XiaoMi-AI文件搜索系统
World File Search SystemDeTect
人工智能通过眼底照片检测视乳头水肿
结果 来自 6779 名患者的训练和验证数据集包括 14,341 张照片：9156 张正常视盘、2148 张有视乳头水肿的视盘和 3037 张有其他异常的视盘。分类为正常的百分比在各个部位从 9.8% 到 100% 不等；分类为有视乳头水肿的百分比在各个部位从 0 到 59.5% 不等。在验证集中，系统以 AUC 为 0.99（95% 置信区间 [CI]，0.98 至 0.99）区分有视乳头水肿的视盘与正常视盘以及有非视乳头水肿异常的视盘，以 AUC 为 0.99（95% CI，0.99 至 0.99）区分正常视盘与异常视盘。在 1505 张照片的外部测试数据集中，该系统对视乳头水肿检测的 AUC 为 0.96（95% CI，0.95 至 0.97），灵敏度为 96.4%（95% CI，93.9 至 98.3），特异性为 84.7%（95% CI，82.3 至 87.1）。
用于报告和检测 3D 身体情绪姿势的移动应用程序
自动情绪检测正在成为自然人机交互的基石（Alonso-Mart´ın et al., 2013），并且通常集成到人机多模态通信系统中。许多作者研究了情绪的表达和检测（详情见（Zeng et al., 2009）的综述）。大多数视觉情绪检测方法都侧重于面部表情（Gunes and Hung, 2016）。然而，情绪也可以通过肢体语言来表达和感知（De Gelder, 2006）。可以通过考虑表情的运动或相应身体姿势的一些静态视图来分析情绪肢体语言。Saneiro 等人（2014）开发了一种用情绪标记身体动作的系统，所提供的信息可用于数据挖掘技术。此外，Garber-Barron 和 Si（2012）发现，变化后的身体姿势比静止的身体姿势更能代表情绪的自动检测。一些作者提出了将二维 (2D) 静态图像分类为一组情绪状态的自动技术 (Schindler 等人，2008 年；De Silva 和 Bianchi-Berthouze，2004 年)，在情感计算领域开启了一条具有挑战性的研究路线。现有的从身体姿势自动检测情绪的机制主要使用计算机视觉技术，其中从图像 (参见 (De Silva 和 Bianchi-Berthouze，2004) 中的示例) 或视频 (例如 (Garber-Barron 和 Si，2012)) 中提取相关信息。此视觉信息
使用 ADS-B 检测和避免小型无人机系统
空域系统 (NAS) 中，新程序和技术对于确保空域安全运行和尽量减少 UAS 对当前空域用户的影响是必不可少的。目前，小型 UAS 在民用空域的使用受到限制，因为它们不具备检测和避开其他飞机的能力。在本文中，我们将介绍一个框架，该框架由基于广播式自动相关监视 (ADS-B) 的传感器、航迹估计器、冲突/碰撞检测和解决方案组成，可减轻碰撞风险。ADS-B 提供长距离、全方位入侵者检测，对尺寸、重量、功率和成本要求相对较低。所提出的冲突/碰撞检测和冲突/碰撞解决规划算法是在局部级别框架中设计的，该框架是展开的、未倾斜的机身框架，其中本机静止在地图中心。路径规划方法旨在随着与本机距离的增加而实现多分辨率，以考虑自分离和避免碰撞的阈值。我们使用模拟 ADS-B 测量来演示和验证这种方法。
DAAMSIM：用于建立检测和避免系统要求的模拟框架
摘要：许多监管机构和标准组织正在制定遥控飞机系统 (RPAS) 的检测、警报和避让 (DAA) 系统的性能要求。DAA 系统可分解为三个功能：“检测”——态势感知；“警报”——确定可能存在冲突的交通、评估消除冲突的飞行路径并通知机长；“避让”——执行避让机动并确定“无冲突”。DAA 系统的“检测”功能取决于传感器、目标和环境特性（例如目标与背景的信噪比）。“警报”功能取决于冲突预测算法和人为因素要求。“避让”功能取决于 RPAS 机动性能、空域“规则”和保护范围的大小。上述因素会影响计算和执行避障操作所需的时间，从而保证规定的脱靶距离，并决定传感器的“检测”要求。本文介绍了 DAAMSim：一种公开可用的建模和仿真框架，由加拿大国家研究委员会开发，用于支持确定 DAA 系统要求和评估 DAA 系统性能。本文描述的框架结合了各种传感器、跟踪器和避障模型等功能组件；数据回放；可视化
利用基因组预测检测数量性状的微进化变化
通过观察个体育种值随时间的变化来检测微进化对自然选择的反应是一项挑战。收集合适的数据集可能需要很多年，而且理清环境和遗传对表型变化的贡献并非易事。此外，基于谱系的获取个体育种值的方法存在已知偏差。在这里，我们应用基因组预测方法来估计索艾羊 (Ovis aries) 35 年数据集中成年体重的育种值。与传统的基于谱系的方法进行了比较。在研究期间，成年体重下降，但体重的潜在遗传成分增加，但增加的速度不太可能归因于遗传漂变。因此，可能发生了成年体重增加的隐秘微进化。基因组和基于谱系的方法给出了基本一致的结果。因此，使用基因组预测来研究野生种群的微进化可以消除对谱系数据的要求，可能为类似研究开辟新的研究系统。
EEG 白日梦，一种检测白日梦活动的机器学习方法
