XiaoMi-AI文件搜索系统
World File Search SystemImpedance
电池阻抗光谱频谱通过机器学习的部分充电电压曲线预测
电化学阻抗光谱（EIS）是锂离子电池健康诊断状态的有效技术，预计通过电池充电曲线预测阻抗光谱频谱预测有望在车辆操作过程中实现电池阻抗测试。然而，充电曲线和阻抗光谱之间的机械关系尚不清楚，这阻碍了基于EIS的预测技术的发展和优化。在本文中，我们通过电池充电电压曲线预测了阻抗光谱，并根据电化学机械分析和机器学习优化了输入。探索了充电曲线，增量容量曲线和阻抗频谱之间的内部电化学关系，从而改善了该预测的物理解释性，并有助于定义机器学习模型输入的适当部分电压范围。基于序列到序列的预测，已经采用了不同的机器学习算法来对所提出的框架进行验证。此外，评估了具有不同部分电压范围的不同部分电压范围的预测，并评估了不同的训练数据比，以证明所提出的方法具有较高的概括和鲁棒性。实验结果表明，适当的部分电压范围具有很高的精度，并且会收敛到电化学分析的发现。通过对电池内电化学反应的冠状分析选择的适当部分电压范围的阻抗光谱的预测误差小于1.9 m o。由Elsevier B.V.和科学出版社出版。即使电压范围降低到3.65–3.75 V，大多数RMSE的预测仍然可靠。2023年科学出版社和达利安化学物理研究所，中国科学院。这是CC下的开放式访问文章（http：//creati- vecommons.org/licenses/4.0/）。
通过几何阻抗控制
摘要 - 本文提出了一种差异几何控制方法，该方法利用了SE（3）组不变性和等效性，以提高学习机器人操纵任务中涉及与环境相互作用的可传递性。所提出的方法是基于利用最近提出的几何阻抗控制（GIC）与学习变量阻抗控制框架相结合的，在该框架中，增益计划策略是从专家辩护中以监督的学习方式培训的。几何一致的误差向量（GCEV）被馈送到神经网络以实现增益计划策略。我们证明，使用GCEV的GIC和学习表示在任意SE（3）转换（即翻译和旋转）下仍然不变。此外，我们表明，相对于空间框架表示，所提出的方法是均等的。对我们提出的控制和学习框架与配备笛卡尔错误矢量增益计划策略的著名的笛卡尔太空学习阻抗控制的比较，证实了我们所提出的方法的出色学习转移性。索引术语 - 几何阻抗控制，SE（3）等效性和剩余不变性，可变阻抗控制，接触式操纵任务
从电化学阻抗光谱
电化学系统的电化学阻抗光谱（EIS）数据的分析通常包括使用专家知识来定义等效电路模型（ECM），然后优化模型参数以反应各种抗性，能力，电感，电感性或扩散反应。对于小型数据集，可以手动执行此过程；但是，对于具有广泛的EIS响应的广泛数据集，手动定义适当的ECM是不可行的。对ECM的自动识别将基本上加速大量EIS数据的分析。 我们展示了机器学习方法，以分类由量子景观为电池派黑客马拉松提供的9,300个阻抗光谱的ECM。 最佳性能方法是利用库自动生成特征的梯度增强树模型，然后使用原始光谱数据进行随机森林模型。 使用Nyquist表示的布尔图像的卷积神经网络是替代的，尽管它的精度较低。 我们发布数据并开源关联的代码。 本文中描述的方法可以作为进一步研究的基准。 关键的剩余挑战是标签的识别能力，由模型性能和错误分类光谱的比较强调。 ©2023作者。 由IOP Publishing Limited代表电化学学会出版。 [doi：10.1149/1945-7111/acd8fb]对ECM的自动识别将基本上加速大量EIS数据的分析。我们展示了机器学习方法，以分类由量子景观为电池派黑客马拉松提供的9,300个阻抗光谱的ECM。最佳性能方法是利用库自动生成特征的梯度增强树模型，然后使用原始光谱数据进行随机森林模型。使用Nyquist表示的布尔图像的卷积神经网络是替代的，尽管它的精度较低。我们发布数据并开源关联的代码。本文中描述的方法可以作为进一步研究的基准。关键的剩余挑战是标签的识别能力，由模型性能和错误分类光谱的比较强调。©2023作者。由IOP Publishing Limited代表电化学学会出版。[doi：10.1149/1945-7111/acd8fb]这是根据Creative Commons Attribution 4.0许可（CC by，http://creativecommons.org/licenses/ by/4.0/）分发的开放式访问文章，如果原始工作适当地引用了原始作品，则可以在任何媒介中不受限制地重复使用工作。
