XiaoMi-AI文件搜索系统
World File Search Systemdropout
高频脑电图检测与不确定性通过早期出口范式
脑电图（EEG）对于监测和诊断脑疾病至关重要。然而，脑电图信号遭受非脑部伪影引起的扰动，从而限制了其效率。当前的伪影检测管道是渴望资源的，并且严重依赖手工制作的功能。此外，这些管道本质上是决定性的，使它们无法捕获预测性不确定性。我们提出了E 4 g，这是一个高频脑电图检测的深度学习框架。我们的框架利用了早期出口范式，建立了能够捕获不确定性的模型的隐性集合。我们将对坦普尔大学的脑电图施工（v2.0）进行评估，以实现现状的分类结果。此外，E 4 g提供了良好的不确定性指标，可与采样技术相吻合，例如仅在一次前传球中蒙特卡洛辍学。e 4 g为支持临床医生在环框架中的不确定性感知人工检测打开了大门。
光学连贯性层析成像血管造影...
与荧光素血管造影（FA）相比，DR的黄金标准诊断标准，八颗八颗有助于评估视网膜微瘤状况。作为需要静脉穿刺和染料输注的方法，FA是侵入性且耗时的。此外，FA仅提供二维图像[3，4]。加上，深毛细血管（DCP）的八八图比其FA图像清晰。此外，在测量中央凹性血管区（FAZ）[5]时，八八颗粒的观察者间变异性比FA较小。八八人在诊断DR方面具有几个独特的优势。它具有在微血管异常（MAS）（MAS）之前检测到的早期迹象的能力，这些迹象包括毛细血管辍学，扩张的毛细血管环和毛细管分支[6]。此外，它可以检测一些未被FA捕获的MAS [7，8]并识别MAS和受影响的毛细血管丛的位置[9]。考虑到其清楚地识别增殖膜和后透明膜之间的结构关系[10-12]，八
yo-yo.ai whitepaper_public_2025-03-04
●分类特征的本机处理：该模型本质地了解和过程分类数据，而无需手动一式壁炉编码或其他预处理技术。这简化了数据管道，并保留了分类变量内的关系。●使用时间数据的稳健性能：该模型有效地捕获了时间序列数据的模式和趋势，使其适合涉及预测，异常检测或序列分析的应用。●高心电图特征的有效处理：模型可以管理具有大量唯一值（高基数）的功能，而计算复杂性或内存需求的显着增加。●内置的缺少值处理：模型可以优雅地容纳缺失的数据而无需插入或删除，从而确保由于数据集不完整而不会丢失有价值的信息。●高级正则化技术以防止过度拟合：该模型结合了L1和L2正则化，辍学或早期停止以控制模型复杂性并防止过度拟合的技术，从而改善了对看不见数据的概括性能。
教育工作者在教学中使用人工智能（AI）和数据的道德准则
学校通常会处理大量的教育数据，包括有关学生、家长、教职员工、管理层和供应商的个人信息。在教育领域收集、使用和处理的数据通常被称为“教育数据”。这些数据包括记录在学生信息系统中的数据，例如教育成就、家长姓名、评估成绩，以及使用数字工具时产生的微观层面数据。当学生与数字设备交互时，他们会产生数字痕迹，例如鼠标点击、打开页面的数据、交互事件的时间或按键。在课堂上使用智能辅导系统 (ITS) 时，学习数学或现代语言也会产生学习活动痕迹。所有这些数据可以结合起来，捕捉每个学生的在线行为。这种类型的痕迹数据（数字使用和学习活动痕迹）通常用于学习分析 (LA)。学生信息系统中的数据可以进一步用于资源和课程规划以及预测辍学和指导。
TMI3410
TMI3410 是一款 1MHz 恒定频率、电流模式降压转换器。它非常适合需要从单节锂离子电池或其他输入源（输入电压为 2.5V 至 5.5V）获得高达 2A 的超高电流的便携式设备，并且输出电压可调节至低至 0.6V。TMI3410 还可以在 100% 占空比下运行以实现低压差操作，从而延长便携式系统的电池寿命，而轻负载操作可为噪声敏感应用提供非常低的输出纹波。高开关频率可最大限度地减小外部元件的尺寸，同时保持较低的开关损耗。内部斜率补偿设置允许设备以较小的电感值运行，以优化尺寸并提供高效的操作。TMI3410 采用 5 引脚 SOT 封装，并提供可调版本。该设备提供两种操作模式，即 PWM 控制和 PFM 模式开关控制，可在更宽的负载范围内实现高效率。
耦合仿真和加速退化模型的可靠性评估：应用于电压调节器
本文根据低压差稳压器的行为，演示了如何使用数值模拟数据，基于加速退化测试数据进行可靠性性能评估。该稳压器采用 Cadence Virtuoso 软件和 180 nm AMS CMOS 技术设计，并通过模拟评估其输出电压随温度和输入电压的变化。输出电压退化数据是根据环境参数（输入电压和温度）约束生成的，这使得我们能够利用数值模拟模型和所提出的退化模型定义加速条件下的故障阈值。采用退化路径模型确定指定故障标准（5%）下的伪故障时间。然后，我们推导出加速度定律模型，通过执行最大似然估计法来估计可靠性模型参数，不仅可以分析，还可以预测不同电压和温度应力条件下稳压器的寿命数据分布。
