XiaoMi-AI文件搜索系统
World File Search SystemGLM
在有或没有短距离通道的方法的功能近红外光谱中的全身活动校正的性能比较
功能性近红外光谱（FNIRS）是神经影像学的有前途的工具，尤其是在大脑的背景下 - 计算机接口1（BCI）或Neurofeffack 2（NFB）2（NFB）应用于运动神经疗法的应用。在积极的公开3 NFB培训中，参与者通过接收反馈，以促进大脑可塑性来自我调节与任务相关的大脑活动。2、4、5为了运动神经居住的目的，任务可以是任何运动任务，但是，最常见的是，参与者执行动力学运动图像，也就是说，想象一下不实际执行的运动任务的感觉。2、6、7要实现此目标，这是一种特定于空间的大脑成像工具，可以进行成本效益，重复训练。fnirs融合了这些品质。2，8此外，FNIRS允许衡量困难的人群，例如儿童和患者，它相对可靠地抵抗运动，并且由于FNIRS可以是可移动和便携式的，因此它具有环境灵活性。5，8 - 10 FNIRS的一个主要缺点是对测量信号的污染，该信号具有任务诱发的全身性外脑活动和脑活动11，12（简而言之：系统性活动，SA）。fnirs通过将NIR光从光源转移到光探测器来捕获血液动力学活性。在这一旅程中，光不仅可以穿透大脑组织，还可以穿透脑外层（头皮和皮肤），从而产生了包括脑和脑外血液动力学活性的信号。14此外，它不是均匀分布在头部12、13中，并且可以模仿与任务相关的活动。11，12 SA伪像引起的问题是多种多样的：信号类型之间的伪像（δ½HBO）与脱氧（δ½HBR）血红蛋白之间的伪像之间有所不同，在子主体之间和内部之间的11-13和任务。12，13由于伪像的频率可以与任务频率重叠，因此常规使用的时间过滤器不够。结果是，统计结果可能是由于误报而膨胀的，或者因假否定性而耗尽。NFB和BCI应用的 11、12、15、16这可能意味着它们可能基于噪声而不是大脑活动。 到目前为止，SA伪像的脑外部部分的全身性伪影校正（SAC）的黄金标准涉及短距离通道（SDCS）。 对于SDC，NIR光源和检测器的距离<10 mm 11 - 13，17（理想情况下为成人18毫米，为8.4 mm）。 由于短距离，SDC大多测量了脑外SA，然后可以通过应用基于回归的方法来纠正数据，例如，例如，使用基于回归的方法。 13、17、19 - 21迄今为止最有前途的方法是将SDC数据作为（附加）回归器添加到一般线性模型（GLM）中。 13、17、21此方法中最佳的SDC数量仍然未知，但是在添加更多SDC时，最多显示了八个SDC的最多SDC。 17也包括两种信号类型的SDC，即δ½HBO和δ½HBR，都改善了结果。 17但是，并非所有FNIRS研究人员都可以访问或可以在不久的将来访问SDC。 17，2511、12、15、16这可能意味着它们可能基于噪声而不是大脑活动。到目前为止，SA伪像的脑外部部分的全身性伪影校正（SAC）的黄金标准涉及短距离通道（SDCS）。对于SDC，NIR光源和检测器的距离<10 mm 11 - 13，17（理想情况下为成人18毫米，为8.4 mm）。 由于短距离，SDC大多测量了脑外SA，然后可以通过应用基于回归的方法来纠正数据，例如，例如，使用基于回归的方法。 13、17、19 - 21迄今为止最有前途的方法是将SDC数据作为（附加）回归器添加到一般线性模型（GLM）中。 13、17、21此方法中最佳的SDC数量仍然未知，但是在添加更多SDC时，最多显示了八个SDC的最多SDC。 