XiaoMi-AI文件搜索系统
World File Search SystemMae
ECGI没有几何形状：基于深度学习的心脏表面电位
我们开发了一个深度学习框架，以估计仅从身体表面潜力和躯干几何形状的心脏表面电位，因此省略了有关心脏几何形状的信息。该框架基于图像到图像的翻译，并介绍了三个组合：将3D躯干和心脏几何形状转换为相应的标准2D表示，以及基于Pix2Pix网络的自定义深度学习模型的效率。使用11名健康受试者和29个ID型心室心室纤颤（IVF）患者，其框架的平均绝对误差（MAE）的平均平均绝对误差（MAE）为0.012±0.011，平均相似性指数量度（SSIM）为0.984±0.026。For the concatenated electrograms (EGMs), the average MAE was 0.004 ± 0.004, and the average Pearson correlation coefficient (PCC) 0.643 ± 0.352.估计激活和恢复时间之间时间差的绝对平均值为6.048±5.188毫秒，而18.768±17.299 ms，分别是分数。这些结果证明了与标准心电图相当的性能而无需CT/MRI，这表明该框架的潜在临床应用。
基于多任务学习的锂离子电池的多国家在线估计
摘要：基于深度学习的状态估计锂电池广泛用于电池配件系统（BMS）设计。但是，由于板载计算资源的限制，多个单州估计模型更难在实践中部署。因此，本文提出了一个多任务学习网络（MTL），将多层特征提取结构与分离的专家层相结合，用于联合估算液管电池的电荷状态（SOC）和能源状态（SOE）。MTL使用多层网络来提取功能，将任务共享与任务特定参数分开。基础LSTM最初提取时间序列特征。由任务特定和共享专家组成的分离的专家层提取了特定于多个任务的不同任务和共享功能的特征。不同专家提取的信息通过门结构融合。任务是根据特定和共享信息处理的。通过彼此共享学习知识，对多个任务进行了同时培训以提高性能。SOC和SOE在松下数据集上进行了估算，并在LG数据集上测试了该模型的泛化性能。这两个任务的平均绝对误差（MAE）值为1.01％和0.59％，均方根误差（RMSE）值分别为1.29％和0.77％。对于SOE估计任务，与单任务学习模型相比，MAE和RMSE值分别降低了0.096％和0.087％。结果显示了该方法的有效性和优势。与其他多任务学习模型相比，MAE和RMSE值的MTL模型分别降低了高达0.818％和0.938％。与单任务学习模型相比，对于SOC估计任务，MAE和RMSE值分别降低了0.051％和0.078％。MTL模型还胜过其他多任务学习模型，在MAE和RMSE值中分别达到高达0.398％和0.578％的降低。在模拟在线预测的过程中，MTL模型消耗了4.93毫秒，这比多个单任务学习模型的组合时间少，几乎与其他多任务学习模型相同。
数字信号处理
在无线传感器网络中，多级量化是必要的，以便在最小化传感器功耗和最大化融合中心 (FC) 的检测性能之间找到一个折衷点。以前的方法一直在这种量化中使用距离度量，例如 J 散度和 Bhattacharyya 距离。这项工作提出了一种不同的方法，该方法基于两种假设下的传感器输出的最大平均熵，并在基于 Neyman-Pearson 标准的分布式检测方案中利用该方法检测点源。当传感器输出在 FC 上无误差可用时，以及当使用非相干 M 元频移键控通信通过瑞利衰落信道传输基于 MAE 的多级量化传感器输出时，都对所提出的最大平均熵 (MAE) 方法在量化传感器输出方面的接收器操作特性进行了评估。模拟研究表明，在无误差融合和已纳入无线信道影响的情况下，MAE 都是成功的。正如预期的那样，性能随着量化级别的提高而提高，并且六级量化接近非量化数据传输的性能。
Microsoft Word - R3034 草稿 NRW Cstl Sqz 数据和 LitRvw 26 Nov18.docx
