XiaoMi-AI文件搜索系统
World File Search SystemSpectra
脑电图谱的机器学习在GABA能麻醉期间对无意识进行了分类
在当前的麻醉学实践中，麻醉师推断出无意识状态，而无需直接监测大脑。药物和患者特异性的脑电图（EEG）特定的麻醉引起的潜意识的特征已被鉴定。我们将机器学习方法应用于构建分类模型，以在麻醉引起的无意识期间对无意识状态的实时跟踪。我们使用交叉验证选择和训练最佳性能模型，使用33,159 2S段的脑电图数据记录在7位健康志愿者中，他们收到了丙泊酚越来越多的兴奋剂，同时响应刺激，以直接评估无意识。在相同条件下收集的3个剩下的志愿者（中位志愿者AUCS 0.99-0.99）对13,929 2s EEG段进行测试时，的交叉验证模型表现出色。 模型在对27名手术患者的队列进行测试时显示出强烈的概括，这些手术患者在不同的情况下仅接受单独的临床数据集中收集的丙泊酚，并使用不同的硬件（中位患者AUC 0.95-0.98），并在病例中采取了模型预测，并采取了模型预测。 对17例接受七氟醚（单独或除丙泊酚之外）的患者的表现也很强（AUC中位数为0.88-0.92）。 这些结果表明，即使对具有类似神经机械的不同麻醉剂进行测试，EEG光谱特征也可以预测不同意性。的交叉验证模型表现出色。模型在对27名手术患者的队列进行测试时显示出强烈的概括，这些手术患者在不同的情况下仅接受单独的临床数据集中收集的丙泊酚，并使用不同的硬件（中位患者AUC 0.95-0.98），并在病例中采取了模型预测，并采取了模型预测。对17例接受七氟醚（单独或除丙泊酚之外）的患者的表现也很强（AUC中位数为0.88-0.92）。这些结果表明，即使对具有类似神经机械的不同麻醉剂进行测试，EEG光谱特征也可以预测不同意性。有了高性能的无意识预测，我们可以准确地监测麻醉状态，并且该方法可用于设计输液泵，以对患者的神经活动有明显的反应。
使用线性能量测量来估计LMEAR能量传递光谱
本文研究了使用线性能量谱来代表空间辐射环境中应用的线性能量传递频谱所产生的误差。线性能量和线性能传递光谱。还研究了不同的检测器几何形状，以确定它们如何影响误差。让光谱通常用于计算剂量等效，以进行辐射危险估计和单个事件效应速率，以估计对电子产品的辐射影响。检查了剂量等效率和单个事件率的误差，这些误差是由线性能量光谱替换为线性能光谱的。发现，无论检测器形状如何，这种替代对剂量的等效估计几乎没有影响。当环境由太阳能颗粒或捕获的辐射支配时，替代具有更大的效果，但是即使这样，误差也很小，尤其是在使用球形检测器的情况下。对于单个事件估计，如果单个事件效应的阈值突然下降，则替换的效果可能很大。可以判断由线性能量光谱制成的单个事件速率估计不可靠，并且应避免使用线性能光谱进行单个事件速率估计。
第四届天体物理和实验室等离子体原子光谱和振荡器强度国际研讨会
座谈会这是 1983 年在瑞典隆德大学举行的一系列座谈会中的第四次，随后在俄亥俄州托莱多和荷兰阿姆斯特丹举行。这些会议的目的是为原子光谱数据的主要用户和这些数据的提供者提供一个国际交流论坛。这为用户提供了一个机会来审查他们现在和未来的需求，也为提供者提供了一个机会来审查他们的实验室能力、数据测量的新发展以及改进
来自重复slab带结构计算的角度分辨光发射光谱的计算方法
在光发射的一步模型中报告了一种用于角度分辨光发射光谱（ARPES）计算的多功能方法。初始状态是使用投影仪调节波（PAW）方法从重复slab计算获得的。arpes最终状态是通过将正能量的重复标记特征状态与满足时间转移的低能量电子衍射边界条件相匹配的。匹配方程的非物理解（不尊重频道保护）被丢弃。该方法应用于石墨烯的表面正常光发射，这是光子能量从阈值到100 eV的函数。将结果与独立执行的多个散射计算进行了比较，并获得了非常良好的一致性，前提是使用从爪子伪载体重建的全电子波来计算光发射矩阵元素。但是，如果直接使用了伪瓦，则通过数量级，σ-和π频带发射之间的相对强度是错误的。石墨烯ARPES强度具有强大的光子能依赖性，包括共振。来自π带的正常发射光谱在31 eV的光子能量下显示了迄今未报告的尖锐共振。共振是由于二维间互间跃迁引起的，并突出了最多的矩阵元素效应的重要性，而不是最终状态平面波近似。
天文光谱的积极和规模不变的高斯过程潜在变量模型
高斯流程（GPS）[1]是机器学习中的一种多功能工具，但对它们的构成诸如阳性，单调性或物理约束之类的约束是具有挑战性的[2]。过去的作品已考虑将GPS作为差异方程的解决方案[3]，时间和光谱重建问题[4]，或通过线性操作员注入域特异性约束[5]。其他作品与非线性函数相结合的GP输出[6，7]，通过约束边际可能性[8]或铸造线性约束作为截短的多变量高斯分布的条件期望，将输出结合到正值[9]。在这项工作中，我们旨在发现一个积极价值的天文光谱的潜在空间。在过去的降低谱图[10，11，12]的作品中，[13]独特地纳入了非阴性约束。，我们通过将其外部限制到正值来扩展高斯过程潜在变量模型（GPLVM）[14]。天文光谱的幅度不是本质的物理特性，不应在潜在空间中反映。我们引入了规模不变，并表明它会导致更好的重建。