17也包括两种信号类型的SDC，即δ½HBO和δ½HBR，都改善了结果。 17但是，并非所有FNIRS研究人员都可以访问或可以在不久的将来访问SDC。 17，25对于SDC，NIR光源和检测器的距离<10 mm 11 - 13，17（理想情况下为成人18毫米，为8.4 mm）。由于短距离，SDC大多测量了脑外SA，然后可以通过应用基于回归的方法来纠正数据，例如，例如，使用基于回归的方法。13、17、19 - 21迄今为止最有前途的方法是将SDC数据作为（附加）回归器添加到一般线性模型（GLM）中。13、17、21此方法中最佳的SDC数量仍然未知，但是在添加更多SDC时，最多显示了八个SDC的最多SDC。17也包括两种信号类型的SDC，即δ½HBO和δ½HBR，都改善了结果。17但是，并非所有FNIRS研究人员都可以访问或可以在不久的将来访问SDC。17，25例如，冯·吕曼（VonLühmann）及其同事21发现，只有4％的发表FNIRS BCI研究使用SDC进行校正。对于没有可用SDC的实例，已经提出了许多替代的SA校正方法，例如，基于空间过滤器15、16、22-24或通过基于主成分分析的过滤器使用单个基线测量结果。
有益的微生物和水胁迫影响质检查Quercus ilex幼苗对phytophthora cinnamomi rands
摘要：影响Holm Oak的根腐是伊比利亚半岛高生态和经济损失的原因，强调了发展疾病控制方法的相关性。这项工作的目的是评估由有益的生物（Trichoderma Complex，T-Complex）组成的生物处理的作用，对在两个对比的Holm Oak Ecotyp中感染的Holm Oak幼苗感染了phytophthora cinnamomi，一种被认为是高度易于耐受的霍尔姆oak oak Ecotyp，一种被认为是耐受性的（hu）和另一种被认为是耐受性的。为此，在温室中进行了完整的多因素测试，并监测幼苗以进行生存分析以及形态和生理属性评估。死亡率始于易感性（HU），而不是在耐受性（GR）生态型中，并且由于植物的生态型，生存率显示出不同的趋势。耐受性生态型显示出高生存率和对利用微生物治疗的更好反应。glm表明，治疗之间差异的主要原因是生态型，其次是T-复合和灌溉，并且发现生态型和肉桂疟原虫之间存在弱相互作用。光合作用（a）与蒸腾（TR）之间的线性关系显示，在DR型条件下，在DR型条件下，感染和接种植物的A/TR速率增加。受益的微生物治疗对耐受性生态型的影响更大。对Q的遗传多样性的理解和水应力对生物处理对根腐病的有效性的影响提供了有用的信息，以开发环保疾病控制方法来解决Holm Oak的下降。
气候研究R02：P17 -Ross McKitrick
McKitrick＆Michaels（2004）提出了一个重要的问题，即经济活动和其他非气候条件是否可能影响来自气候符号网络的真实温度趋势的估计。他们使用了许多非气候方面和计量经济学计划Shazam（White 1993）来得出异性恋性的Covari-Ance Matrix（White 1980），以建模趋势估计和非气候因素之间的统计关系。普通的最小二乘（OLS）模型可能会产生偏见的估计，并且残留物中的异性症的存在可能是模型错误规范的指示，例如不正确的函数形式。因此，Shazam模型应该对描述许多因素与温度趋势之间关系的系数进行公正的估计。然而，如果得出的结论是，在温度趋势估计上存在明显且显着的污染，那么它们的结果不应特别是一个特定模型。尽管OLS和广义线性模型（GLM）可能无法产生最佳的非偏置值，但在这些更常见的回归分析中应找到相同的模式。