XiaoMi-AI文件搜索系统
World File Search SystemLiaw
Borryann（Bor Yann）Liaw
标题：锂库存跟踪作为无损的电池监控和评估方法摘要：常规电池设计从活性电极材料，电极和电池配方的功能开始，到电池和储能系统的集成和部署。电池设计，开发，制造和部署（DDMD）的整个“设计建筑测试周期”都是耗时，劳动和资源大量且昂贵的。人工智能（AI） - 基于数据驱动的方法已被吹捧为一种新概念，其中“数字双胞胎”是一种促进DDMD的快速方法。但是，这种AI辅助方法需要得到验证，而过去的经验经验可以帮助提供指导这一新开发的技巧，今天仍然缺少一种可靠的，无损的电池监控和评估工具。在这里，一种新颖的锂库存跟踪技术将作为一种可靠的工具呈现。我们将讨论概念，方法和原理，并使用锂NMC 811细胞的独特基质来证明该锂库存跟踪方法的生存能力和有效性。也将讨论研究过渡金属氧化物作为阴极活性材料的含义。
Fabien Zoulim 肝病研究所
Liaw YF 等人，N Engl J Med。 2004； Chang 等，肝脏病学2010； Marcellin 等人，Lancet 2013； Hosaka 等人，肝脏病学2013； Kim 等人，癌症 2015； Papatheodoridis 等，J Hepatol 2015
新闻发布 2024 年 11 月 19 日 首届国际精神卫生大会两年一度，旨在探讨
BICOMH 免费公共论坛 •（11 月 20 日，下午 4 点至 5 点 30 分）了解精神分裂症公共论坛：探索更好地支持社区中精神分裂症患者的方法。了解更多有关精神分裂症护理的信息，了解病例管理如何帮助满足他们的需求，并听取护理人员的意见。本次公共论坛的演讲者包括海星精神病学和心理健康诊所的医生兼顾问精神科医生、NMP Syed Haruyn Alhabsyi 博士，以及新加坡精神卫生协会的团队负责人 Liaw Zi Yun 女士。在此注册：www.bicomh.com/acsr-public-forum/ •（11 月 22 日，下午 2 点至 4 点）控制屏幕时间：支持儿童养成健康的数字习惯：儿童过度使用屏幕时间和游戏习惯越来越令人担忧。本次论坛的专家将分享帮助儿童养成健康数字习惯、控制屏幕使用、预防成瘾和培养平衡生活方式的策略。演讲嘉宾包括新加坡科技研究局 (A*STAR) 高级科学家陈雪娇博士、新加坡国立大学康英琪博士和新加坡国立大学医学研究所张伟斌博士。请在此注册：www.bicomh.com/isam-public-forum/ 如需了解更多会议信息，请访问：www.bicomh.com。
使用 Ah-V 特性评估锂离子电池健康状态
其中 C i 是时间上的第 i 次电容测量，C 0 是初始值。有许多研究已经研究了电池老化过程中的退化（Zhang，2011）。随着电池老化，电池性能下降与电池化学成分的变化有关。首先，固体电解质界面 (SEI) 层的生长会降低电池的电气效率。这会导致电池高频电阻增加，从而降低电池的最大功率输出（Troltzsch，2006）。电池电量的大量损失将导致车辆运行无效或车辆故障，即车辆无法运行。其次，电池容量会随着电池老化而下降（Liaw，2005）。容量下降是由多种因素造成的，例如活性材料中键合位点的损失和活性锂离子的损失。电池容量的大量损失将导致电池运行无效和车辆行驶里程减少。已经多次尝试使用电池阻抗或电池容量来估计电池 SOH。 Haifeng 等人 (2009) 将 SOH 定义为电池高频电阻的函数。作者使用卡尔曼滤波器估算电池电阻以估算电池 SOH。此外，Kim (2010) 开发了一种估算电池容量的技术以估算 SOH。作者实施了双滑模观测器来估算电池容量衰减。尽管在 SOH 估算领域取得了很大进展，但仍不确定，仍需要研究以开发新的更准确的方法。本文提出的研究调查了基于电池储能能力估算电池 SOH 的新方法。安培小时吞吐量 (Ah) 是电池的当前吞吐量，表示电池输送或储存的能量。电池端电压和开路电压随电池充电状态而变化。安培小时吞吐量可以是
使用 3-D 深度学习模型进行大规模脑功能网络整合以辨别自闭症
目前，自闭症谱系障碍的诊断主要依靠临床医生的症状和行为来判断。但这些方法要求医生具备很高的专业知识，且诊断结果容易受到医生的主观性影响。为了寻找更客观的生物标志物来识别自闭症谱系障碍，许多研究者致力于从遗传学、表观遗传学、身体代谢和神经影像学等角度寻找有效的生物标志物（ Goldani et al., 2014 ）。神经影像学被认为是一种很有前途的非侵入性技术，可以揭示人脑的潜在模式。利用结构磁共振成像（sMRI）、功能磁共振成像（fMRI）和正电子发射断层扫描（PET）等技术，可以将人脑建模为一个复杂的系统，各个区域执行不同的结构和功能。先前的神经影像学研究表明，在神经或精神疾病人群中，大脑的结构和功能连接都会发生交替（ Mueller et al., 2013 ）。在各类检查方法中，fMRI，尤其是记录血氧水平依赖性 (BOLD) 信号变化的静息状态 fMRI (rs- fMRI)，已广泛用于研究阿尔茨海默病 (Qureshi et al., 2019b)、精神分裂症 (Yan et al., 2019) 和 ASD (Abraham et al., 2017) 等精神疾病。功能性磁共振成像数据以高维 (∼ 100 万) 的 4 维矩阵格式组织，包含空间和时间信息。这使得直接利用原始数据作为分类算法的输入成为一项艰巨的任务。为了解决数据的高维性，已经提出了许多降维技术 (Abdi and Williams, 2010; Suk et al., 2015; Soussia and Rekik, 2018)。一些人没有使用原始 fMRI 数据，而是提出了脑功能网络分析来描述感兴趣区域 (ROI) 之间的“关系”。基于脑血流会刷新脑各区域的神经活动这一事实，对功能连接 (FC) 进行建模有助于理解精神障碍的神经基础 (Lindquist, 2008)。最常用的 FC 模型是 Pearson 相关性，可以使用两个脑区之间的 BOLD 信号来计算。脑功能网络 (BFN) 是根据图谱预先定义的所有位置的 FC 强度构建的。BFN 构建方法明确将维数从 4 维降低为 1 维向量。许多机器学习 (ML) 方法已成功用于与 ASD 相关的改变的 BFN 的自动分类 (Uddin 等人，2013；Abraham 等人，2017)。一些方法采用稀疏方法，通过在损失函数中添加额外的稀疏正则化项（例如，Lasso（Tibshirani，1996）或Elastic Net（Zou and Hastie，2005））来实现隐式降维。然而，常用来描述 ROI 之间 FC 的相关性仅捕捉线性关系，不适合表征高阶或非线性特征（Shojaee et al., 2019）。此外，将数据折叠成特征向量（向量化）会丢弃脑区的空间信息（Kong et al., 2019）。此外，传统的分类算法，如支持向量机（SVM）（Cortes and Vapnik, 1995）、随机森林（Liaw and Wiener, 2002）和朴素贝叶斯（Rish, 2001）属于浅层分类