向化，从而提出了映射的需求。总体而言，这些数据表明该技术可用于术前识别儿科患者的语言网络。它还可以优化电极放置的术前计划，从而指导外科医生对癫痫发作区的方法。