在这里，他们的结果得到了重新努力，以检查是否忽略了将站间依赖的忽视可能影响他们的结论。McKitrick＆Michaels（2004）的定居地点意味着显着的空间相关性，例如44个站点来自东欧或西欧。分析使用了McKitrick＆Michaels（2004）的数据，可从WWW获得。uoguelph.ca/~rmckitri/research/gdptemp.html。数据是在Excel Difformat中提供的，使用Excel读取，然后保存为纯DOS文本文件。'd-'使用emacs更改为“ e-”，以将数据读取到R-Environment中（Gentleman＆Ihaka 2000，
通过遥感技术增强风侵蚀风险评估
防止风暴和沙尘暴一直是干旱和半干旱地区的主要问题，因为它们对环境产生了负面影响。这项研究旨在进行遥控感和机器学习技术，以建模，监视和预测伊朗东北部风侵蚀的风险。通过对相关研究的检查进行了全面的综述，从而鉴定了八个与现场数据相关性最高的遥感指标。随后使用这些指标来模拟研究区域中风侵蚀的风险。采用了各种方法，包括随机森林（RF），支持向量机（SVM），梯度提升机（GBM）和广义线性模型（GLM）来执行建模过程。最终方法利用了模型的加权平均值，SDM统计软件包用于结合不同的方法，以减少对该区域的模拟和监测风侵蚀时的不确定性。建模结果表明，在2008年，RF模型执行了最佳（AUC = 0.92，TSS = 0.82和Kappa = 0.96），而在2023年，GBM模型显示出较高的性能（AUC = 0.95，TSS = 0.79，和Kappa = 0.95）。因此，出现了合奏模型的利用是一种有效的方法，可以减少建模过程中的不确定性。通过采用整体模型，获得的结果准确地描绘了研究区域东北地区的风侵蚀强度升高，到2023年。此外，考虑到气候场景和占据的土地利用变化，预计到2038年，研究区的中部和南部地区的风侵蚀强度将增加23％。考虑了合奏模型的可靠结果，该模型提供了降低的不确定性，可以实施有效的计划，最佳管理和适当的措施来减轻风侵蚀的进展。
用于 fMRI 分析的功能模式细粒度图谱
群体成像显著增加了功能成像数据集的大小，为个体间差异的神经基础提供了新的见解。分析这些大数据带来了新的可扩展性挑战，包括计算和统计方面的挑战。因此，大脑图像通常总结为几个信号，例如使用大脑图谱或功能模式减少体素级测量值。选择相应的大脑网络非常重要，因为大多数数据分析都是从这些减少的信号开始的。我们贡献了精细解析的功能模式图谱，包含 64 到 1024 个网络。这些功能模式词典 (DiFuMo) 是在数百万个 fMRI 功能性大脑体积上训练的，总大小为 2.4TB，涵盖了 27 项研究和许多研究小组。我们展示了在我们的细粒度图谱中提取精简信号对许多经典功能数据分析流程的好处：从 12,334 个大脑反应中解码刺激、跨会话和个体的 fMRI 标准 GLM 分析、提取 2,500 个个体的静息状态功能连接组生物标志物、对超过 15,000 个统计图进行数据压缩和荟萃分析。在每一个分析场景中，我们都将我们的功能图谱与其他流行参考资料的性能进行比较，并与简单的体素级分析进行比较。结果强调了使用高维“软”功能图谱来表示和分析大脑活动同时捕捉其功能梯度的重要性。高维模式的分析实现了与体素级类似的统计性能，但计算成本大大降低，可解释性更高。除了提供它们之外，我们还根据这些模式的解剖位置为其提供有意义的名称。这将有助于报告结果。
415兔子的血液学反应...