一种用于大脑年龄建模的不确定性感知、可共享、透明的神经网络架构
根据神经影像数据预测的年龄与实际年龄之间的偏差已被确定为跨疾病大脑变化的敏感风险标记，并逐渐成为生物年龄研究的基石。然而，该领域的基础机器学习模型不考虑不确定性，因此会将结果与训练数据密度和变异性混淆。此外，现有模型通常基于同质训练集，通常未经独立验证，并且由于数据保护问题而无法共享。在这里，我们引入了一个不确定性感知、可共享且透明的蒙特卡洛辍学复合分位数回归 (MCCQR) 神经网络，该网络基于来自德国国家队列的 N = 10,691 个数据集进行训练。MCCQR 模型可在高维神经影像数据中提供稳健、无分布的不确定性量化，与现有模型相比，可实现更低的错误率。在两个例子中，我们证明它可以防止虚假关联并提高检测异常大脑衰老的能力。我们公开了预训练模型和代码。
公平干预计划的新方法，以改善数字健康计划中的参与度和结果：仿真研究
背景：数字健康计划为患有慢性疾病的患者提供个性化支持，其有效性是通过患者实现目标临床结果以及该计划维持患者参与能力的程度来衡量的。但是，患者辍学和不平等的干预措施交付策略，可能会无意中惩罚某些患者亚组，这代表了最大化有效性的挑战。因此，优化成功因素（目标临床结果和持续参与的实现）之间平衡的方法学是可取的，尤其是在存在资源限制的情况下。目的：我们的目标是为数字健康计划资源管理提供一个模型，该模型共同说明了个人临床结果与患者参与之间的相互作用，确保公平分配以及允许能力计划，并使用有关2型糖尿病类型的公开数据进行广泛的模拟，一种慢性疾病。方法：我们提出了一个不安的多型强盗（RMAB）模型来计划干预措施，以共同优化长期参与和个体临床结果（在这种情况下，以实现目标健康葡萄糖水平的实现来衡量）。通过加剧组之间的差异来减轻RMAB的趋势实现良好的综合性能，我们为RMAB提出了新的公平目标，并应用了二元优化算法来解决它们。我们为患者参与度和个体临床结果轨迹的联合演变制定了模型，以捕获数字慢性病管理计划中关键的感兴趣动态。结果：在仿真练习中，我们优化的干预政策导致12个月后达到健康葡萄糖水平的患者高达10％，与护理标准基准相比，辍学率降低了10％。此外，与最先进的面前相比，我们的新公平政策将6个人口群体的参与度和健康成果的平均绝对差异最多减少了85％。结论：以个人临床结果目标和长期参与动态进行数字健康干预措施，因为考虑因素可能是可行且有效的。我们建议使用RMAB顺序决策框架，该框架也可以在容量计划中提供其他功能。公平的RMAB算法的集成进一步增强了达到公平解决方案的潜力。此方法为程序设计师提供了灵活性，可以根据其偏好在各种目标之间进行不同的优先级和平衡权衡。
解决青年电子烟的使用
烟草业历史上一直并继续以青年为目标，其中一些特定的针对性实践包括创建“教育计划”，这些计划在1980年代和1990年代由烟草业推广和分发。最近，一个著名的电子烟品牌推广了一个“教育计划”，并为学校提供了对其进行测试的机会。学校在制定或修改政策以解决青年拥有和使用商业烟草产品时应考虑这些策略。已得到美国教育部（DOE）和司法部（DOJ）的认可，即排斥纪律（暂停/驱逐）实践与政策与一系列严重的教育，经济和社会问题之间存在联系。此外，暂停/开除的某些危害包括按时毕业的可能性下降，成绩重复和辍学的增加，以及参与刑事法院系统的可能性增加。此外，已经注意到，这些惩罚可能是不平等的，有色的学生体验纪律的严重程度和频率更高。父母可以鼓励他们的孩子参加的学校采取以下政策，以取代那些惩罚性且不能解决尼古丁成瘾的政策。
![arxiv：2012.15294v1 [eess.iv] 2020年12月30日](/simg/g:\will\search\icon\source\4\440d22a9e2e4d8344dbfe06477ccfb76b9f91828.webp)
arxiv：2012.15294v1 [eess.iv] 2020年12月30日
摘要。3D磁共振图像（MRI）中脑肿瘤分割的自动化是评估疾病的诊断和治疗的关键。近年来，卷积神经网络（CNN）在任务中显示出改善的结果。但是，在3D-CNN中，高内存消耗仍然是一个问题。此外，大多数方法不包含不确定性信息，这在医学诊断中尤其重要。这项工作研究3D编码器培训架构，该体系结构接受了基于贴片的技术，以减少记忆消耗并降低不平衡数据的效果。然后使用不同的训练模型来创建一个集合，以利用每个模型的属性，从而增加性能。我们还分别使用测试时间辍学（TTD）和数据启动（TTA）引入了Voxel的不确定性信息。另外，提出了一种混合方法，有助于提高分割的准确性。这项工作中提出的模型和不确定性估计测量已在Brats'20挑战中针对肿瘤分割和不确定性估计。