XiaoMi-AI文件搜索系统
World File Search Systemdataset
KOYA, Kushwanth 和 CHOWDHURY, Gobinda (2022)。基于质量和流行度的研究数据集排名方法。在：APIT 2022：2022 年第四届亚太地区
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
推断微阵列数据集揭示了帕金森氏病的关键生物标志物和潜在的药物靶标
帕金森氏病（PD）是一种严重的神经系统疾病，其特征是失去自愿运动和运动的大大减慢。传统上归因于环境因素，但最近的研究强调了遗传学在PD发作和进展中的重要作用。这项研究旨在通过分析来自四个数据集（83个PD和53个控制质量Nigra样品）的基因表达数据来鉴定PD中差异表达的基因（DEG）和相关途径，这些数据来自基因表达综合（GEO）数据库。使用GEO2R，我们通过富集确定了常见的DEG并进行了功能注释和KEGG途径富集分析。我们使用StringDB构建了蛋白质 - 蛋白质相互作用（PPI）网络，并通过CytoHubba鉴定了集线器基因。结果显示，在多巴胺能突触和可卡因成瘾等途径中富含18个临界DEG。关键集线器基因包括酪氨酸羟化酶（Th），溶质载体家族18构件A2（SLC18A2）和钾在内部整流的通道亚家族J成员6（KCNJ6）。这些发现提供了对PD分子机制的见解，突出了潜在的生物标志物和治疗靶标。本研究为未来的研究和制定帕金森氏病的有效治疗策略提供了强大的框架。
基于代理的材料数据集从科学文献中学习
过去十年在利用机器学习的化学发现中取得的非凡成就突出了可访问知识和结构化数据的力量。1 - 3但是，化学知识的一部分，尤其是实验知识的一部分，以非结构化的形式散布在整个科学文学中。4研究人员在有效地利用现有知识来设计实验方面面临着挑战，以及在ELD中理解以前的整个研究。因此，开发从文献中提取信息并将其转换为结构化数据的方法论将在推进分子和材料的机器学习方面起着基本作用。自然语言处理（NLP）是从科学文学中提取信息的强大工具。召开NLP方法已用于材料和化学
人工智能 (AI) 一词具有许多预先存在的含义。在“AI”的背景下讨论生物安全，很难将特定计算方法及其训练数据集的具体好处和风险与 AI 系统更普遍的想象能力区分开来。一项建议是从经典生物信息学程序和统计模型（例如隐马尔可夫模型或随机上下文无关语法）的角度来讨论计算生物安全，以便将这些讨论的重点放在实际的当前和未来正在开发的工具上，而不是抽象的假设可能性。即使机器学习模型和底层数据集的复杂性和规模不断增长，这些模型仍然从根本上学习训练数据的统计模式，就像经典方法一样。
人工智能 (AI) 一词具有许多预先存在的含义。在“AI”的背景下讨论生物安全，很难将特定计算方法及其训练数据集的具体好处和风险与 AI 系统更普遍的想象能力区分开来。一项建议是从经典生物信息学程序和统计模型（例如隐马尔可夫模型或随机上下文无关语法）的角度来讨论计算生物安全，以便将这些讨论的重点放在实际的当前和未来正在开发的工具上，而不是抽象的、假设的可能性。即使机器学习模型和底层数据集的复杂性和规模不断增长，这些模型仍然从根本上学习训练数据的统计模式，就像经典方法一样。
Jibo Kids Copus：儿童机器人的演讲数据集...
1。引言语言和扫盲技能的发展是基础教育的基石。然而，国家对教育进步评估的经验结果强调了现实：美国37％的四年级学生没有证明阅读能力与年级的期望相符（Irwin等人，2022）。扫盲基础是在关键的幼儿园和幼儿园时期建立的，在那里孩子们发展了诸如语音意识和信件知识之类的识字能力（Bus and van Ijzendoorn，1999年）。因此，这些早期发展阶段需要集中注意力和资源来促进语言增长。为了增强学习经验并利用这些进步，在教育空间中使用系统已变得司空见惯（Williams等人，2013年），但技术进步仍然必须解决一个重大障碍：当代的自动语音识别技术的表现不足，任务是为儿童的反应得分（Dutta等人，2022; Yeung and Alwan，2018年）。自动产生的儿童语音转录的容易出错的性质对他们整合到教育应用中构成了重大挑战。，1997; P´aez等。，2007年； Snow等。，2007年）。然而，综合儿童的语音数据库的显着稀缺性仍然存在于该领域，尤其是在纵向数据集中。，2022; Safavi等。，2012年； Yeung and Alwan，2018年）。，2018年； Kory等。研究的重点是幼儿园年龄的儿童强调了该年龄段的专门量身定制ASR系统的必要性，因为在Pre-K和幼儿园水平上开发的语音学和字母知识等识字能力可以支持识字技能的发展（Biemiller和Slonim，Slonim，Slonim，2001; Fishman and Pinkerman，2003; Hart et;这些纵向资源对于调查语言发展和精炼以儿童为中心的自动语音识别和说话者识别系统是无价的（Dutta等人。通过跟踪同一儿童，研究人员可以绘制语言获取的轨迹。这种理解可以指导专门针对儿童言语不断发展的特征的系统和技术的开发。（Yeung和Alwan，2019年）。纵向数据还促进了通过提供有关儿童语音模式如何发展，支持个性化学习环境和儿童手机互动等领域的应用程序的见解，从而促进了专门针对儿童声音的教育应用的发展。要有效地从儿童那里收集数据，研究人员必须设计涉及孩子体验的数据收集机制。