摘要进行了实验，以评估饲料限制，进食时间及其相互作用对兔子雄鹿中血液学特征的影响。将三十六（36）个兔子雄鹿用于研究。兔子雄鹿分别喂养75.00、67.50和60.00克商业种植者的颗粒，分别代表100％，90％和80％的每日定量。雄鹿分为两组18（18）个雄鹿。第一组是在早上喂食的，而第二组则在晚上进行了每日口粮。雄鹿被随机分配到三（3）个不同水平的饲料限制，并分别在早晨和晚上组复制三（3）次。雄鹿每天100％的口粮作为对照。该研究采用了完全随机设计（CRD）的2 x 3阶乘布置。在实验的第四周结束时，从每个复制中收集血液样本以确定血液学指数。使用IBM社会科学统计软件包（SPSS）版本21。结果表明，在研究中，兔子雄鹿的饲料限制性限制（P <0.05），WBC，中性粒细胞和淋巴细胞。喂养时间显着影响（P <0.05）PCV，MCV，中性粒细胞，淋巴细胞和血小板。在MCV，中性粒细胞，淋巴细胞和血小板上的进食时间与进食时间之间存在相互作用。关键字：饲料限制，喂养时间，血清生物化学，血液毒素总而言之，在傍晚喂养兔子的90％的日期分量的90％可改善大多数血液学参数，而不会损害动物的健康。
无家可归研究中以人为中心的算法回顾
Dimension Code Count % Example Computational Inferential Statistics Statistical tests (ST) 6 10.3% [131] Method Generalized Linear Models (GLM) 35 60.3% [80] Machine Learning Supervised Learning (SUP) 19 32.8% [21] Unsupervised Learning (USUP) 2 3.4% [48] Natural Language Processing (NLP) 1 1.7% [28] Deep Learning Neural Network (NN) 5 8.6% [79]优化混合整数编程（MIP）7 12.1％[103]网络分析（NA）8 13.8％[144]系统仿真（SS）7 12.1％[39]启发式算法（HA）2 3.4％[60]预测者人口统计学个人人口统计学37 63.8％63.8％[45]差异[45]量化家庭构图最新的房屋构成11 199.0.11 199.11 [118] [118] [118] [118] [118] [118] [118] [118] [118] [118] [118] [118] [118] [118] [118] [118] [118] [118] [118] [118] [118] [118] [118] [118] [118] [118] [118] [118] [118] [118] [118] [118] [118] [118] [118] [118] [118] [118） Housing 22 37.9% [132] Housing History 22 37.9% [17] Service usage history 25 43.1% [43] Housing/service needs 11 19.0% [59] Services Service provider information 20 34.5% [58] Health Health 36 62.1% [14] Person Needs/Risks Prior victimization/trauma 20 34.5% [6] Involvement with criminal justice 16 27.6% [33] Risk assessment 11 19.0% [83]行为特征2 3.4％[143]关系强度7 12.1％[120]社交网络分析8 13.8％[142]结果结果资源分配（RES）15 25.9％[66]变量变量的风险经历无家可归的危害的风险（危害）8 13.8％[127] [127] [127] [127]影响识别（ID）7 12.1 12.12.1 124 [124] [124] [124] [124] [124] [124] [124] [102]无家可归的风险（风险）23 39.7％[64]表2。通过研究问题组织的代码手册（我们的57篇论文中的n = 58算法显示的百分比）
黑山税收政策变化的有效性