使用带有阻抗奈奎斯特图的卷积神经网络评估锂离子电池的健康状态
摘要：为使锂离子电池保持安全运行状态并优化其性能，迫切需要对健康状态（SOH）进行精确评估，该状态指示锂离子电池的退化程度。本文提出了一个回归机器学习框架，该框架结合了卷积神经网络（CNN）和电化学阻抗谱（EIS）的奈奎斯特图作为特征来估计锂离子电池的SOH，显著提高了SOH估计的准确性。结果表明，基于EIS特征的奈奎斯特图比简单的阻抗值提供了有关电池老化的更详细信息，因为它能够反映阻抗随时间的变化。此外，与使用DNN模型的简单阻抗值以及其他传统机器学习方法（如高斯过程回归（GPR）和支持向量机（SVM））相比，CNN模型中的卷积层在从EIS测量数据中提取不同级别的特征和表征锂离子电池的退化模式方面更有效。
使用阻抗和非线性频率响应
这项研究通过将其动态行为系统地与两个其他实验性细胞设置进行比较，对18650锂电池的阴极和阳极进行了深入分析：（i）在三电极设置和（ii）对称性阴极和ANODODE和ANODODE和ANODE细胞中进行全细胞。该分析涉及将细胞进行电化学阻抗光谱，放松时间的分布以及不同电荷处的非线性频率响应分析。我们的发现突出了分析所有三个设置中电极的重要性。在电极分辨细胞中还观察到了全细胞的阻抗和非线性频率响应特征。对称细胞表现出更强的阻抗和非线性响应，但它们允许识别单个细胞的贡献，而没有由参考电极引起的电感回路的伪像。可以清楚地识别通过不同细胞设置，阴极和阳极过程及其各自的特征频率之间的非线性信号和特征峰。©2024作者。由IOP Publishing Limited代表电化学学会出版。这是根据Creative Commons Attribution 4.0许可（CC by，http://creativecommons.org/licenses/ by/4.0/）分发的开放式访问文章，如果原始工作适当地引用了原始作品，则可以在任何媒介中不受限制地重复使用工作。[doi：10.1149/1945-7111/ad5ef9]
final_emj_submitting.pdf
抽象目标。电阻抗断层扫描（EIT）是一种成像技术，它使用表面电极在物体内产生内部阻抗变化的层析成像图像。它可用于成像癫痫发作期间几秒钟内发生的脑组织阻抗的缓慢增加，这归因于过度稳态的细胞肿胀，这是由于超同步神经元热及其相关的代谢需求而引起的。在这项研究中，我们在大鼠脑中的新皮质和海马癫痫事件中表征和成像了这种缓慢的阻抗反应，并评估了其与潜在的神经活动的关系。方法。新皮质或海马癫痫发作，包括可重复的一系列高振幅发作性尖峰，通过电刺激用芬太尼 - 伊斯科紫烷麻醉的大鼠的感觉运动皮层或孔子路径来诱导。传递阻抗是在连续30次癫痫发作期间测量的，通过在上皮阵列上施加正弦电流，并合并以产生缓慢活性的EIT图像。主要结果。缓慢的阻抗响应始终与癫痫发作结束时持续时间匹配，并且该活动的EIT图像在所有动物中都重建了（p <<<<<<0.03125，n5）。这些表现出的活性焦点在空间上分别与面部体感皮质和齿状回，分别用于新皮层和海马癫痫发作，并随着癫痫发作的进行，并包含了较大的体积。明显的能力。对重建的质量分析表明，该活性对应于癫痫发生区的真实位置，这是由EEG记录和快速神经EIT测量确定的，这些测量同时获得。这些发现表明，缓慢的阻抗反应在癫痫发作过程中提出了高度同步神经元活性的可靠标志，因此可以用于研究体内癫痫生成的机制，并有助于在抗逆性epilesies e epilesies c Repracties患者期间癫痫发作的定位。
