XiaoMi-AI文件搜索系统
World File Search System20ms
MAX22190：带诊断功能的八路工业数字输入
概述 MAX22190 是一款符合 IEC 61131-2 标准的工业数字输入设备。MAX22190 将八个 24V 电流吸收工业输入转换为串行 SPI 兼容输出，该输出可与 3V 至 5.5V 逻辑接口。电流设置电阻允许将 MAX22190 配置为 1 型、2 型或 3 型输入。通过每个输入上的第二个阈值检测器验证接近开关的现场接线。当启用断线时，如果输入电流低于断线阈值超过 20ms，则将断言 FAULT 输出并设置寄存器标志。断言 FAULT 引脚的其他诊断包括：过热、24V 现场电源低、24V 现场电源缺失、CRC 通信错误等。
基于连续单词大小的音频令牌的生成语言模型
在NLP中，已知基于单词或子字的文本语言模型表现优于其基于字符的同行。然而，在语音社区中，口语LMS的标准输入为20ms或40毫米的离散单元（比音素短）。从基于文字的LM中汲取灵感，我们基于单词大小连续值的音频嵌入来引入生成性口语模型（GSLM），该模型可以产生多样化和表现力的语言。这是通过用词汇嵌入函数代替词汇类型的查找，通过对比度损失的横熵损失以及k-nn Sampling的多项式采样。最终的模型是基于单词大小连续嵌入的第一个属性语言模型。其性能与自动指标和主观人类判断衡量的发电质量的离散单位GSLM相当。此外，由于其200ms的大型单元，它的内存效率高五倍。此外，词汇嵌入器之前和之后的嵌入在含明确和语义上是可解释的。1
SPK11R1LM4H-1低功率多模数数字底部port sisonic™麦克风
Parameter Symbol Conditions Min Typ Max Units Supply VoltageVdd1.621.81.98VLow Frequency RolloffLFRO-3dB relative to 1 kHz-20-HzHigh Frequency Flatness+3dB relative to 1 kHz-15-kHzResonant Frequency PeakFresFree Field response-29-kHzLatency@ 4kHz, Fclock = 2.4 MHz-3-μsDC OffsetSEL = 0 / SEL = 1: Fullscale = ±100%-0.0 / -0.39-%DirectivityOmnidirectionalPolarityIncreasing sound pressureIncreasing density of 1'sData Format½ Cycle PDMSensitivity DropVdd(min) ≤ Vdd ≤ Vdd(max)--±0.25dBClock Input CapacitanceCin-8-pFData Output CapacitanceCout-60-pFData Output LoadCload--110pFSELECT (high)Vdd-0.2-VddVSELECT (low)-0.3-0.2VShort Circuit CurrentIscGrounded DATA pin1-20mAFall-asleep Time3,4Fclock < 1kHz--10msWake-up Time3,5Fclock ≥ 380kHz--20msStartup Time3Powered Down →活动，最终值的1dB不超出20mstime到第一个数据位，从有效的VDD和CLK到第一个逻辑位在数据线上驱动到第一个逻辑位。输出为直到第一个数据位为止。初始输出位代表静音音频。音频数据将遵循启动时间。23MMSMODE-CHANGE TIME3，6LOW POWER MODE模式⇔快速模式 - 20ms
使用超声心动图放射线特征和机器学习算法
由心肌中的铁沉积引起的抽象心力衰竭是β-丘脑贫血患者死亡率的主要原因。心脏磁共振成像（CMRI）T2*是用于检测心肌铁超负荷的主要筛选技术，但固有地存在一些局限性。在这项研究中，我们的目的是根据从超声心动图图像中提取的放射性特征和机器学习（ML）在具有正常左心室放射率（正常左心室放射率（LVEF）正常的左心室放射率（LVEFF> 55％）中提取的放射性特征（LVE> 55％）的患者，基于放射性图像图像和机器学习（ML）提取的放射性特征（ML）基于放射性图像和机器学习（ML）的放射性特征（LVE> 55％）中的放射性特征（由T2*CMRI检测）分开了β-核铁无症患者与没有心肌铁超负荷的患者。在91例病例中，有44例患有正常LVEF（> 55％）和T2*≤20ms的患者，其中包括对照组，其中47例LVEF> 55％和T2*> 20 ms的患者包括在研究组中。放射线特征。然后，使用了三种特征选择（FS）方法和六个不同的分类器。使用各种指标评估模型，包括ROC曲线（AUC）下的面积，准确性（ACC），灵敏度（SEN）和特异性（SPE）。Maximum relevance-minimum redundancy-eXtreme gradient boosting (MRMR-XGB) (AUC = 0.73, ACC = 0.73, SPE = 0.73, SEN = 0.73), ANOVA-MLP (AUC = 0.69, ACC = 0.69, SPE = 0.56, SEN = 0.83), and recursive feature elimination-K-nearest neighbors (RFE-KNN) (AUC = 0.65，ACC = 0.65，SPE = 0.64，SEN = 0.65）是ED，ES和ED＆ES数据集中的最佳模型。使用超声心动图图像和ML提取的放射线特征，可以预测铁超载引起的心脏问题。