摘要 背景 本研究的主要目的是检查吸烟率和香烟消费对不同收入群体的价格和收入变化的响应程度，以及税收政策变化对减少黑山香烟消费的有效性。 数据和方法 采用两部分模型来估计吸烟参与度、吸烟强度价格和收入弹性。模型的第一部分应用 logit 回归，而第二部分使用 Deaton 模型来提高条件（吸烟强度）弹性结果的有效性和客观性。采用广义线性模型 (GLM) 来验证稳健性。原因是 Deaton 模型通常用于家庭预算调查 (HBS) 数据的分析，尤其是当家庭不报告市场价格时。此外，使用该模型，可以捕捉到质量对价格变化的影响。该分析使用了 HBS 数据 (2006-2017)。结果 估计结果表明，烟草定价政策对低收入群体（价格弹性为 -0.595）吸烟率的影响远高于高收入群体（价格弹性为 -0.344）。吸烟强度弹性也可以得出同样的结论：高收入群体受价格变化的影响最小（价格弹性为 -0.258）。同时，受影响最大的是低收入群体，价格弹性为 -0.424。贫困家庭在香烟上的支出占其预算的较大份额。模拟结果证实，将烟草特定消费税增加 58.3% 将使香烟总消费量减少 11.25%，同时使政府收入增加 8.07%。 结论 吸烟率和消费对价格和收入变化非常敏感，不同收入群体的弹性差异很大。税收政策对每个收入群体的消费模式和公共收入变化产生积极影响。低收入和中等收入家庭受益最多，而另一方面，收入最高的群体是最富有的群体。我们的结果与迄今为止在其他低收入和中等收入国家获得的结果一致。本文首次在黑山进行了吸烟率和香烟消费对价格和收入变化的反应分析。
spatstat：空间点模式分析、模型拟合、模拟、测试
描述 用于分析空间点模式的综合开源工具箱。主要关注任何空间区域中的二维点模式，包括多类型/标记点。还支持三维点模式、任意维度的时空点模式、线性网络上的点模式和其他几何对象的模式。支持空间协变量数据，例如像素图像。包含 3000 多个用于绘制空间数据、探索性数据分析、模型拟合、模拟、空间采样、模型诊断和形式推理的函数。数据类型包括点模式、线段模式、空间窗口、像素图像、镶嵌和线性网络。探索性方法包括样方计数、K 函数及其模拟包络、最近邻距离和空白空间统计、Fry 图、成对相关函数、核平滑强度、交叉验证带宽选择的相对风险估计、标记相关函数、分离指数、标记依赖性诊断和协变量效应的核估计。还支持随机模式的正式假设检验（卡方、Kolmogorov-Smirnov、蒙特卡罗、Diggle-Cressie-Loosmore-Ford、Dao-Genton、两阶段蒙特卡罗）和协变量效应检验（Cox-Berman-Waller-Lawson、Kolmogorov-Smirnov、ANOVA）。可以使用与 glm() 类似的函数 ppm()、kppm()、slrm()、dppm() 将参数模型拟合到点模式数据。模型类型包括泊松、吉布斯和考克斯点过程、奈曼-斯科特聚类过程和行列式点过程。模型可能涉及对协变量的依赖、点间相互作用、聚类形成和对标记的依赖。模型通过最大似然法、逻辑回归法、最小对比度法和复合似然法进行拟合。可以使用函数 mppm() 将模型拟合到点模式列表（重复的点模式数据）。除了上面列出的所有特征外，该模型还可以包括随机效应和固定效应，具体取决于实验设计。
任务诱发的杏仁核—前额叶回路的年龄相关变化：采用 4-22 岁加速纵向队列的多元宇宙方法
图 2 杏仁核反应性与年龄相关变化的多元宇宙分析。（a）。恐惧与年龄相关变化的规格曲线 > 基线杏仁核反应性。点表示估计的线性年龄相关变化，线表示相应的 95% 后验区间 (PI)。模型按与年龄相关的变化估计值排序，虚线表示所有规格的中值估计值。颜色表示 beta 估计值的符号以及相应的后验区间是否包含 0（红色 = 不包括 0 的负数；蓝色 = 包括 0 的负数，绿色 = 包括 0 的正数，黑色 = 所有规格的中位数）。（b）。A 中每个模型对应的模型规格信息。y 轴上的变量表示分析选择，相应的颜色标记表示已做出选择，空白处表示在给定的分析中未做出选择。在每个类别面板（杏仁核 ROI、组级模型和参与者级模型）中，决策点按做出相应选择时的中位模型排名从上到下排序（即，每个面板顶部的选择往往具有更负面的与年龄相关的变化估计值）。带有误差线的黑点表示在相应线上指示的做出选择的规范的中位数和 IQR 排名。（c）。参与者级数据和模型预测的与年龄相关的杏仁核反应性变化的示例，包括恐惧 > 基线（绿色）和中性基线（橙色）。数据显示为使用原生空间双侧杏仁核掩模、24 个运动回归器、t 统计量、高通滤波和 FSL 中的参与者级 GLM 的预注册管道。点表示参与者级估计值，浅线连接多次研究访问的参与者的估计值，带有阴影区域的暗线表示模型预测和 95% 后验区间。（d）。一组模型的规格曲线分别参数化参与者内（右）与参与者间（左）的年龄相关变化，包括恐惧 > 基线（绿色）和中性 > 基线（橙色）对比，以及跨规格的中位数（黑色）。请参阅 https://pbloom.shinyapps.io/amygdala_mpfc_multiverse/ 了解交互式可视化