评估子宫动脉阻抗在胎龄16至20周，其与早期发作的前脱位
先兆子痫被认为是怀孕的最危险和常见并发症，其患病率是所有怀孕的2-8％（1，2）。根据发生的时间，该疾病分为两种类型：早期和晚发。早期类型的发生频率少于晚期类型，患病率为0.4至1％，但疾病的严重程度远高于晚期类型。在发展中国家，前启示邦是母亲在重症监护室住院的第一个原因，也是孕产妇死亡的第二个直接原因，孕产妇死亡是造成分娩周围死亡的6％（3，4）。据报道，伊朗先兆子痫的患病率为5％，近年来一直在增加（5）。在发展中国家患有前景前的妇女更多地遭受了不幸的结果和死亡的痛苦（6）。
开发具有主动电流激发的电化学阻抗光谱（EIS）测量系统，用于在线电池监控
[1] D.Faktorová，M。Kuba，S。Pavlíková和P. Fabo，“使用现代微控制器的阻抗光谱实施”，Procedia结构完整性，第1卷。43，pp。288-293，2023。[2] Q. Yao，D.-D.-C。 Lu和G. Lei，“具有低输出电压波动器上电源转换器上的精确在线电池阻抗测量方法”，Energies，第1卷。 14，否。 4，p。 1064，2021年2月。[3] P. Haussmann，J。J. Melbert，“使用电动汽车的标准电池管理系统通过阻抗光谱进行传感器单个细胞温度测量，” SAE技术文件2020-01-0863，2020。 报价和N. P. Brandon，“使用电动机控制器激发对电池阻抗的在线测量”，《 IEEE车辆技术交易》，第1卷。 63，否。 6，pp。 2557-2566，2014年7月。[5] A. Christensen和A. Adebusuyi，“在电池管理系统中使用板载电化学阻抗光谱，” 2013年世界电动汽车研讨会（EVS27），巴塞罗那，西班牙，西班牙，PP。。。288-293，2023。[2] Q. Yao，D.-D.-C。 Lu和G. Lei，“具有低输出电压波动器上电源转换器上的精确在线电池阻抗测量方法”，Energies，第1卷。14，否。4，p。 1064，2021年2月。[3] P. Haussmann，J。J. Melbert，“使用电动汽车的标准电池管理系统通过阻抗光谱进行传感器单个细胞温度测量，” SAE技术文件2020-01-0863，2020。报价和N. P. Brandon，“使用电动机控制器激发对电池阻抗的在线测量”，《 IEEE车辆技术交易》，第1卷。63，否。6，pp。2557-2566，2014年7月。[5] A. Christensen和A. Adebusuyi，“在电池管理系统中使用板载电化学阻抗光谱，” 2013年世界电动汽车研讨会（EVS27），巴塞罗那，西班牙，西班牙，PP。。2557-2566，2014年7月。[5] A. Christensen和A. Adebusuyi，“在电池管理系统中使用板载电化学阻抗光谱，” 2013年世界电动汽车研讨会（EVS27），巴塞罗那，西班牙，西班牙，PP。1-7，2013。
比较儿童和青少年的1型糖尿病与非糖尿病的人体成分生物电阻抗分析
分析儿童和青少年糖尿病的身体成分变得越来越流行。已经证明，监测重量生长或损失的干预措施，以确保有机体的发展和计划措施以防止成人疾病的疾病都可以从儿童期间对营养状况的评估中受益。先前的研究表明，患有1型糖尿病的患者经常经历称为糖尿病性酮症酸中毒的紧急情况[4]，通常不是肥胖。1型糖尿病（T1D）中的肥胖症历史并不常见，现在正成为一个更普遍的问题[5，6]。一生，很大一部分T1D患者会出现肥胖。近年来，这种情况更为普遍，患病率在2.8％至37.1％之间[7]。