XiaoMi-AI文件搜索系统
World File Search SystemInterpreting
COVID-19
f i g u r e 1通过癌症类型的晚期癌症患者的比例，他们有资格获得与生物标志物相关的治疗或由生物标志物指导的临床试验。改编并从Normanno等人，2022年进行更新。9基于AACR Genie Real -World基因组数据集的内部分析，版本8版（AACR Project Genie Consortium，2017年10）。基于2015 - 2017年UK Cancer Research的癌症发病率。 由英国癌症研究和国家癌症研究所的监视，流行病学和最终结果（SEER）计划和其他来源的晚期疾病患者的比例。 基于FDA批准的批准治疗。 Clinical trial biomarkers (cancer types are excluded where drugs have already been approved): ERBB2 mutation and amplification (excluding breast, NSCLC, and stomach), KRAS G12C (excluding NSCLC), CCNE1 amplification, STK11 (NSCLC only), MET amplification, PALB2 (breast, pancreas, ovary), ARID1A, EGFR (excluding NSCLC), IHD1/2 (excluding biliary), PIK3CA (excluding breast), AKT1/2/3 (excluding breast), CDK12, ERBB3/4 amplification and mutation, FGFR1 fusion and mutation, ATM (excluding prostate), BAP1, CTNNB1, NF1/2和PTCH1。 AACR表示美国癌症研究协会；中枢神经系统，中枢神经系统；美国食品和药物管理局FDA； Genie，基因组学证据肿瘤信息交流； NSCLC，Nonsmall细胞肺癌； SCLC，小细胞肺癌。基于2015 - 2017年UK Cancer Research的癌症发病率。由英国癌症研究和国家癌症研究所的监视，流行病学和最终结果（SEER）计划和其他来源的晚期疾病患者的比例。基于FDA批准的批准治疗。Clinical trial biomarkers (cancer types are excluded where drugs have already been approved): ERBB2 mutation and amplification (excluding breast, NSCLC, and stomach), KRAS G12C (excluding NSCLC), CCNE1 amplification, STK11 (NSCLC only), MET amplification, PALB2 (breast, pancreas, ovary), ARID1A, EGFR (excluding NSCLC), IHD1/2 (excluding biliary), PIK3CA (excluding breast), AKT1/2/3 (excluding breast), CDK12, ERBB3/4 amplification and mutation, FGFR1 fusion and mutation, ATM (excluding prostate), BAP1, CTNNB1, NF1/2和PTCH1。AACR表示美国癌症研究协会；中枢神经系统，中枢神经系统；美国食品和药物管理局FDA； Genie，基因组学证据肿瘤信息交流； NSCLC，Nonsmall细胞肺癌； SCLC，小细胞肺癌。AACR表示美国癌症研究协会；中枢神经系统，中枢神经系统；美国食品和药物管理局FDA； Genie，基因组学证据肿瘤信息交流； NSCLC，Nonsmall细胞肺癌； SCLC，小细胞肺癌。
迈向基于脑电图的脑机接口深度学习模型解读的最佳实践