盖亚数据发布 3 - 太阳系小天体的反射光谱
GAIA合作：L。Galluccio 1，M。Delbo1，⋆⋆，F。DeAngeli 2，T。Pauwels3，P。Tanga1，F。Mignard1，A。Cellino4，A。G。A. Brown 5，K。Muinonen6,7，6,7 M. Biermann 8，Ol Creevey 1，C。Ducourant 13，DW Evans 2，L。Eyer 14，R。Guerra 15，A。Hutton 16，C。Jordi 17，Sa Klioner 18，Sa Klioner 18， UL Lammers 15 , L. Lindegren 19 , X. Luri 17 , C. Panem 20 , D. Pourbaix 21,22 , † , S. Randich 23 , P. Sartoretti 11 , C. Soubiran 13 , NA Walton 2 , CAL Bailer-Jones 24 , U. Bastian 8 , R. Drimmel 4 , F. Jansen 25 , ⋆⋆⋆ , D. Katz 11 , MG Lattanzi 26 , F. van Leeuwen 2 , J. Bakker 15 , C. Cacciari 27 , J. Castañeda 28 , C. Fabricius 17 , M. Fouesneau 24 , Y. Frémat 3 , A. Guerrier 20 , U. Heiter 29 , E. Masana 17 , R. Messineo 30 , N. Mowlavi 14 , C. Nicolas 20 , K. Nienartowicz 31,32 , F. Pailler 20 , P. Panuzzo 11 , F. Riclet 20 , W. Roux 20 , G. M. Seabroke 33 , R. Sordo 9 , F. Thévenin 1 , G. Gracia-Abril 34,8 , J. Portell 17 , D. Teyssier 35 , M. Altmann 8,36 , R. Andrae 24 , M. Audard 14,32 , I. Bellas-Velidis 37 , K. Benson 33 , J. Berthier 38 , R. Blomme 3 , PW Burgess 2 、D. Busonero 4 、G. Busso 2 、H. Cánovas 35 、B. Carry 1 、N. Cheek 39 、G. Clementini 27 、Y. Damerdji 40,41 、M. Davidson 42 、P. de Teodoro 15 、M. Nuñez Campos 16 、L. Delchambre 40 、A. Dell'Oro 23 、P. Esquej 43 、J. Fernández-Hernández 44 、E. Fraile 43 、D. Garabato 45 、P. García-Lario 15 、E. Gosset 40,22 、R. Haigron 11 、J.-L. Halbwachs 46 、NC Hambly 42 、DL Harrison 2,47 、J. Hernández 15 , D. Hestro ffi er 38 , ST Hodgkin 2 , B. Holl 14,32 , K. Janßen 48 , G. Jevardat de Fombelle 14 , A. Krone-Martins 49,50 , AC Lanzafame 51,52 , W. Lö ffl er 8 , O. Marchal 46 , PM Marrese 53,54 , A. Moitinho 49 , P. Osborne 2 , E. Pancino 23,54 , A. Recio-Blanco 1 , C. Reylé 55 , M. Riello 2 , L. Rimoldini 32 , T. Roegiers 56 , J. Rybizki 24 , LM Sarro 57 , C. Siopis 21 , M. Smith 33 , A. Sozzetti 4 , E. Utrilla 16 , M. van Leeuwen 2 , U. Abbas 4 , P. Ábrahám 58,59 , A. Abreu Aramburu 44 , C. Aerts 60,61,24 , JJ Aguado 57 , M. Ajaj 11 , F. Aldea-Montero 15 , G. Altavilla 53,54 , MA Álvarez 45 , J. Alves 62 , RI Anderson 63 , E. Anglada Varela 44 , T. Antoja 17 , D. Baines 35 , SG Baker 33 , L. Balaguer-Núñez 17 , E. Balbinot 64 , Z. Balog 8,24 ，C。