XiaoMi-AI文件搜索系统
World File Search Systemdataset
一致的一致性来自常规收集的医院入院数据和全身抗癌治疗（SACT）数据集，该数据集是针对诊断为英格兰早期侵入性乳腺癌的老年妇女
背景：评估肿瘤治疗的摄取以及随后的结果，取决于包含有关癌症药物治疗（CDT）的准确和完整信息的数据源。这项研究旨在评估医院发作统计中CDT信息的一致性，该统计数据被接受患者护理（HES-APC）和全身性抗癌治疗（SACT）数据集用于早期浸润性乳腺癌（EIBC）。方法：该研究包括2014年至2019年在英格兰诊断为EIBC的女性（50多年），她们在诊断后六个月内进行了手术。在HES-APC中记录的CDT的一致性（使用OPCS代码识别），并在患者级别和周期级别都评估了SACT。使用统计模型评估了仅在HES-APC中捕获的与CDT使用相关的因素。结果：该队列包含129,326名EIBC女性。在使用CDT上，SACT和HES-APC之间的总体一致性为94％。一致性在研究期间增加（91 - 96％），并且NHS信托之间存在很大差异（信任的最低信任的一致性≤77％；最高DIDILE≥99％）。在接受CDT的妇女中，没有捕获9％（n = 2781/31693）的使用；在80岁以上的女性中，不完整是最严重的（18％= 47/259）和2014年诊断的女性（21％= 1121/5401）。HES-APC中的OPCS代码擅长鉴定曲妥珠单抗或FEC化学疗法的患者级别和周期级别的使用（氟尿嘧啶，表纤维素，环磷酰胺），分别与SACT分别为89％和93％的一致性（患者级别的协议）。在单独记录的SACT的单独口服CDT循环中，HES-APC中只有24％被捕获，而静脉/皮下CDT则为71％。结论：将HES-APC和SATC中的信息组合在一起，提供了50岁 +接受EIBC手术的妇女的CDT治疗图，而不是单独使用任何数据源。HES-APC可能在识别老年妇女的CDT使用情况下，较少诊断的妇女以及低SACT数据返回的NHS信托中具有特殊的价值。
使用无线电探空仪获取的乌约高空气象数据集
天气模式异常和气候变化以各种方式极大地影响了人类活动和环境。无论是自然引起的还是人为活动的，它仍然是全球公共卫生的威胁。预先了解天气/气候变化有助于减轻由这些变化引起的灾害的影响。高空气象数据在天气和气候预测中发挥着极其重要的作用。然而，尼日利亚和非洲许多地区都缺乏地面真实气象数据。因此，需要测量和存档这些数据。物联网和区块链技术被用于构建一个系统，该系统可捕获和记录海拔 9,0 0 0 米以上的气象数据。本数据文章中介绍的气象数据涵盖了 2021 年 1 月 18 日至 2021 年 7 月 26 日期间乌约地方政府区域的高空气压、温度、露点、时间和捕获它们的海拔高度。
协调民族区域多样的数据集，以推动痴呆症的全球流行病学
年龄是认知障碍（CI）和痴呆症的最大危险因素，随着世界人口年龄的增长，全球社会和金融负担这些条件的增长正在上升。1在全球范围内，到2050年，痴呆症患者的数量估计约为1.5亿，预计在包括非洲在内的发展中国家中将发生最大的增长。1在许多低收入和中等收入国家（LMIC）中缺乏对CI和痴呆症的研究。2然而，该研究来自一个国家或人口不适用于另一个国家或人口的研究，据报道，国家之间CI和痴呆症的流行病学差异，3个国家/地区之间的不同种族/族裔之间的差异。4研究如何减慢认知能力下降，而CI和痴呆症最终最终阻止了全球努力，使用大型样本和来自不同民族区域的数据。资源和协调限制意味着该量表上的数据通常不会来自单个来源。而是，必须从多个针对特定国家或地区的独特来源中整理此类数据。
将机器学习和复杂网络测量应用于死藤水实验的 EEG 数据集