执行摘要 证据监测选项要求的背景 威尔士自然资源部代表威尔士政府实施国家栖息地创建计划。该计划的目的是确定栖息地创建和及时提供环境补偿的机会，以促进海岸线管理计划的实施和威尔士 Natura 2000 网络的保护。国家栖息地创建计划主要关注沿海地区的影响，采取“保持路线”政策，并为洪水风险管理当局提供补偿性栖息地，但也可以成为第三方计划的补偿交付机制，这些计划在特殊情况下须遵守合作协议情况。国家栖息地创建计划负责提供足够数量和质量的适当补偿栖息地，以抵消“沿海挤压”1 对 Natura 2000 场地系列完整性的影响。因此，国家栖息地创建计划的交付是由以下信息通知的。海岸线管理计划（以及迪伊和塞文河口的洪水风险管理策略）和栖息地法规评估的预计损失。为了向威尔士政府证明国家栖息地创建计划能够管理栖息地损失和收益、破坏风险和资源过度分配风险的平衡，重要的是要确认创建措施具有必要的规模和质量以及 t
通过卷积神经网络混合模型对脑电信号进行抑郁症连续评分
摘要 — 传统上，抑郁评分是通过贝克抑郁量表 (BDI) 测试来确定的，这是一种定性问卷。通过分析和分类预先记录的脑电图 (EEG) 信号，也可以实现抑郁症的定量评分。在这里，我们更进一步，将原始 EEG 信号应用于提出的混合卷积和时间卷积神经网络 (CNN-TCN)，以连续估计 BDI 分数。在本研究中，119 名受试者的 EEG 信号通过连续的闭眼和睁眼间隔被 64 个头皮电极捕获。此外，所有受试者都参加 BDI 测试并确定他们的分数。所提出的 CNN-TCN 在睁眼状态下提供 5.64 ± 1.6 的均方误差 (MSE) 和 1.73 ± 0.27 的平均绝对误差 (MAE)，在闭眼状态下提供 9.53 ± 2.94 的 MSE 和 2.32 ± 0.35 的 MAE，这显著超过了最先进的深度网络方法。在另一种方法中，从连续帧的 EEG 信号中提取常规 EEG 特征，并将它们与已知的统计回归方法结合应用于所提出的 CNN-TCN。我们的方法提供了 10.81 ± 5.14 的 MSE 和 2.41 ± 0.59 的 MAE，在统计上优于统计回归方法。此外，使用原始 EEG 的结果明显优于使用 EEG 特征的结果。
卷∙17∙编号∙4∙2024 页码∙1423 描述性...
摘要 本研究旨在调查 CBCT 分析和 DNA 甲基化测量通过同一颗拔除牙齿估计人类年龄的潜力。对印度尼西亚帕查贾兰大学牙科医院的三颗拔除的下颌前磨牙进行了横断面方法的描述性研究设计。使用 ITK-SNAP 测量牙髓和牙齿体积进行 CBCT 分析，并使用组内相关系数 (ICC) 进行可靠性测试。同时，使用焦磷酸测序分析对 ELOVL2 基因进行 DNA 甲基化测量。使用平均绝对误差 (MAE) 和均方根误差 (RMSE) 量化每个样本的估计年龄和实际年龄之间的差异。在 CBCT 分析中，MAE 范围为 0.44 至 3.97 岁，RMSE 范围为 0.52 至 4.01 岁。至于 DNA 分析，MAE 为 1.37 岁，RMSE 为 1.67 岁。 CBCT 分析和 DNA 甲基化测量均已证明能够根据同一颗拔除的牙齿估计人类年龄。在这项初步研究中，基于牙髓-牙齿体积比的 CBCT 分析估计的人类年龄比 DNA 甲基化水平测量更接近实际年龄。
使用不同的机器学习算法研究低成本空气质量监测模型
摘要。为了提高空气质量监测的校准模型的性能，提出了基于不同机器学习算法的低成本多参数空气质量监测系统（LCS）。LCS可以测量颗粒物（PM 2。5和PM 10）以及同时的气体策略（SO 2，NO 2，CO和O 3）。基于传感器的原始信号，环境温度（T）和相对湿度（RH）以及参考仪器的测量值，开发了多输入多输出（MIMO）预测模型。比较和讨论不同算法（RF，MLR，KNN，BP，GA – BP）的性能，例如确定系数r 2，根平方误差（RMSE）和平均绝对误差（MAE）。使用这些方法，PM的算法（RF，MLR，KNN，BP，GA – BP）的R 2在0.68–0.99范围内； PM 2的RMSE值。5和PM 10分别在2.36–18.68和4.55–45.05 µg m -3之内； PM 2的MAE值。5和PM 10分别在1.44–12.80和3.21–23.20 µg m -3之内。对于气体污染物（O 3，CO和NO 2）的算法rit-rithm的r 2（RF，MLR，KNN，BP，GA – BP）在0.70-0.99之内；这些污染物的RMSE值分别为4.05–17.79 µg m -3，0.02-0.18 mg m -3，2.88–14.54 µg m -3；这些污染物的MAE值分别为2.76–13.46 µg m -3，0.02-0.19 mg m -3，1.84–1.84–11.08 µg m -3。SO 2的算法（RF，KNN，BP，GA – BP，除MLR）的R 2在0.27–0.97之内，RMSE值在0.64–5.37 µg m -3范围内，MAE值在0.39-4.24 µg m -m -m - -− -− -− -− - - 3中。这些测量与中国的国家环境保护标准需求一致，以及基于LCS的
