XiaoMi-AI文件搜索系统
World File Search SystemYu
Alwasiti , HHA 和 Yusoff , MZ 2022, '使用深度卷积神经网络和 Mixup 进行脑机接口的运动意象分类
摘要 — 目标：构建一个可以在单个受试者的小型 EEG 训练集上进行训练的 DL 模型提出了一个有趣的挑战，这项工作正试图解决这一挑战。具体来说，本研究试图避免长时间的 EEG 数据收集过程，并且不组合多个受试者的训练数据集，因为这会对分类性能产生不利影响，因为受试者之间的个体间差异很大。方法：使用大约 120 次 EEG 试验对定制的具有混合增强功能的卷积神经网络进行训练，每个模型仅针对一个受试者。结果：经过修改的具有混合增强功能的 ResNet18 和 DenseNet121 模型分别实现了 0.920（95% 置信区间：0.908,0.933）和 0.933（95% 置信区间：0.922,0.945）的分类准确率。结论：我们表明，尽管本研究使用的训练数据集有限，但与同一数据集上先前研究中的其他 DL 分类器相比，设计的分类器具有更高的分类性能。
引文 Lin X, Zhou L, Si S, Cheng H, Alifu X, Qiu Y, Zhuang Y, Huang Y, Zhang L, Ainiwan D, Liu H 和 Yu Y (2024) 合并症的关联
妊娠期糖尿病 (GDM) 是指妊娠期间新发或首次确诊的糖耐量异常。据报道，全球 12.8% 的孕妇患有 GDM，在中国 GDM 的发病率已达 14.8%，且呈上升趋势 (1)。妊娠期高血压疾病 (HDP) 是一组以妊娠期间血压升高为特征的母体疾病，包括妊娠期高血压、子痫前期和子痫。据报道，全球 HDP 的患病率为 4.6% 至 13.1% (2)，在中国孕妇中约为 5% 至 10% (3)。GDM 和 HDP 均与不良出生结局的风险相关，包括新生儿出生体重、早产 (PTB)、前置胎盘、胎膜早破和胎盘早剥。 GDM 的长期并发症包括母亲和后代的肥胖、糖尿病和心血管疾病。HDP 会增加未来冠状动脉疾病和慢性肾脏疾病的风险。GDM 和 HDP 都是妊娠期最常见的并发症。近年来，GDM 和 HDP 的患病率迅速上升。同时患有这两种疾病的孕妇对临床管理提出了巨大的挑战。先前的研究表明 GDM 和 HDP 密切相关，患有 GDM 的女性患高血压和先兆子痫的风险显著增加（4）。GDM 和 HDP 共病可能会进一步增加不良出生结局的风险。然而，先前的研究大多调查了只有其中一种疾病对不良结局的影响。关于 GDM 和 HDP 共病的研究很少，它们之间的相互作用尚不清楚。单一疾病的 GDM 或 HDP 与不良结局之间的关系已经得到充分证实。 GDM 与巨大儿、先兆子痫、低体重出生儿、产伤（肩难产）、呼吸窘迫、剖宫产、新生儿重症监护病房（NICU）和胎儿死亡等不良结局相关（5，6）。HDP 增加早产、死产、小于胎龄儿（SGA）和低体重出生儿的风险（3，7）。PE 显著增加胎盘早剥的风险（8）。研究表明，对于 GDM 合并 PE 的孕妇，妊娠期体重增加过多（GWG）会更明显地增加早产和大于胎龄儿（LGA）的风险（9），并且其 PE 严重程度与 SGA 呈正相关（10），这表明 GDM HDP 的共病可能会对不良出生结局产生显著影响。另一项研究表明糖尿病合并高血压显著增加早产发生率，但该研究中的是慢性糖尿病而非妊娠期糖尿病（11）。英国的一项研究表明妊娠期糖尿病合并妊娠期高血压显著增加LGA和剖宫产的发生率
Leymann, Frank、Truger, Felix、Weder, Benjamin 和 Yussupov, Vladimir}，title = {Quokka：基于工作流执行的服务生态系统
量子计算利用量子力学现象（如叠加和纠缠），能够以更高的精度、更省时省能的方式解决各种问题。然而，量子算法依赖于多个预处理和后处理任务，这些任务通常需要在传统硬件上执行，例如数据准备、结果分析和参数优化。由于目前可用的噪声中型量子 (NISQ) 设备容易出错，当今大多数量子算法都被设计为所谓的变分量子算法 (VQA) [2]。VQA 交替在量子设备上执行参数化量子电路和通过评估执行结果的质量来经典优化量子电路参数。此外，量子设备不适合许多传统任务，例如数据持久化或可视化，这使得它们成为补充传统计算机的特殊协处理器。因此，量子应用本质上是混合的，必须从经典和量子的角度以及它们的集成的角度进行设计[4]。
原始发表论文的引用（记录版本）：Yuan, M., Nyborg, L., Oikonomou, C. et al (2022)。时间和温度相关的软化
