XiaoMi-AI文件搜索系统
World File Search System2019c
使用时间卷积网络的动态功能连通性分析，用于注意力缺陷/多动症疾病识别
活动）（美国精神病学协会等，2013）。估计，多动症影响大约7.2％的全球人（Thomas等，2015）。当前对ADHD的诊断主要依赖于行为评估和临床措施来量化该疾病的严重程度（Sayal等，2018; Chan等，2023），这是由于其病理机制和临床症状的复杂性而成为一项艰巨的任务（USAMI，2016年）。因此，高度可取的任何计算机辅助诊断方法的出现，该方法支持一种客观和定量方法以自动识别ADHD。静止状态功能磁共振成像（RS-FMRI）是一种非侵入性神经影像学技术，在休息时测量了血氧水平依赖性（BOLD）信号的自发性波动，已广泛用于研究人类的脑功能（Lee等人，2013; cortese et; cortese et and an e an e an e an e an e an。Functional connectivity (FC) derived from rs-fMRI is able to characterize brain function abnormality and thus has been widely used for diagnosis of psychiatric diseases, such as schizophrenia, autism spectrum disorders (ASD), and attention deficit/hyperactivity disorders (ADHD) ( Du et al., 2018 ; Wang et al., 2019c ; Canario et al., 2021 ）。在fMRI分析的领域中，通常假定大脑FC在整个扫描过程（通常几分钟）中是固定的。实际上，越来越多的证据表明，FCS在短时间内发生了很大变化（Zhang等，2016; Jie等，2018; Ding等，2022; Huang等，2023），并且静态FC分析不能充分地感知这些动态的这些动态变化。滑动窗口方法是量化动态FC（DFC）的常用技术。根据此方法，从每个主题中提取的粗体时间序列首先使用固定大小的滑动窗口将每个主题分配为多个重叠或非重叠段，然后将基于每个段的FC网络构建以进行后续分析。基于滑动窗口的DFC分析的现有方法可以大致分为两类：（1）传统的机器学习方法和（2）深度学习方法。In the first category, low-level measures (i.e., clustering coefficients) of FCs are first extracted as new representations of the data, and then the corresponding classifier (i.e., support vector machine, SVM) is trained for final prediction ( Wee et al., 2016 ; Jie et al., 2018 ; Wang et al., 2021 ).例如，Wee等人。（2016）提议使用融合的多组套索算法同时生成这些子细分市场的DFC网络。然后，从每个生成的FC网络计算聚类系数。最后，所有这些段的串联系数都用于训练SVM分类器进行疾病诊断。Jie等。 （2018）第一个从每个段构建了动态FC，然后从这些FC中提取时间和空间变化作为特征。 最后，使用多种正规化多任务特征学习和多内核学习技术来整合这些特征以进行疾病预测。 Luo等。 但是，基于传统的现有方法Jie等。（2018）第一个从每个段构建了动态FC，然后从这些FC中提取时间和空间变化作为特征。最后，使用多种正规化多任务特征学习和多内核学习技术来整合这些特征以进行疾病预测。Luo等。但是，基于传统（2023）提议计算时间微晶格动力学和光谱功率特征，以分析ADHD和正常对照（NCS）及其亚型之间的组差异。这些研究表明，考虑动态特性有助于改善疾病诊断的性能，而发现的FC的变化可能是将患者与正常对照区分开的潜在生物标志物。
人工智能在运营管理中的应用
智能技术（Duan 等人 2019；Dubey 等人 2020；Hughes 等人 2019；Ismagilova 等人 2019；Wamba 和 Queiroz 2020）。数字化转型中技术的使用取决于组织对技术的态度、感知有用性和感知易用性（Berlak 等人 2020；Grover 等人 2019c）。组织已积极参与数字化转型（Burton-Jones 等人 2020）。人工智能和大数据共同塑造了经济、社会和政治领域（Duan 等人 2019；Dwivedi 等人 2019；Elish 和 Boyd 2018；Wamba 等人 2015、2017）。人工智能被定义为系统解释和学习数字痕迹的能力（Haenlein 和 Kaplan 2019）。Metcalf 等人（2019）认为人工智能可以增强员工的智力。人工智能通过提供多样化和不同的解决方案帮助员工克服复杂情况（Jarrahi 2018），随后可以在决策过程中提供规范性输入（Bader 和 Kaiser 2019）。员工应该更多地专注于创造性工作，并应该学习如何有效地使用机器完成日常任务（Jarrahi 2018）。Morikawa（2017）指出，拥有高学历员工和全球业务的公司期望人工智能技术将对企业产生积极影响。文献中将 OM 定义为端到端的组织管理活动和服务链（Karmarkar 和 Apte 2007；Subramanian 和 Ramanathan 2012），其包括产品设计、流程设计、商品生产、规划、调度（Zhao 等 2020）、个性化定位、交付、定制、物流、外包等多项活动。本研究的第一个研究空白是 Brock 和 Wangenheim（2019）指出的空白，即管理者对如何在其组织运营中使用 AI 知之甚少。因此，本文介绍了 AI 在 OM 不同要素（如制造、产品开发、服务和供应链）中的使用。本研究确定的第二个研究空白基于 Gunasekaran 和 Ngai（2012）强调的空白，即需要开发 OM 模型来综合信息并将其转换为知识。因此，本研究试图探索利用人工智能对数字化转型计划获得的组织内存储的数据和信息资产进行信息转化为知识的前景。本研究确定的第三个空白是 Haenlein 和 Kaplan (2019) 强调的开放性问题，即人类和人工智能支持的系统如何和平共处。因此，本研究以命题的形式探讨了八种情景，作者认为员工和人工智能驱动的系统应该协同工作并建立共生关系，因为两者相互依赖，而人工智能系统的成功取决于两者的相互理解。文献表明，与其他技术创新相比，人工智能具有许多优势。首先，人工智能可以通过支持感知、抓取和转换的动态能力来降低风险（Matilda 和 Chesbrough 2020）。其次，人工智能扩大了创造性思维的范围（Eriksson 等人，2020）。第三，人工智能系统支持的一些重要特性是情境感知、通信能力、嵌入式知识、推理能力和自组织能力（Romero 等人，2020）。第四，人工智能、机器人和大数据的结合被称为第四次工业革命，因为这些技术将带来巨大的影响。Jarrahi（2018）建议，人工智能系统的设计不应以取代人类贡献为目的，而应以增强人类知识和决策为目的。本研究的重点是探索员工之间的共生关系以及人工智能在 OM 不同要素中用于做出有效决策的使用。本研究探讨的第一个研究问题是，如何在组织环境中将人工智能应用于 OM？为了探索这个研究问题，提出了八个命题（命题