这在许多 BCI 领域都是传统方法，例如识别注意力心理状态（Fahimi 等人，2019 年）、运动相关皮质电位识别（Lawhern 等人，2018 年）、检测驾驶员困倦（Cui 等人，2021a 年）等。尽管取得了成功，但深度学习的主要缺点是其行为背后缺乏透明度，这可能会引起最终用户对采用 BCI 的潜在担忧。近年来，人们做出了很多努力来解释深度学习模型的决策，并将其应用于图像和文本分类任务。这通常是通过生成热图来完成的，该热图指示输入的每个像素对训练模型的最终分类的贡献程度。对于基于脑电图的脑机接口，该技术可以揭示脑电图中局部存在的不同成分（例如来自不同皮质源产生的信号、传感器噪声、肌电图 (EMG)、眼球运动和眨眼活动）将如何影响分类 (Cui et al., 2021a,b, 2022)。因此，可以知道模型是否已经学习了具有神经学意义的特征，或者决策是否在很大程度上受到数据中的类判别伪影的影响，从而可以促进改进模型以获得更好的性能和可靠性的过程。深度学习的可解释性在基于脑电图的脑机接口领域受到广泛关注 (Sturm et al., 2016; Zhou et al., 2016; Bang et al., 2021; Cui et al., 2021a,b, 2022)。尽管应用广泛，但人们既不清楚所获得的解释结果在多大程度上可以信任，以及它们如何准确地反映模型决策，现有文献也没有清楚地解释为什么选择某种解释技术而不是其他技术。这些观察引起了人们对基于对模型决策的错误解释而得出的有偏见的结论的担忧。为了填补这一研究空白，我们进行了一项研究，以评估基于 EEG 的 BCI 的不同深度解释技术，并探索利用这些技术的最佳实践。总而言之，本文在以下方面做出了贡献：
解释和整合临床癌症治疗中的基因组检测结果：概述和实用指南
图 1 按照癌症类型划分的晚期癌症患者比例，这些患者可能有资格接受生物标志物相关疗法或生物标志物指导的临床试验。根据 Normanno 等人，2022 年的资料改编和更新。9 生物标志物流行率数据基于对 AACR GENIE 真实世界基因组数据集第 8 版的内部分析（AACR Project GENIE Consortium，2017 10）。癌症发病率基于 2015-2017 年英国癌症研究中心的数据。晚期疾病患者比例来自英国癌症研究中心和国家癌症研究所监测、流行病学和最终结果 (SEER) 计划以及其他来源。获批疗法基于 FDA 批准。临床试验生物标志物（已获批准药物的癌症类型除外）：ERBB2 突变和扩增（乳腺癌、NSCLC 和胃癌除外）、KRAS G12C（NSCLC 除外）、CCNE1 扩增、STK11（仅限 NSCLC）、MET 扩增、PALB2（乳腺癌、胰腺癌、卵巢癌）、ARID1A、EGFR（NSCLC 除外）、IHD1/2（胆道癌除外）、PIK3CA（乳腺癌除外）、AKT1/2/3（乳腺癌除外）、CDK12、ERBB3/4 扩增和突变、FGFR1 融合和突变、ATM（前列腺癌除外）、BAP1、CTNNB1、NF1/2 和 PTCH1。AACR 表示美国癌症研究协会；CNS，中枢神经系统；FDA，美国食品药品监督管理局；GENIE，基因组学证据肿瘤信息交换；NSCLC，非小细胞肺癌；SCLC，小细胞肺癌。
一种新的逻辑、一种新的信息度量和一种基于信息的新方法来解释量子力学
摘要：新的分区逻辑与通常的布尔子集逻辑（通常仅在命题逻辑的特殊情况下出现）是双重的，因为分区和子集是范畴论的对偶。逻辑熵的新信息度量是分区的规范化定量版本。解释量子力学 (QM) 的新方法表明 QM 的数学（而不是物理）是分区数学的线性化希尔伯特空间版本。或者，反过来说，分区数学是 QM 数学的骨架版本。从逻辑到逻辑信息再到量子理论的整个过程中，关键概念是区别与无区别、确定性与不确定性或可区分性与不可区分性。分区的区别是来自底层集合的有序元素对，它们位于分区的不同块中，逻辑熵最初定义为区别的规范化数量。确定性和可区分性的同源概念贯穿于整个量子力学的数学，例如，在关键的非经典叠加概念（=本体不确定性）中，以及在费曼规则中，用于添加振幅（不可区分的选择）与添加概率（可区分的选择）。
普京和普特南：通过三人两级博弈解读俄罗斯军事活动
弗拉基米尔·普京是不是一个糟糕的战略家，也许是不理性的？俄罗斯之前的军事活动，例如 2014 年吞并克里米亚，在国际上获得的收益有限，但付出了巨大的经济和声誉代价。然而，正如 2022 年入侵乌克兰所表明的那样，普京愿意投入军事力量，尽管要付出制裁和其他可能的报复的代价。这个三人同时进行的游戏最初于 2021 年 6 月创建，展示了弗拉基米尔·普京总统的国内和国际考虑可能导致俄罗斯军事行为变得不可预测。在罗伯特·普特南的“两级游戏”的这个扩展版本中，普京总统理性地将国际舞台用作操纵国内观众的场所。他不是一个糟糕的战略家；他在玩另一种游戏——为了自己的利益。这款游戏预示了俄罗斯对乌克兰的入侵，并描述了下一步的期望
从基于物理的锂离子电池模型中提取和解释电化学阻抗谱 (EIS)