社会机器人，具有交互式吸引儿童的能力，具有在临床和教育环境中实施这些数据驱动的见解的巨大潜力（Kanero等人，2013年； Westlund and Breazeal，2015年）。jibo被用来为幼儿园，幼儿园和一年级的儿童管理一系列结构化和半结构化任务。机器人可以促进针对各种目标的有针对性活动，包括评估语音发展和语音习得，以及加强发音技能。利用社会机器人的互动功能，Jibo（Spaulding and Chen，2018年），本文介绍了两年内收集的新颖的儿童演讲数据集。这些任务包括字母和数字标识以及说明任务。数据集的纵向组件，其中一部分参与者返回后续记录，促进了儿童言语中对发展轨迹的分析。作为较大的人类机器人相互作用（HRI）研究的一部分，评估了Yeung等人在课堂环境中社会机器人的有效性。（2019b），Yeung等。（2019a），Tran等。（2020），Johnson等。 （2022b）和Johnson等。 （2022a），本文对数据集的集合进行了全面讨论，包括设计注意事项和记录条件。（2020），Johnson等。（2022b）和Johnson等。（2022a），本文对数据集的集合进行了全面讨论，包括设计注意事项和记录条件。
S-JEPA：通过动态空间注意力实现无缝跨数据集传输
摘要：受脑电图信号处理中跨数据集无缝传输的挑战的启发，本文对联合嵌入预测架构 (JEPA) 的使用进行了探索性研究。近年来，自监督学习已经成为一种在各个领域进行迁移学习的有前途的方法。然而，它在脑电图信号中的应用仍未得到充分探索。在本文中，我们介绍了用于表示脑电图记录的 Signal-JEPA，其中包括一种新颖的领域特定空间块掩蔽策略和三种用于下游分类的新型架构。该研究针对 54 个受试者的数据集进行，并在三种不同的 BCI 范式上评估模型的下游性能：运动意象、ERP 和 SSVEP。我们的研究为 JEPA 在脑电图信号编码中的潜力提供了初步证据。值得注意的是，我们的结果强调了空间滤波对于准确下游分类的重要性，并揭示了预训练示例的长度对下游性能的影响，而不是掩码大小的影响。
U-SURF：全球1公里在空间连续的城市地面财产数据集，用于公里尺度的城市分辨地球系统建模
图1。城市峡谷的概念示意图代表CLMU中的城市景观（改编自Oleson等，2008a）。特性是颜色编码的：蓝色用于辐射，橙色用于热和绿色的形态学。请注意，屋顶和壁厚（尽管与城市形态相关）被认为是热特性，因为它们主要用作加权因素，以计算CLMU中峡谷表面的传导通量（Lawrance等，2018; Oleson等人，2010年）。165
临床获取的 MRI 数据集中定义的儿童和青少年时期轴外脑脊液的规范轨迹
临床获取的 MRI 数据集中定义的儿童和青少年时期轴外脑脊液的规范轨迹 Ayan S. Mandal 1,2,3 , Lena Dorfschmidt 2,3,4 , Jenna M. Schabdach 2,3 , Margaret Gardner 2,3 , Benjamin E. Yerys 2.5.6 , Richard AI Bethlehem 7 , Susan Sotardi 8 , M. Katherine Henry 8,9,10 , Joanne N. Wood 9,10 , Barbara H. Chaiyachati 3,9,10 , Aaron Alexander-Bloch 2,3,11 *, Jakob Seidlitz 2,3,11 * * 与资深作者贡献相同 1 宾夕法尼亚大学佩雷尔曼医学院，宾夕法尼亚州费城，美国 2 儿童和青少年精神病学和行为科学系，费城儿童医院，美国宾夕法尼亚州费城。3 美国宾夕法尼亚州费城儿童医院与宾夕法尼亚大学医学院终身脑研究所 4 英国剑桥大学精神病学系 5 美国宾夕法尼亚州费城儿童医院与宾夕法尼亚大学医学院自闭症研究中心 6 美国宾夕法尼亚州费城儿童医院与宾夕法尼亚大学医学院成人成功过渡与学习推进中心 7 英国剑桥大学心理学系 8 美国宾夕法尼亚州费城儿童医院放射学系 9 美国宾夕法尼亚州费城宾夕法尼亚大学佩雷尔曼医学院儿科系 10 美国宾夕法尼亚州费城儿童医院临床未来 11 美国宾夕法尼亚州费城宾夕法尼亚大学精神病学系
使用计算机愿景的人类行为检测数据集（HBDSET）用于疏散安全和紧急管理
在紧急撤离期间，使用计算机视觉根据其行为来准确检测和对不同的撤离者进行分类至关重要。在标准图像数据库中训练的传统对象检测模型通常无法识别特定组中的个人，例如老年人，残疾人和孕妇，这些妇女在紧急情况下需要额外的帮助。为了解决这一限制，本研究提出了一个新的图像数据集，称为人类行为检测数据集（HBDSET），该数据集是专门收集并出于公共安全和紧急响应目的而收集的并进行了注释。此数据集包含八种类型的人类行为类别，即普通的成人，孩子，抱着拐杖，抱着婴儿，使用轮椅，孕妇，行李和手机。数据集包含从各种公共场景收集的1,500多个图像，其中包含2,900多个边界框注释。使用Labelimg工具仔细选择，清洁并随后手动注释图像。为了证明数据集的有效性，根据HBDSET对经典对象检测算法进行了训练和测试，并且平均检测精度超过90％，突出了数据集的稳健性和普遍性。开发的开放式HBDSET有可能增强公共安全，提供早期灾难警告并在紧急撤离期间优先考虑弱势个人的需求。
饮食纤维的潜在益生菌萨拉米调节人类干预研究中的新陈代谢和肠道菌群
西班牙M´Alaga大学的计算机建筑系B计算机科学与数值分析系C´ordoba University of C´ordoba，西班牙C c电子技术系，西班牙M´Alaga大学电子技术系