从经济角度来看，耐久性是热冲压模具的关键因素。通过沉积新材料而不是更换来翻新模具是一种降低成本的有效方法。为此，通过定向能量沉积的方式将一种新开发的马氏体时效钢 (NMS) 熔覆在热作工具钢上。经过优化的回火后，对熔覆的 NMS 进行高温暴露以检查抗软化性能。利用光学显微镜 (OM)、X 射线衍射 (XRD)、扫描电子显微镜 (SEM)、俄歇电子能谱 (AES) 和透射电子显微镜 (TEM) 的组合，系统地表征了材料的微观结构演变。熔覆钢中的沉淀物被鉴定为 Laves 相。该相的粗化被认为是钢在高温下热软化的主要原因。还使用修订的 Langer-Schwartz-Wagner (LSW) 模型模拟了粗化行为，该模型与实验观察结果非常吻合。此外，成功应用了沉淀强化数学模型来评估钢的软化行为。该模型可用于预测所研究的工具钢在高温使用过程中的硬度/强度变化。2022 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY-NC-ND 许可开放获取的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。
探索云南省亨丹山脉不同种群的迁移方向：基于基因组的分析
eothenomys miletus是一种居住在亨格山区（HDR）的地方性物种，并作为瘟疫和hantaviruses的主要宿主之一。虽然已经对大肠杆菌的生理特征进行了广泛的研究，但分子方面，尤其是Miletus的迁移方向，尚不清楚。在本研究中，我们利用基因组数据来研究四个人群的迁移方向：Ailaoshan（ALS），Jiangchuan（JC），Lijiang（LJ）和Deqin（DQ），它们分布在HDR内部到北部。我们的结果表明，ALS种群位于系统发育树的底部，混合物分析表明，ALS人群与JC和DQ种群更紧密相关。整合了分子遗传结构，米氏大肠杆菌的化石记录以及我们的研究结果，我们推断了米尔塔斯大肠杆菌的迁移方向可能是从南到北的，这表明DQ和JC种群可能起源于ALS的迁移。但是，LJ人群的迁移模式和起源需要进一步研究和讨论。此外，我们专注于识别不同人群中选择和局部适应的基因组信号。我们确定了与DQ：SIX1、64和SOX2中嗅觉位置相关的三个选择基因。我们假设这些基因可能与DQ人群对该地区微气候的适应有关。总而言之，本研究是第一个采用基因组学来探索Miletus的迁移方向，这对于未来对Eothenomys起源的研究至关重要。
引用本文：Weiyong Zou & Yunjun Xiong (2023) 人工智能促进产业升级吗？来自中国的证据，Economic Research-Ekonomska Istraživanja，36:1，1666-1687，DOI：10.1080/1331677X.2022.2092168
摘要 本文基于2000—2019年中国285个城市的面板数据，从算法、数据、算力、应用场景和相关技术五个维度检索城市人工智能相关专利申请数量，结合产业升级和合理化两个视角，从理论和实证角度分析研究主题的内在影响理论。研究结果表明，人工智能不仅有利于产业升级，而且能显著抑制产业结构偏离均衡，有利于产业合理化。此外，本文结论在经过剔除中心城市样本、缩尾处理、工具变量法等一系列稳健性检验后依然有效。通过异质性检验发现，人工智能对产业升级的促进作用在大城市和产业升级水平高的城市更为明显。内在机理检验结果表明，人工智能通过促进技术创新来推动产业升级。在市场化程度高、互联网发达的城市，人工智能对产业升级的推动作用可以增强，本文的研究结论将有利于加快发展人工智能促进产业升级，为实现高质量发展提供有益参考。
如何引用本文：Li H, Shin H, Zhang M, Yu A, Huh H, Kwon G, Riveira N, Kim S, Gangopadahyay S, Peng J, Li Z, Rao Y, Sentis L, Mill á n JdR,
摘要 虚拟现实 (VR) 技术因其能够为用户提供沉浸式和交互式体验的能力而成为脑机交互和神经科学研究的有前途的工具。作为一种无创监测大脑皮层的强大工具，脑电图 (EEG) 与 VR 相结合为测量这些体验中的大脑活动提供了一个激动人心的机会，从而深入了解认知和神经过程。然而，传统的基于凝胶的 EEG 传感器与 VR 耳机不兼容，而且大多数使用刚性梳状电极的新兴 VR-EEG 耳机在长时间佩戴后会感到不舒服。为了解决这一限制，我们基于导电聚（3,4-乙烯二氧噻吩）聚苯乙烯磺酸盐/三聚氰胺 (PMA) 创建了柔软、多孔且与头发兼容的海绵电极，并通过定制的柔性电路将它们集成到 VR 耳机上，以便在执行 VR 任务期间进行多通道 EEG。我们的 PMA 海绵电极可以在 VR 耳机带自然施加的压力下变形，通过头发与头皮皮肤接触。特定接触阻抗始终低于 80 k Ω ·cm 2，即使在多毛部位也是如此。我们通过在无毛部位记录闭眼时的阿尔法节律来展示我们的 VR-EEG 耳机的功能
2020 年 12 月 22 日 AI Metrics, LLC Yujan Shrestha 医学博士...
