XiaoMi-AI文件搜索系统
World File Search Systemdence
自动食品识别和卡路里管理...
1人工智能（AI），机器学习（ML），深度学习（DL），计算机视觉（CV）和对象检测之间的关系。。。。。。。。。。。。4 2通过乘以网格单元中存在的ob ject的概率以及在预测和地面真相边界框之间与联合（iou）相交的概率来计算YOLO中的信心评分。。。。。。。。。。。。。。。。。。。。。。5 3边界框预测图。。。。。。。。。。。。。。。。。。。。。。。。。。。5 4 iou通用公式。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。6 5 iou二进制公式（tp = true straine，fn = false n = false and and fp =假阳性。）6 6 YOLO架构。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。6 7边界盒坐标损耗包含对象的网格单元。。。。。。。。。。。7 8包含对象的网格单元的边界框宽度和高度损失。。。。。。。。7 9包含对象的网格单元的置信分数损失。。。。。。。。。。。。。。。。7 10不包含对象的网格单元的置信分数损失。。。。。。。。。。。。。。7 11分类损失在网格细胞中存在对象。。。。。。。。。。。。。。。。。。。7 12目录结构，用于组织食物图像及其相应的标签，用于在Yolo模型中进行训练，验证和测试。。。。。。。。。。。。。。。。。。14 13各种食物类别的yolov5对象检测的精确构态曲线。。17 14 F1分数曲线Yolov5对象在各种食物类别上检测。。。。。。。。。17 15 Yolov5损失曲线和关键指标（精度，召回和地图）在时期。。。18 16混淆矩阵说明了Yolov5模型在分类不同的食物类别中的性能。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。18 17各种食物类别的yolov6对象检测的精确构度曲线。19 18 F1分数曲线Yolov6对象检测各种食物类别。。。。。19 19 Yolov6损失曲线和关键指标（精度，回忆和地图）。。。20 20混乱矩阵说明了Yolov6模型在分类不同的食物类别中的性能。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。20 21各种食物类别的yolov7对象检测的精确构度曲线。。21 22 22 F1分数曲线在各种食物类别上检测。。。。。。。。。21 23 Yolov7损失曲线和关键指标（精度，召回和映射）在时期。。。。22 24混乱矩阵说明了Yolov8模型在分类不同的食物类别中的性能。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。22 25在各种食物类别上用于yolov8对象检测的精确构度曲线。。23 26 F1在各种食物类别上检测Yolov8对象检测的得分曲线。。。。。。。。。23 27 Yolov8损失曲线和关键指标（精度，召回和映射）。。。。24 28混乱矩阵说明了Yolov8模型在分类不同的食物类别中的性能。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。24 29 YOLO模型的比较：检测速度和训练时间。。。。。。。。。。26 30跨关键评估大会的YOLO模型的全面绩效比较。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。26 31用户帐户注册提示用户输入其个人信息和健康数据以进行个性化卡路里跟踪。。。。。。。。。。。。。。。。。。。。。。29 32登录页面。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。30 33带有输入接口的主页，具有使用设备相机捕获图像或从设备存储中上传现有图像的选项。。。。。。。。30 34卡路里跟踪页面，显示每日卡路里限制，当天消耗卡路里，详细的食物日志以及每月的日历，突出显示每日卡路里的摄入量。。。。31
海马子场的体积变化和与长期COVID和ME/CFS的严重程度指标的关联：7T MRI研究
注意力缺陷多动症（ADHD）是常见的神经发育障碍之一，在全球范围内广泛普遍。ADHD的主要症状包括分歧，冲动和多动症，这显着影响了个体的认知，行为和情感维度。这些疾病通常会在整个成人整个过程中继续存在，并且与相关的并发症一起影响了各种领域，例如个人健康，学术成就和社交互动。目前尚不清楚发病机理和促成多动症的原因。因此，本研究的目的是对系统评价和荟萃分析（SRMA）进行雨伞审查，以系统地评估与ADHD有关ADHD风险因素有关的所有流行病学问题的方法，潜在偏见和有效性的质量，同时就这些风险因素提供了全面的概括。
肠促胰岛素药物对超重或肥胖成人及有/无 2 型糖尿病患者的血糖控制、体重和血压的比较效果：系统评价和网络荟萃分析
方法：在 PubMed、Cochrane、Web of Science、Embase、CNKI 和万方数据库中进行系统搜索，检索日期截至 2024 年 5 月 12 日。纳入干预时间至少为 12 周的随机对照试验 (RCT)。目标人群包括超重或肥胖的个体，无论是否患有 2 型糖尿病。符合条件的研究将多受体药物与安慰剂或其他多受体药物进行了比较。主要结果是减轻体重、糖化血红蛋白 (HbA 1c )、空腹血糖 (FPG)、血压变化和不良事件。使用 Cochrane 偏倚风险工具 (ROB2) 第 2 版评估偏倚风险，并使用频率学派方法进行随机效应网络荟萃分析。使用网络荟萃分析置信度 (CINeMA) 框架评估效果估计的置信度。