脑电图 (EEG) 广泛应用于脑机接口研究 [15]。利用 EEG 信号对认知任务进行分类一直是过去几十年的讨论焦点 [16]。低信噪比是 EEG 信号分类的常见障碍。虽然多种类型的机器学习和深度学习算法已用于认知任务分类 [4, 12, 23]，但如果没有适当的噪声分离，EEG 信号分类的准确性就会遇到瓶颈。EEG 数据中的噪声可能来自各种来源，主要可分为两大类：i）来自外界的噪声，包括环境噪声、实验设置引起的噪声和静电引起的噪声等因素；ii）来自人体的噪声，包括眨眼和呼吸等身体活动以及分散注意力的想法等心理活动 [25]。尽管已经进行了大量研究并取得了成功，可以消除外部噪音 [14]，但检测和消除内部噪音的问题仍然是一个需要进一步探索的领域。本文将重点关注后者的噪音来源，即心理活动的噪音，旨在设计一种算法来检测和消除心理干扰造成的噪音。
基于分裂 CAS9 的合成电路用于检测细胞事件
。CC-BY-NC-ND 4.0 国际许可证下提供（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2023 年 3 月 17 日发布。；https://doi.org/10.1101/2023.03.16.533022 doi：bioRxiv 预印本
医疗政策 - 检测冠状动脉钙化的计算机断层扫描
钙化描述/背景冠状动脉钙冠状动脉钙（CAC）与冠状动脉疾病（CAD）有关。快速计算机断层扫描（CT）扫描仪的开发允许在临床实践中测量CAC。冠状动脉钙已经在几种临床环境中进行了评估。最广泛的研究指示是使用CAC在亚临床疾病患者中预测未来CAD的风险，其目的是实施适当的降低风险降低疗法（例如他汀类药物，汀类药物治疗，生活方式修改）以改善结果。此外，在可能与CAD一致的症状患者中评估了CAC，但诊断尚不清楚。检测电子梁计算机断层扫描（EBCT；也称为超快CT）和螺旋CT（或螺旋CT）可以用作由于更快的吞吐量而导致的常规CT扫描的替代方法。在这两种方法中，图像采集的速度都为他们成像动人的心脏赋予了独特的价值。快速图像采集时间实际上消除了与心脏收缩有关的运动伪影，从而可以在心外膜冠状动脉中可视化钙。电子束计算机断层扫描软件允许量化钙面积和密度，并将其转化为钙评分。钙评分已被研究为检测CAC的技术，既是有症状的患者的诊断技术，都可以排除症状的动脉粥样硬化病因，或者在无症状患者中，作为CAD风险分层的辅助方法。电子束计算机断层扫描和多探测器CT最初是测量CAC的主要快速CT方法。进行CAC测量的快速CT研究需要10到15分钟，只需要几秒钟的扫描时间。最近，计算机断层扫描血管造影已用于评估冠状动脉钙。由于EBCT和计算机断层扫描在测量冠状动脉钙中的基本相似性，因此预计计算机断层扫描血管造影可提供与EBCT相似的冠状动脉钙的信息。
精神分裂症的社会隶属关系的一种努力的方法：在实时社会互动期间提高Theta和Alpha连接性的初步证据
构建一种理论，即统一量子力学（QM）和一般相对论（GR）一直是一项近一个世纪的努力，一直持续到今天。即使在理论量子重力方面取得了长足的进步，我们仍然没有完整的解决方案。也许是由于这项努力的巨大困难，因此早期实现了体验物理学在量子重力领域中起着的关键作用，这是早期实现的，这是对重力波（GWS）在2015年提高引力波（GWS）的首次观察的作用[1-4]。在2016年GW发现论文之前，量子重力实验探针的建议包括γ射线爆发[5]，米歇尔森实验室量表的干涉仪[6]，超高的能量宇宙射线和界面[7] [7] 9]，重力耦合G [10，11]，量子与重力散射[12，13]，分子干涉测定法[14]，洛伦兹违反了签名和约束[15]，以及许多其他[16] [16] [16]，两种模型依赖于模型的空间（例如，弦量量子量）（例如，弦量量子量）（例如，独立的量子）。从2016年开始，在越来越多的新（或更新）的实验溶液（包括干涉仪）中，可以检测到GW的较弱领域中可能弱的信号。实际上，尽管GR正确地解释了所有当前的GW观察结果[17-19]和重力测试[20]，但仍然有可能
人工智能可以通过数字皮肤图像检测出猴痘吗？
摘要 — 迄今为止，已有 75 个国家报告了猴痘疫情，该疫情正在全球迅速蔓延。猴痘的临床特征与天花相似，而猴痘的皮肤病变和皮疹通常与其他痘相似，例如水痘和牛痘。这些相似之处使得医疗保健专业人员通过检查病变和皮疹的外观来检测猴痘具有挑战性。此外，由于在当前疫情爆发之前猴痘很罕见，医疗保健专业人员之间存在知识差距。受人工智能 (AI) 在 COVID-19 检测中取得成功的推动，科学界对使用人工智能从数字皮肤图像中检测猴痘表现出了越来越浓厚的兴趣。然而，缺乏猴痘皮肤图像数据一直是使用人工智能进行猴痘检测的瓶颈。因此，最近，我们推出了 2022 年猴痘皮肤图像数据集，这是迄今为止同类数据集中规模最大的数据集。此外，在本文中，我们利用该数据集研究了在皮肤图像上使用最先进的 AI 深度模型进行猴痘检测的可行性。我们的研究发现，深度 AI 模型在从数字皮肤图像中检测猴痘方面具有巨大潜力（准确率为 85%）。然而，要实现更强大的检测能力，需要更大的训练样本来训练这些深度模型。