行业/设备名称：AI Metrics 法规编号：21 CFR 892.2050 法规名称：图片存档和通信系统 监管类别：II 类 产品代码：LLZ 日期：2020 年 11 月 11 日 收讫日期：2020 年 11 月 13 日 尊敬的 Shrestha 医生： 我们已审查了您根据第 510(k) 条提交的上市前通知，该通知表明您有意销售上述设备，并已确定该设备与在 1976 年 5 月 28 日（医疗器械修正案颁布日期）之前在州际贸易中合法销售的同类设备基本等同（就附件中注明的用途而言），或与根据《联邦食品药品和化妆品法案》（法案）的规定重新分类的设备基本等同，这些设备不需要获得上市前批准申请（PMA）的批准。因此，您可以销售该设备，但须遵守该法案的一般控制规定。虽然本函将您的产品称为设备，但请注意，一些已获准的产品可能是组合产品。位于 https://www.accessdata.fda.gov/scripts/cdrh/cfdocs/cfpmn/pmn.cfm 的 510(k) 上市前通知数据库可识别组合产品提交。该法案的一般控制条款包括年度注册、设备列表、良好生产规范、标签以及禁止贴错标签和掺假的要求。请注意：CDRH 不会评估与合同责任担保相关的信息。但我们提醒您，设备标签必须真实且不得误导。如果您的设备被归类（见上文）为 II 类（特殊控制）或 III 类（PMA），则可能会受到其他控制。影响您设备的现有主要法规可在《联邦法规》第 21 篇第 800 至 898 部分中找到。此外，FDA 可能会在《联邦公报》上发布有关您设备的进一步公告。请注意，FDA 发布实质等同性判定并不意味着 FDA 已判定您的设备符合该法案的其他要求或其他联邦机构管理的任何联邦法规和规章。您必须遵守该法案的所有
引用Lee，Jonathan D，Joao A Paulo，Ryan R Posey，Vera Mugoni，Nikki R Kong，Giulia Cheloni，Yu-Ru Lee等。 2021。“双DNA和蛋白质标记
使用条款本文从哈佛大学的DASH存储库下载，并根据适用于其他已发布材料（LAA）的条款和条件提供，如https://harvardwiki.atlassian.net/wiki/wiki/wiki/wiki/wiki/wiki/wiki/wiki/wiki/wiki/ngy/ngy/ngy5ngy5ndnde4zjgzndnde4zjgzntc5ndndndgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgiamsfyytytewy
原始发表论文的引用（记录版本）：Yuan, M., Karamchedu, S., Fan, Y. et al (2022). Study of flaws in directing energy dep
采用定向能量沉积技术在用于硬面堆焊的热作工具钢基材上沉积了具有不同层数的冷作工具钢。本研究涉及了覆层工具钢中的缺陷和微观结构。在沉积区发现了包括孔隙和裂纹在内的缺陷，其数量随着沉积高度或层数的增加而增加。大的不规则孔隙主要位于沉积层的下部区域。此类孔隙的形成归因于合金元素在孔隙表面的偏析和热量输入不足。非平衡共晶微观结构是孔隙邻近区域的特征。另一方面，开裂往往发生在沉积层的上部。确定了导致开裂的两个重要因素。第一个是微观结构梯度，当从底部移动到顶部沉积层时，微观结构梯度从细胞状树枝状晶变为柱状树枝状晶。其次，根据Thermocalc软件的模拟，沉积的冷作工具钢表现出相对较大的凝固温度范围，从而对热裂纹具有很高的敏感性。