XiaoMi-AI文件搜索系统
World File Search SystemKappa
爱因斯坦·西尔弗里奇（Einstein Silverridge）v爱因斯坦
TD TM TR TL TY MWT TV 99％-I HH1F HH2F HH2F HH3F HH4F HH4F HH5F HH5F HH6F HCDF HCDF HMWF REG。＃：Hocanm12857528 AAA：534126 DMS：345 BORN：04/18/2018 KAPPA酪蛋白：AB Beta酪蛋白：A2A2
o r i g i n a l r e s a r c h不一致的定量和视觉CT评估在诊断肺气肿
目的：肺的计算机断层扫描（CT）的视觉评估通常用于诊断肺气肿。定量CT（QCT）可以补充视觉CT，但必须得到充分验证。QCT肺气肿定义为低衰减区域≤-950 Hounsfield单位（LAA-950）占据的肺体积≥5％。不一致的视觉和QCT评估并不少见。我们检查了大量受试者中的视觉和定量胸部CT评估之间的关联，以识别可能解释不一致的视觉和QCT发现的变量。材料和方法：对在爱荷华大学进行的COPDGENE研究1阶段入学的1221名受试者进行的1221名受试者的体积CT扫描进行了审查。参与者包括从不吸烟者，具有正常肺活量测量的吸烟者，肺活量测量值障碍和全球阻塞性肺病（金）阶段I – IV的倡议。ct扫描是由科德吉尼成像中心和爱荷华大学放射科医生定量评分和视觉解释的。个人级视觉评估与QCT测量值进行了比较。使用KAPPA统计量计算两组放射科医生之间的一致性。我们使用回归方法评估了与不一致结果相关的变量。结果：我们中心放射科医生和QCT之间存在肺气肿（61％的一致性，kappa，0.22 [0.17-0.28]）是公平的一致性。当前的吸烟和女性性别与QCT阴性但视觉上可检测到的肺气肿显着相关。临床试验注册：临床Trials.gov标识符NCT000608764。类似的比较ISON显示了COPDGENE成像中心与QCT之间的略有一致性（56％的一致性，Kappa 0.16 [0.11-0.21]），两组视觉评估之间的中等一致（80％一致性，Kappa 0.60 [0.60 [0.54-0.65]）。结论：肺气肿的视觉和定量CT评估之间的一面一致的一致性强调，需要利用这两种方式进行全面的放射学评估。不一致的结果可能归因于一个或多个在较大研究中需要进一步探索的因素。关键词：胸部成像，慢性阻塞性肺部疾病，观察者一致，Akaike信息标准
FRANK J. INFURNA - ASU 搜索
奖，2009 年 • GSA 行为与社会科学 (BSS) 部分预论文奖，2009 年 • GSA BSS 部分学生旅行奖，2010 年 • Kappa Omnicron Nu (KON) 荣誉协会受邀成员 • 密歇根大学调查研究中心暑期实习项目，2008 年 • 加入 Phi Theta Kappa 学术荣誉协会，2005 年春季 研究 赞助研究 持续研究支持 NIH/NIA Infurna & Gerstorf (共同 PI) 09/01/22-04/30/27 R01 AG079523 中年健康、幸福感和认知多样性背后的心理社会风险和弹性机制 我们的目标是使用 HRS 系列研究来确定推动中年健康、幸福感和认知发展多样性的代际、财务和健康行为机制，并阐明可以促进恢复性结果并为未来的预防、政策和干预工作提供参考。角色：联合首席研究员总直接成本：2,592,201 美元。直接和间接成本总额：3,374,753 美元
研究论文 使用反向传播神经网络对高光谱遥感数据中的岩性信息进行提取和分类
为了解决高光谱遥感数据处理中遇到的同构问题,提高高光谱遥感数据在岩性信息提取与分类的精度,以岩石为研究对象,引入反向传播神经网络(BPNN),对高光谱图像数据进行归一化处理后,以岩性光谱与空间信息为特征提取目标,构建基于深度学习的岩性信息提取模型,并使用具体实例数据分析模型的性能。结果表明:基于深度学习的岩性信息提取与分类模型总体精度为90.58%,Kappa系数为0.8676,能够准确区分岩体性质,与其他分析模型相比具有较好的性能。引入深度学习后,提出的BPNN模型与传统BPNN相比,识别精度提高了8.5%,Kappa系数提高了0.12。所提出的提取及分类模型可为高光谱岩矿分类提供一定的研究价值和实际意义。
Thomas J.Kempa奖和荣誉
DARPA年轻教师奖2021 35 PIS 35材料科学贡献认可，Matter 2021 Discovery Award，Johns Hopkins University 2020 Discovery Award，Johns Hopkins University 2019 2019年新兴研究员J.mater。化学。2019 NSF职业奖2018 Toshiba杰出年轻研究者2018 Dreyfus Foundation in Remuntional Chemistal in Environmental Chemistry 2015 IUPAC年轻化学家最佳博士学位奖。 2013年研究2013 Dudley R. Herschbach教学奖，哈佛大学2011 2011 Fieser奖，哈佛大学2011年材料研究协会研究生奖2011 NSF研究生研究研究生研究员2006 - 2009年Marshall Scholar（2004年）2004 - 2004 - 2004年 - 2004年Matthew Copithorne ewnerovship，Matthew Copithorne ewnerowship，2004年，波士顿学院2004 Phi Beta Kappa Kappa 2003 Arnold and Mabel Scholar and Mabel Beckman 2003