死藤水是亚马逊植物的混合物，数百年来一直被该地区的居民用作传统药物。此外，这种植物已被证明是治疗多种神经和精神疾病的有效方法。脑电图实验发现，特定的大脑区域因死藤水而发生了显著变化。在这里，我们使用脑电图数据集来研究使用机器学习和复杂网络自动检测大脑活动变化的能力。机器学习应用于三个不同的数据抽象层次：(A) 原始脑电图时间序列，(B) 脑电图时间序列的相关性，以及 (C) 从 (B) 计算出的复杂网络测度。此外，在 (C) 的抽象层次上，我们开发了与社区检测相关的复杂网络新测度。结果，机器学习方法能够自动检测大脑活动的变化，其中案例 (B) 的准确率最高 (92%)，其次是 (A) (88%) 和 (C) (83%)，这表明大脑区域之间的连接变化对于检测死藤水更为重要。最活跃的区域是额叶和颞叶，这与文献一致。F3 和 PO4 是最重要的大脑连接，这是迷幻文献中一个重要的新发现。这种联系可能指向类似于个体在死藤水介导的视觉幻觉过程中的面部识别的认知过程。此外，接近中心性和分类性是最重要的复杂网络指标。这两个指标也与阿尔茨海默病等疾病有关，表明可能存在治疗机制。此外，这些新指标对预测模型至关重要，表明使用死藤水与更大的大脑群落有关。这表明，当这种药物存在时，功能性大脑网络中的信息传播速度会变慢。总体而言，我们的方法能够自动检测服用死藤水期间大脑活动的变化，并解释这些迷幻药如何改变大脑网络，以及深入了解它们的作用机制。
人类皮质神经元的体外全细胞电生理学数据集
1 克雷姆比尔神经信息学中心，成瘾和精神健康中心，加拿大安大略省多伦多，M5T 1R8 2 克雷姆比尔脑研究所，大学健康网络，加拿大安大略省多伦多，M5T 1M8 3 多伦多大学特默蒂医学院医学科学研究所，加拿大安大略省多伦多，M5S 1A8 4 推进神经技术创新应用中心（CRANIA），加拿大安大略省多伦多，M5S 1A4 5 多伦多大学外科系，神经外科分部，加拿大安大略省多伦多，M5T 1P5 6 多伦多大学生物医学工程研究所，加拿大安大略省多伦多，M5S 3G9 7 多伦多大学电气和计算机工程系，加拿大安大略省多伦多，M5S 3G8 8 马克斯普朗克 - 多伦多大学神经科学与技术中心，加拿大安大略省多伦多，M5S 1A4 9 中心促进神经技术创新应用（CRANIA）的加拿大多伦多大学精神病学系， ...
基于质量和受欢迎程度的研究数据集排名方法
1. BIDMC 充血性心力衰竭数据库 1986 87 4 3 2 2.90 2.10 2.27 2.23 ECG；充血性心力衰竭；心脏病；心脏病学 2. CEBS 数据库 2013 6 0 1 4 2.00 1.69 1.78 1.67 ECG；心震图；心脏病学 3. CHB-MIT 头皮脑电图数据库 2009 114 26 24 30 16.29 2.06 2.11 2.19 EEG；儿科脑电图；癫痫；儿科；神经病学 4. 充血性心力衰竭 RR 间隔数据库 1995 184 2 7 7 8.76 5.24 5.45 5.61 ECG；充血性心力衰竭；心脏病；心脏病学；RR 间隔 5. CAST RR 间隔子研究数据库 2000 54 0 7 7 3.38 1.85 2.25 2.37 ECG；心律失常；心脏病学；RR 间隔 6. ECG-ID 数据库 2005 1 0 1 0 0.09 0.00 0.00 0.00 ECG；生物识别
机器学习和复杂网络测量在 DMT 实验的 EEG 数据集中的应用
人们对迷幻药的医疗用途越来越感兴趣，因为使用迷幻药治疗精神疾病的初步研究已显示出积极的结果。具体来说，这些物质之一是 N,N-二甲基色胺 (DMT)，它是一种激动剂血清素迷幻药，可以引起意识状态的重大改变。在这项工作中，我们提出了一种基于机器学习的计算方法，作为一种探索性工具，使用 EEG 数据揭示 DMT 引起的大脑活动变化，并为这种迷幻药的作用机制提供新的见解。为了回答这些问题，我们提出了一种两类分类，基于 (A) 连接矩阵或 (B) 从中得出的复杂网络度量作为支持向量机的输入我们发现这两种方法都能够自动检测大脑活动的变化，其中案例 (B) 显示出最高的 AUC (89%)，表明复杂网络测量最能捕捉由于使用 DMT 而发生的大脑变化。在第二步中，我们对对此结果贡献最大的特征进行了排名。对于案例 (A)，我们发现高 alpha、低 beta 和 delta 频带的差异对于区分吸入 DMT 之前和之后的状态最为重要，这与文献中描述的结果一致。此外，颞叶 (TP8) 和中央皮质 (C3) 之间的连接以及中央前回 (FC5) 和侧枕叶皮质 (T8) 之间的连接对分类结果贡献最大。文献中发现 TP8 和 C3 区域之间的连接与 DMT 消费期间可能发生的手指运动有关。然而，文献中没有发现皮质区域 FC5 和 P8 之间的连接，推测与志愿者在 DMT 消费期间的情感、视觉、感官、知觉和神秘体验有关。对于案例 (B)，接近中心性是最重要的复杂网络度量。此外，我们发现使用 DMT 时社区更大、平均路径更长，而没有使用 DMT 时则相反，这表明功能分离和整合之间的平衡被破坏了。这一发现支持了以下观点：在迷幻药的作用下，大脑皮层活动变得更加熵大。总体而言，我们开发了一种强大的计算工作流程，可以解释 DMT（或其他迷幻药）如何改变大脑网络，并深入了解其作用机制。最后，这里应用的相同方法可能有助于解释服用其他迷幻药的患者的 EEG 时间序列，并有助于详细了解服用药物后大脑神经网络的功能变化。