本文实现了一种高效算法，用于从基于物理的电池模型（例如 P2D 模型）中提取电化学阻抗谱 (EIS)。该数学方法与 EIS 的实验方法不同。在实验中，电压（电流）在很宽的频率范围内受到谐波扰动，并测量相应电流（电压）的幅度和相移。该实验方法可以在仿真软件中实现，但计算成本很高。此处的方法是从完整物理模型中确定局部线性状态空间模型。作为状态空间模型基础的四个雅可比矩阵可以通过对物理模型进行数值微分而得出。然后使用计算效率高的矩阵操作技术从状态空间模型中提取 EIS。该算法可以在瞬态过程中的某一时刻评估完整的 EIS，而与电池是否处于静止状态无关。该方法还能够分离全电池阻抗以评估部分 EIS，例如仅评估电池阳极。尽管这种部分 EIS 很难通过实验测量，但部分 EIS 为解释全电池 EIS 提供了宝贵的见解。© 2024 作者。由 IOP Publishing Limited 代表电化学学会出版。这是一篇开放获取的文章，根据知识共享署名 4.0 许可条款分发（CC BY，http://creativecommons.org/licenses/by/4.0/），允许在任何媒体中不受限制地重复使用作品，只要正确引用原始作品。[DOI：10.1149/1945-7111/ad4399]
储能数据报告展望——电化学储能系统性能解读指南
人们对电化学储能材料和技术的关注度日益提升，为该领域带来了大批新研究人员，这无疑是迈向进步的第一步。[1] 新研究人员的多元背景和独特视角可以启发和催化传统观念的改变，从而为原本停滞不前的领域带来突破。但必须注意的是，新研究人员的涌入往往是一把双刃剑——任何科学领域的新手通常都不了解基础科学、惯例和定义该领域标准的方法，也不了解该领域发展到这一阶段的历史。通常，这会导致该领域的专家完全否定新研究人员的工作，很少考虑这些工作背后可能存在的科学价值，仅仅是因为研究人员对数据解释不当或计算方法滥用。电化学储能材料领域也不例外。尤其臭名昭著的例子包括但不限于镍氢氧化物、钴氧化物和镍钴氧化物/氢氧化物。[2] 每年都会发表大量关于这些材料的研究，报告的比电容值为每克数千法拉，但由于作者解释、分析和报告数据的方式，这些值被忽略了。这绝不是一个新问题，而且尚未解决。为了确保我们领域的建设性进展，我们想再次提请研究人员——以及将评判他们工作科学基础的审稿人——注意正确解释和报告储能材料和设备数据的重要性。在以下章节中，我们将讨论研究人员在报告储能材料性能指标时常犯的错误，以及如何正确识别所研究的特定电极材料的电化学特性可以消除这些错误。
考德威尔县学校区设施计划
系列，重点是模块2、3和4。•促进者应审查所有材料，并根据时机，小组规模，地方优先级，本地规范，演示格式（面对面或数字学习环境）和促进者的个人演示方式进行调整。•促进器注释（在此处提供，并作为每张幻灯片的幻灯片提供）为内容提供了灵活的选项，并且活动旨在支持促进者的决策。•该模块的主持人不必是形成性评估或科学的专家。该协调员指南旨在为促进者领导该模块中的会议提供必要的背景知识和脚手架，但促进者的优先级应支持参与者的理解。因此，促进者不应感到在形成性评估或主题领域的重点上被视为“专家”的压力。•在计划时，请考虑与您的参与者相关的特定连接。这可能是与资源，实践或特定标准的连接。
文章是什么使分散的能源存储方案成功？纳入利益相关者观点的评估
[o] NE应该谨慎对物理降解的精确定义。我们当然不想专注于减少一些简化的总体量度，以衡量经济中大量材料和物质（无论是库存还是流量）。并不是每个人都同意这一点 - 权利X的流行概念（x = 4、10等。），Wuppertal Institute推广的MIP，生态背包和TMR。计算总材料流是一个很好的消遣活动，但是我们应该关注与环境相关的物质/材料，并在任何聚合过程中分配这些适当的权重。总的来说，目前尚不清楚什么总物理量应完全降解 - 这里有一个测量或指标问题。（van den Bergh 2011，884）
Lobish：使用基于通道的变换和模式解释语言检测中的脑电信号的符号语言
摘要：脑电图 (EEG) 信号包含有关大脑状态的信息，因为它们反映了大脑的功能。然而，手动解释 EEG 信号既繁琐又耗时。因此，需要使用机器学习方法提出自动 EEG 翻译模型。在本研究中，我们提出了一种创新方法，以实现高分类性能和可解释的结果。我们引入了基于通道的变换、通道模式 (ChannelPat)、t 算法和 Lobish（一种符号语言）。通过使用基于通道的变换，EEG 信号使用通道的索引进行编码。所提出的 ChannelPat 特征提取器对两个通道之间的转换进行编码，并用作基于直方图的特征提取器。采用迭代邻域分量分析 (INCA) 特征选择器来选择最具信息量的特征，并将所选特征输入到新的集成 k 最近邻 (tkNN) 分类器中。为了评估所提出的基于通道的 EEG 语言检测模型的分类能力，收集了一个包含阿拉伯语和土耳其语的新 EEG 语言数据集。此外，还引入了 Lobish，以便从所提出的 EEG 语言检测模型中获得可解释的结果。所提出的基于通道的特征工程模型被应用于收集的 EEG 语言数据集，实现了 98.59% 的分类准确率。Lobish 从大脑皮层提取有意义的信息以进行语言检测。