Barache 36，D。Barbato 14,4，M。Barros 49，Ma Barstow 65，S。Bartolomé17，J.-L。 T. Boch 46，A。Bombrun73，D。Bossini74，S。Bouquillon36,75，A。Bragaglia27，L。Bramante30，E。Breedt2，A。Bressan76，N。Brouillet 13，E.布鲁加莱塔 51，B.Bucciarelli 26，A。Burlacu77，AG Butkevich 4，R。Buzzi4，E。Cai效应11，R。Cancelliere78，T。Cantat-Gaudin 17,24，R。Carballo79，T。Carlucci36，Carner，Carner，Carner，Carner，Carner，Lmi Carla，M.Charla，M.Charlani 53，L.Casellani，L.CASAREL。 Chemin 80，V。Chiaramida，A。Chiavassa1，N。Chornay2，G。Comoretto35，81，G。Corsi，W。J。Cooper，18，14。 Luise 8，R。DeRider，R。DeRider，36。 Delisle 14, C. ,90, P. Fernique 46.91, F. Figueras 17, Y. A. Gerlach 18, R. Geyer 18, P. Gonzalez-Vidal 17, M. Granvik Helmer 66, A. Helmi 64, MH Serment 16, SL Hidalgoine 105, G. Jiménez-Arranz 17 ,J. Juaristi Campillo 8 ,F. Julbe 17 ,L. Karbevska 32,107 ,P. Kervella 108 ,S. Khanna 64,4 ,G. Kordopatis 1 ,AJ Korn 29 ,Á Kóspál ,58,59 ,Zutskawa R. 9 ,K. Kruszy´nska 110 ,M. Kun 58 ,P. Laizeau 111 ,S. Lambert 36 ,AF Lanza 51 ,Y. Lasne 66 ,J.-F. Le Campion 13、Y. Lebreton 108,112、T. Lebzelter 62、S. Leccia 113、N. Leclerc 11、I. Lecoeur-Taibi 32、S. Liao 114,4,115、EL Licata 4、HEP Lindstrøm 11,111、TA Lister. Livanou 100、A. Lobel 3、A. Lorca 16、C. Loup 46、P. Madrero Pardo 17、A. Magdaleno Romeo 77、S. Managau 66、de Laverny 1、F. De Luise 84、R. De March 30、J. De Ridder 60、R. de Souza 85、A. de Torres 73、EF del Peloso 8、E. del Pozo 16、A. Delgado 43、J.-B.交付 14，C. Demouchy 86，AND Dharmawardena 24，圣迪亚基特 87 87，C. Diener 2，M. Figler，90，90，P. Fernique 46,91，F. 7，A. Gavel 29，P. Guarras 43，E，I. The Saint-Santamalle 45，J. Guirraud 20，R. Gutierrez-Sánchez 35，LP Guy 32.99，D.，101，M. Haywood 11，A. Helmer 66，A. Helmi 64，MH。106 瑕疵 106，A. Jean-Antoine Sin 20，Ó。 Jiménez-Arranz 17 ,J. Juaristi Campillo 8 ,F. Julbe 17 ,L. Karbevska 32,107 ,P. Kervella 108 ,S. Khanna 64,4 ,G. Kordopatis 1 ,AJ Korn 29 ,Á Kóspál ,58,59 ,Zutskawa R. 9 ,K. Kruszy´nska 110 ,M. Kun 58 ,P. Laizeau 111 ,S. Lambert 36 ,AF Lanza 51 ,Y. Lasne 66 ,J.