从2维到三维：通过深度学习
前室深度（ACD）是角度闭合疾病的主要危险因素，并且已用于各种人群的角度闭合筛查。但是，ACD是根据眼部生物计或前部光学相干断层扫描（AS-OCT）测量的，它们是昂贵的，在初级保健和社区环境中可能不容易获得。因此，这项概念验证研究旨在使用深度学习（DL）从低成本前部照片（ASP）预测ACD。我们包括2,311对ASP和ACD测量，用于算法开发和验证，以及380对算法测试。我们捕获了安装在缝隙灯泡生物显微镜上的数字摄像机的ASP。在用于算法开发和有效性的数据中，用眼部生物计（Iolmaster700或Lenstar LS9000）测量前腔深度，并在用于测试的数据中使用AS-OCT（Visante）。DL算法是从Resnet-50体系结构中修改的，并使用平均绝对误差（MAE），系数确定（R 2），Bland-Altman图和类内相关系数（ICC）进行评估。在验证中，我们的算法预测ACD的MAE（标准偏差）为0.18（0.14）mm； r 2 = 0.63。预测的ACD的MAE在眼睛开放角度为0.18（0.14）mm，眼睛闭合的眼睛为0.19（0.14）mm。实际和预测的ACD测量之间的ICC为0.81（95％CI 0.77，0.84）。在测试中，我们的算法预测ACD的MAE为0.23（0.18）mm； r 2 = 0.37。显着性地图突出显示了学生的余量，作为ACD预测中使用的主要结构。这项研究证明了通过DL预测ASP的ACD的可能性。该算法模仿了眼光进行预测的眼光，并为预测与角度闭合筛选相关的其他定量测量提供了基础。
澳大利亚电力市场的PV +存储运营中PV生成的确定性日期预测的价值
在过去的十年中，已经开发了许多太阳预测工具来预测光伏（PV）农场的能量产生。通过将预测与测量的太阳能数据进行比较来评估太阳预测的质量。但是，该方法没有考虑其应用程序的预测的附加值。因此，考虑到此评估框架，可以改善预测的价值？要回答这个问题，这项工作比较了针对特定应用程序的不同操作太阳预测的价值。目的是寻找经济价值与定义的误差指标之间的关系，以评估预测质量。新一代的大规模PV植物整合了ESS。目的是通过利用电力市场所带来的可能性（例如能源套利）来增强生产力的注入到电网中，从而最大程度地提高利润。为了优化这些特定EST的操作，对太阳能生产的预测至关重要。这项工作中考虑的研究案例是在澳大利亚能源市场环境中与锂离子电池相关的几兆瓦的大型光伏农场。在本特定的案例研究中，结果表明，用于评估基于平均绝对误差（MAE）的预测质量的指标（MAE）与通过应用预测带来的经济增益几乎是线性的。更确切地说，MAE的1％点的提高大约增加了2％的经济增益。
显微镜的掩盖自动编码器是细胞生物学的可扩展学习者
为生物搜索中使用的显微镜图像仍然是一个重要的挑战，尤其是对于跨越数百万图像的大规模实验。这项工作探讨了经过越来越较大的模型骨架和显微镜数据集训练时，弱监督的clasifirers和自我监管的蒙版自动编码器（MAE）的缩放属性。我们的结果表明，基于VIT的MAE在一系列任务上的表现优于弱监督的分类器，在召回从公共数据库中策划的已知生物学关系时，相对实现的相对效果高达11.5％。此外，我们开发了一种新的通道敏捷的MAE架构（CA-MAE），该体系结构允许在推理时输入不同数字和通道的图像。我们证明，在不同的实验条件下，在不同的实验条件下，CA-MAE通过推断和评估在显微镜图像数据集（Jump-CP）上有效地概括了，与我们的训练数据（RPI-93M）相比，通道结构不同。我们的发现促使人们继续研究对显微镜数据进行自我监督学习，以创建强大的细胞生物学基础模型，这些模型有可能促进药物发现及其他方面的进步。与此工作发布的相关代码和选择模型可以在以下网址找到：https：//github.com/ recursionpharma/maes_microscopy。