将机器学习和复杂网络测量应用于死藤水实验的 EEG 数据集
死藤水由亚马逊草药混合物制成，几百年来一直被该地区的人们用作传统药物。此外，这种植物已被证明是治疗各种神经和精神疾病的潜在药物。EEG 实验发现，由于死藤水，特定大脑区域发生了显著变化。在这里，我们使用 EEG 数据集来研究使用机器学习和复杂网络自动检测大脑活动变化的能力。机器学习应用于三个不同的数据抽象级别：(A) 原始 EEG 时间序列，(B) EEG 时间序列的相关性，以及 (C) 从 (B) 计算出的复杂网络度量。结果，机器学习方法能够自动检测大脑活动的变化，其中案例 (B) 的准确率最高 (92%)，其次是 (A) (88%) 和 (C) (83%)，这表明大脑区域之间的连接变化比大脑区域内的连接变化更重要。最活跃的区域是额叶和颞叶，这与文献一致。在大脑连接方面，F3 和 PO4 之间的相关性最为重要。这种联系可能表明，在死藤水介导的视觉幻觉中，个体的认知过程类似于面部识别。此外，接近中心性和分类性是最重要的复杂网络指标。这两个指标也与阿尔茨海默病等疾病有关，表明可能存在治疗机制。总体而言，我们的结果表明，机器学习方法能够自动检测死藤水消费过程中大脑活动的变化。结果还表明，机器学习和复杂网络测量的应用是研究死藤水对大脑活动和医疗用途影响的有效方法。
针对低分辨率和非连续切片的临床 MRI 数据集的最优脑肿瘤分割算法
摘要背景：从磁共振图像（MRI）中分割脑肿瘤及其组成区域对于规划诊断和治疗非常重要。在临床实践中，经验丰富的放射科医生通常使用多模态 MRI 来描绘肿瘤区域。但这种手动分割容易出现重现性差且耗时。此外，常规临床扫描通常分辨率较低。为了克服这些限制，需要一种基于计算机视觉的自动精确分割算法。方法：我们研究了三种广泛使用的分割方法的性能，即区域增长、模糊 C 均值和深度神经网络 (deepmedic)。我们通过随机选择 48 名患者数据（高级别，n = 24 和低级别，n = 24）在 BRATS 2018 数据集上以及在我们的常规临床 MRI 脑肿瘤数据集（高级别，n = 15 和低级别，n = 28）上评估了这些算法。我们使用骰子相似系数、豪斯多夫距离和体积测量来测量它们的性能。结果：与模糊 C 均值 (FCM) 和 deepmedic 网络相比，区域增长法表现非常差。对于 BRATS 和临床数据集，FCM 和 deepmedic 算法的 Dice 相似系数得分彼此接近。这两种方法的准确率一般都低于 70%。结论：尽管 deepmedic 网络在 BRATS 脑肿瘤分割挑战中表现出非常高的准确率，但它必须针对低分辨率常规临床扫描进行定制训练。它还需要大量训练数据才能用作临床应用的独立算法。尽管如此，与区域增长或 FCM 相比，deepmedic 可能是脑肿瘤分割的更好算法。关键词：脑肿瘤、分割、深度神经网络、MRI
一个摩托图像与REST数据集的低...
数据由脑电图（EEG）信号组成，该信号是通过从10位参与者（4位女性，右手，平均年龄±SD = 26.1±4.0年）中的低成本消费级设备来表达的，而没有任何以前在脑部计算机界面（BCIS）的经验的经验。BCI协议由两个条件符合，即握把手（Motor Imagery，MI）的动力学想象和静止/闲置状况。在每天的会话中，每个参与者都需要进行五次协议运行，约为1.5 h。首次运行，称为run0，将进行5个实际抓握运动的试验，以及在休息条件下的相同数量的试验。这是为了更好地解释协议，并鼓励参与者专注于执行运动的感觉。其余运行（Run1-Run4）均为识别，由每种以随机顺序呈现的条件进行20次试验。从覆盖感觉运动区域的15个电极注册了电脑活动，在SAM-