疫苗犹豫和对雇主疫苗强制要求的支持
本研究调查了新西兰全国样本中人们对新冠疫苗的犹豫、对雇主强制接种疫苗的支持以及对解雇未接种疫苗员工的支持。共有 1852 人参与了这项研究。结果表明，能够接种疫苗的参与者不太可能支持雇主强制接种疫苗和雇主有权解雇拒绝接种疫苗的员工。但是，自我认定可以接种疫苗并对新冠疫苗有更高信心的人更有可能接种疫苗。年龄和对疫苗的信心会影响对强制接种疫苗的支持，而年龄和政治派别会影响对雇主有权解雇未接种疫苗员工的支持。在企业和国家应对日益严重的新冠疫情问题时，了解对此类举措的支持或不支持至关重要。
使用黎曼概率的贝叶斯积累的端到端 P300 BCI
摘要 — 在脑机接口 (BCI) 中，大多数基于事件相关电位 (ERP) 的方法都侧重于 P300 的检测，旨在对拼写任务进行单次试验分类。虽然这是一个重要的目标，但现有的 P300 BCI 仍然需要多次重复才能达到正确的分类准确率。P300 BCI 中的信号处理和机器学习进步主要围绕 P300 检测部分，而字符分类不在范围之内。为了在保持良好字符分类的同时减少重复次数，解决完整的分类问题至关重要。我们引入了一个端到端流程，从特征提取开始，由使用概率黎曼 MDM 的 ERP 级分类组成，该分类使用跨试验的贝叶斯置信度积累提供字符级分类。现有方法仅在字符闪现时增加其置信度，而我们新的管道，称为黎曼概率贝叶斯累积 (ASAP)，在每次闪现后更新每个字符的置信度。我们提供了此贝叶斯方法的正确推导和理论重新表述，以便无缝处理从信号到 BCI 字符的信息。我们证明我们的方法在公共 P300 数据集上的表现明显优于标准方法。
决策线索如何改变我们的感知和信心
了解个人在做出感知决策时如何利用社交信息以及社交信息如何影响他们的决策信心在社会中至关重要。迄今为止，人们对人类的感知决策以及受社会影响的相关神经介质知之甚少。本研究提供了个人在执行面部/汽车识别任务时如何被他人决策操纵的经验证据。受试者受到他们认为是其他受试者的决定的显著影响，而实际上，线索是独立于刺激而操纵的。一般来说，当受试者的个人决定与线索一致时，他们的决策信心往往会增加，而当线索与他们的个人判断相冲突时，他们的信心会降低，这往往导致决策逆转。使用一种新颖的统计模型，可以根据受试者受线索影响的倾向对他们进行排名。随后通过对他们的神经数据的分析证实了这一点。神经时间序列分析表明，在早期阶段，使用社交线索进行决策并没有显著差异，这与使用预测线索的神经预期研究不同。神经数据的多变量模式分析暗示额叶皮层在视觉处理的后期阶段可能发挥着作用，它似乎编码了线索对感知决策的影响。具体来说，内侧额叶皮层似乎在促进冲突线索之前的感知决策方面发挥着作用。
使用黎曼概率的贝叶斯积累的端到端 P300 BCI
摘要 — 在脑机接口 (BCI) 中，大多数基于事件相关电位 (ERP) 的方法都侧重于 P300 的检测，旨在对拼写任务进行单次试验分类。虽然这是一个重要的目标，但现有的 P300 BCI 仍然需要多次重复才能达到正确的分类准确率。P300 BCI 中的信号处理和机器学习进步主要围绕 P300 检测部分，而字符分类不在范围之内。为了在保持良好字符分类的同时减少重复次数，解决完整的分类问题至关重要。我们引入了一个端到端流程，从特征提取开始，由使用概率黎曼 MDM 的 ERP 级分类组成，该分类使用跨试验的贝叶斯置信度积累提供字符级分类。现有方法仅在字符闪现时增加其置信度，而我们新的管道，称为黎曼概率贝叶斯累积 (ASAP)，在每次闪现后更新每个字符的置信度。我们提供了此贝叶斯方法的正确推导和理论重新表述，以便无缝处理从信号到 BCI 字符的信息。我们证明我们的方法在公共 P300 数据集上的表现明显优于标准方法。
心脏手术的动态：人口特征的趋势和Euroscore II的表现
结果：包括103 404个心胸外科手术。Observed mortality risk ranged between 1.9% [95% confi- dence interval (CI) 1.6–2.4] and 3.6% (95% CI 2.6–4.4) across 3-month intervals, while the mean predicted mortality risk ranged between 3.4% (95% CI 3.3–3.6) and 4.2% (95% CI 3.9–4.6).相应观察到的：预期比率范围从0.50（95％CI 0.46–0.61）到0.95（95％CI 0.74–1.16）。在C统计范围内的判别性能在0.82（95％CI 0.78–0.89）和0.89（95％CI 0.87–0.93）之间。与观察到的死亡率相比，Euroscore II始终高估了死亡率。在所有主要的心胸外科手术过程中，此发现是一致的。单个预测因子值的分布随着时间的流逝而在整个预测因子之间发生了巨大变化。最不可能的趋势是选修手术从75％降低到54％，而没有纽约心脏协会I类心力衰竭的患者增加到27％降低到33％。
实现数字繁荣的数字信任模型
强有力地保护个人数据并严格遵守马来西亚的《个人数据保护法》709 可以大大增强国家网络安全生态系统中的数字信心。这种协同作用源于几个关键因素。首先，强有力的数据保护措施使个人确信他们的在线信息得到负责任和安全的处理，从而减轻了对隐私泄露和滥用的担忧。这增强了人们对数字平台和服务的信任，鼓励了更广泛的采用和参与。其次，遵守第 709 号法案的严格数据治理程序可以增强在数字领域运营的企业和组织的信心。该法案强调数据安全最佳实践、问责制和透明度，以最大限度地降低网络攻击和数据泄露的风险，保护敏感信息并促进稳定可靠的数字环境。