-F. Le Campion 13、Y. Lebreton 108,112、T. Lebzelter 62、S. Leccia 113、N. Leclerc 11、I. Lecoeur-Taibi 32、S. Liao 114,4,115、EL Licata 4、HEP Lindstrøm 11,111、TA Lister. Livanou 100、A. Lobel 3、A. Lorca 16、C. Loup 46、P. Madrero Pardo 17、A. Magdaleno Romeo 77、S. Managau 66、de Laverny 1、F. De Luise 84、R. De March 30、J. De Ridder 60、R. de Souza 85、A. de Torres 73、EF del Peloso 8、E. del Pozo 16、A. Delgado 43、J.-B.交付 14，C. Demouchy 86，AND Dharmawardena 24，圣迪亚基特 87 87，C. Diener 2，M. Figler，90，90，P. Fernique 46,91，F. 7，A. Gavel 29，P. Guarras 43，E，I. The Saint-Santamalle 45，J. Guirraud 20，R. Gutierrez-Sánchez 35，LP Guy 32.99，D.，101，M. Haywood 11，A. Helmer 66，A. Helmi 64，MH。106 瑕疵 106，A. Jean-Antoine Sin 20，Ó。 Jiménez-Arranz 17 ,J. Juaristi Campillo 8 ,F. Julbe 17 ,L. Karbevska 32,107 ,P. Kervella 108 ,S. Khanna 64,4 ,G. Kordopatis 1 ,AJ Korn 29 ,Á Kóspál ,58,59 ,Zutskawa R. 9 ,K. Kruszy´nska 110 ,M. Kun 58 ,P. Laizeau 111 ,S. Lambert 36 ,AF Lanza 51 ,Y. Lasne 66 ,J.-F. Le Campion 13、Y. Lebreton 108,112、T. Lebzelter 62、S. Leccia 113、N. Leclerc 11、I. Lecoeur-Taibi 32、S. Liao 114,4,115、EL Licata 4、HEP Lindstrøm 11,111、TA Lister. Livanou 100、A. Lobel 3、A. Lorca 16、C. Loup 46、P. Madrero Pardo 17、A. Magdaleno Romeo 77、S. Managau 66、Jean-Antoine Piccolo 20 岁，Ó. Jiménez-Arranz 17 ,J. Juaristi Campillo 8 ,F. Julbe 17 ,L. Karbevska 32,107 ,P. Kervella 108 ,S. Khanna 64,4 ,G. Kordopatis 1 ,AJ Korn 29 ,Á Kóspál ,58,59 ,Zutskawa R. 9 ,K. Kruszy´nska 110 ,M. Kun 58 ,P. Laizeau 111 ,S. Lambert 36 ,AF Lanza 51 ,Y. Lasne 66 ,J.-F. Le Campion 13、Y. Lebreton 108,112、T. Lebzelter 62、S. Leccia 113、N. Leclerc 11、I. Lecoeur-Taibi 32、S. Liao 114,4,115、EL Licata 4、HEP Lindstrøm 11,111、TA Lister. Livanou 100、A. Lobel 3、A. Lorca 16、C. Loup 46、P. Madrero Pardo 17、A. Magdaleno Romeo 77、S. Managau 66、Jean-Antoine Piccolo 20 岁，Ó. Jiménez-Arranz 17 ,J. Juaristi Campillo 8 ,F. Julbe 17 ,L. Karbevska 32,107 ,P. Kervella 108 ,S. Khanna 64,4 ,G. Kordopatis 1 ,AJ Korn 29 ,Á Kóspál ,58,59 ,Zutskawa R. 9 ,K. Kruszy´nska 110 ,M. Kun 58 ,P. Laizeau 111 ,S. Lambert 36 ,AF Lanza 51 ,Y. Lasne 66 ,J.-F. Le Campion 13、Y. Lebreton 108,112、T. Lebzelter 62、S. Leccia 113、N. Leclerc 11、I. Lecoeur-Taibi 32、S. Liao 114,4,115、EL Licata 4、HEP Lindstrøm 11,111、TA Lister. Livanou 100、A. Lobel 3、A. Lorca 16、C. Loup 46、P. Madrero Pardo 17、A. Magdaleno Romeo 77、S. Managau 66、