深度学习 A - 开放研究在线
摘要：近几年，使用机器和深度学习算法的信号处理领域取得了显着增长，在脑电图 (EEG) 中具有广泛的实际应用。经皮电针刺激 (TEAS) 是传统针灸方法的一种成熟变体，也受到越来越多的研究关注。本文介绍了使用深度学习算法对 EEG 数据进行研究的结果，以研究在刺激前、刺激期间和刺激 20 分钟后立即对 66 名参与者的手部施加不同频率的 TEAS 对大脑的影响。小波包分解 (WPD) 和混合卷积神经网络长短期记忆 (CNN-LSTM) 模型用于检查这种外周刺激的中心效应。使用混淆矩阵分析分类结果，以 kappa 作为度量。与预期相反，EEG 与基线的最大差异发生在每秒 80 个脉冲 (pps) 的 TEAS 或“假”刺激 (160 pps，零幅度) 期间，而最小的差异发生在 2.5 或 10 pps 刺激期间 (平均 kappa 0.414)。CNN-LSTM 的 kappa 平均值和 CV 明显高于多层感知器神经网络 (MLP-NN) 模型。据我们所知，从已发表的文献中，似乎没有进行过人工智能 (AI) 研究来研究不同频率的电针型刺激 (无论是 EA 还是 TEAS) 对 EEG 的影响。因此，这项开创性的研究为文献做出了重大贡献。然而，与所有 (无监督) DL 方法一样，一个特别的挑战是由于算法的复杂性和对底层机制缺乏清晰的理解，结果不易解释。因此，还有进一步研究的空间，即使用 AI 方法探索 TEAS 频率对 EEG 的影响，最明显的起点是混合 CNN-LSTM 模型。这将使我们能够更好地提取信息以了解外周刺激的中枢效应。
COVID -19 SPIKE-与...
通过测试与45个疫苗的135个样品（每个样品3个样品）测试，评估了与中和测定法的比较。协议是通过Cohen的Kappa系数衡量的，值为0.951，表明几乎是完美的一致性。Spearman的等级相关系数（R）为0.926（p = 0.000），表明两种方法之间都有很高的相关性。
与肾脏意义的单克隆丙种球蛋白病相关的 C3 肾小球肾炎：诊断和治疗的挑战
2.5g/日（白蛋白尿1700mg/日），肾功能正常（CrS1.1/Ur65mg/dL，肌酐清除率94mL/min）。根据血清和尿液免疫固定试验结果，诊断为IgG/κ单克隆丙种球蛋白病：M蛋白0.4g/dL，血清κ轻链11.8mg/L，血清λ轻链1.16mg/L，对应比值为10.15。血红蛋白12.4g/dL，钙9.0mg/dL。血清IgA、IgG、IgM均降低（分别为596、68、21mg/dL）。他的 C3 水平较低，为 74 mg/dL（正常范围：90-180 mg/dL），C4 水平正常（15 mg/dL）。未进行扩展补体检测。免疫研究中未检测到其他变化（抗 GBM、ANA、抗 dsDNA、ANCA 和冷球蛋白抗体阴性），病毒血清学
Sylva Lestari Journal
在Kahayan Tengah森林管理部门（FMU）检查了基于管理部门的土地覆盖变更分析，以了解过去，现在和未来的土地覆盖，以协助Kahayan Tengah FMU的森林管理计划。这项研究旨在模拟2011年和2016年的土地覆盖变化，预测2021年，并在Kahayan Tengah FMU模拟2026年的土地覆盖率。使用QGIS插件中的molusce建模土地覆盖预测和模拟。结果表明，在2011 - 2016年期间，农业用地的总面积显着增加。通过人工神经网络方法对2011年和2016年的潜在土地覆盖过渡进行建模，在良好类别中，KAPPA系数为0.701，并且使用蜂窝自动机方法对2021年的土地覆盖率进行模拟显示，良好类别的Kappa系数为0.672。到2026年，农业用地将继续增加，而林地倾向于在其总面积保持稳定。这项研究设法在2021年预测了土地覆盖，并以良好的准确性模拟了2026年。因此，这些数据和信息可以支持Kahayan Tengah FMU的森林管理计划。
DNA测试的牛Unistel医疗实验室
与牛奶产量相关的突变：β酪蛋白：大约25-30％的牛奶是β-蛋白。有几个等位基因β酪蛋白等位基因，其中最常见的是A1和A2 - 其他类型包括A3，B，C，C，D，E，F，G，H1，H2，而我更稀有。A1等位基因与脂肪和蛋白质百分比增加有关。A2等位基因对牛奶和蛋白质产量有积极影响，有些人假设A2牛奶比A1牛奶更健康。B等位基因更有利于Rennet凝血和奶酪制作。kappa酪蛋白：B等位基因对凝乳生产更牢固，对凝血时间和奶酪产量产生积极影响。G和E等位基因与较不利的凝血特性相关。kappa酪蛋白与β酪蛋白具有相互作用。在凝结时间和凝乳的时间内，每个基因都有一个B等位基因会产生最佳结果。A等位基因是祖先等位基因。生长激素：在垂体前腺体中产生，在控制营养利用，代谢，泌乳，生育和生长中起着至关重要的作用。