从不同环境模型导出的行星际空间质子谱
了解空间辐射环境对于设计和选择用于空间应用的材料和部件至关重要。这种环境不仅以太阳的电磁辐射为特征，而且还以带电粒子为特征，带电粒子分为太阳风、太阳高能粒子 (SEP) 和银河宇宙射线 (GCR)。特别是对于材料工程和鉴定测试，需要从 keV 到 GeV 的粒子能量的微分和积分谱。到目前为止，已经有各种各样的模型可用，但很难保持概览。尽管欧洲空间标准化合作 (ECSS) 标准包括有关如何研究粒子辐射的说明，但它并未提供整体视图。本文将为那些需要全面概述的人提供支持，并提供有关质子辐射谱的全面信息，这些信息可能用于从任务分析到材料和组件设计以及鉴定测试等空间工程任务。检查了可公开访问的平台 OLTARIS、SPENVIS 和 OMERE，以获取可用的质子光谱。例如，考虑了第 23 个太阳周期的粒子辐射，该周期涵盖了 1996 年至 2008 年。可用模型的一个共同缺点是它们仅限于 MeV 范围。特别是当材料直接暴露在太空环境中时，低能粒子（特别是 keV 范围）会引起人们的高度关注，因为这些粒子会将所有能量转移到材料上。因此，使用了额外的数据源，以便将通常被忽略的低能质子纳入派生光谱中。数据被转移到通用单位集，最终可以进行比较和合并。这包括对最常见模型的比较，包括数据基础、适用性和可访问性。因此，拟合了广泛而连续的光谱，其中考虑了所有不同模型及其不同的能量和通量。每一覆盖年份都用拟合光谱表示，包括适用的置信度。针对太阳活跃和安静时期，提供光谱。
光谱地理空间MobileMapper 6坚固的手持计算机快速启动指南
注意 - 要确保设备正常工作，请将所有连接器远离污染物，例如灰尘，油脂，泥浆和水。疏忽可能导致设备失去通信，短路或过热。如果连接器损坏，请在使用设备避免短路之前对连接器进行全面维修。
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。
使用新型高阶光谱特征检测微电极记录信号
帕金森氏病（PD）是由基底神经节（BG）地区的细胞死亡引起的长期进行性的神经衰落疾病[1]。细胞死亡会导致多巴胺的缺乏效率，这负责控制人体运动[2,3]。结果，大脑中的通信模式受到影响[4]。PD会影响60岁以上的人们[5]。PD的特征是主要症状，包括僵硬，心动肌症[6]，静肌震颤[7,8]，僵化[9]和睡眠障碍[10]。因此，越来越多地使用深脑刺激（DBS）手术，以减轻病情恶化或不再对药物治疗反应的晚期PD患者的症状[11-13]。dbs是一种介入的介入，该处理包括电极在丘脑下核（STN）[14]或GLOBUS PALLIDUS（GPI）[15,16]的内部段中的植入，以便为这些特定的靶标提供高频率电脉冲[17]。因此，DBS铰链对在大脑中定位靶构型的有效治疗作用具有高精度，例如，相邻功能区域的刺激已被证明会对运动，情绪和认知功能引起不利的副作用[18]。此外，DBS电极的不准确定位导致多达40％的术后刺激有效性的病例[19,20]。发现STN内部的背外侧体感区域是为PD患者应用刺激的最佳场所[21]。用于计划电极插入轨迹的最常见方式包括磁共振成像（MRI）和计算机断层扫描（CT）扫描[22]。然而，由于神经影像的分辨率限制[23]，术中指导的其他辅助信息至关重要。因此，MER在DBS手术期间的实时测试中用于验证计划的轨迹，以实现目标结构内电极的最佳定位[24]。此外，使用MER信号对STN边界及其周围结构的术中划定可以通过克服大脑变形并解释由于脑玻璃体流体泄漏引起的解剖学转移来减少靶向误差[25]。MER允许在尖端大小约1升M的最接近电极附近捕获神经元的外电活动，然后，在通过扬声器聆听信号的同时，通过训练有素的神经科医生和/或神经外科医生在术中推断时间域行为[26]。尽管如此，对STN分割的MER信号的心理解释面临着几个挑战，例如，它们是非平稳的，具有复杂的信号模式[27]。此外，由于存在来自多个来源的伪影，例如手术室中的设备，患者言语，电极运动和血液[26]。此外，包括STN的解剖学挑战较小（约4*7*9毫米），大脑深处，并被结构包围，例如，底睾丸（SNR）和Zona Incerta（Zi）[28]。热热，从STN到SNR的不间断过渡和白质间隙的存在可能导致错误的标签