XiaoMi-AI文件搜索系统
World File Search Systemf1
初级保健战略劳动力计划...
科学家和其他专业人员支持考虑其他要求的高质量安置，例如需要实践教育促进者的角色，并支持在更社会经济贫困的领域中安置位置（b）增加在基础培训期间在基础培训（F1和F2）（F2和F2）（c）扩展培训和需求的基础培训（包括GP Specialty）的基础医生的数量（包括GP Specialty）<
庆大霉素成膜凝胶对糖尿病大鼠伤口愈合的有效性测试 Tuti Handayani Zainal 1 *，Michrun Nisa 2，Nurul Hikma 1，Ast
摘要 庆大霉素最广泛用于治疗糖尿病溃疡感染，即损害最深层皮肤组织并引起感染、溃疡和皮肤损伤的神经系统疾病和外周动脉血管疾病。庆大霉素凝胶形成膜具有以下优点：具有治疗效果，对患者更美观，不粘稠，更封闭，并且可以设计为提供持续的药物释放，从而使使用频率尽可能少。本研究的目的是确定聚合物中吸收的庆大霉素的含量以及大鼠模型中糖尿病伤口愈合的有效性。通过链脲佐菌素诱导小鼠患上糖尿病，然后在其背部造成伤口。将测试动物分为 7 组，分别接受成膜凝胶基质、庆大霉素软膏、含有 PVP 和 PVA 聚合物变体 F1（4:10）、F2（3:11）和 F3（2:12）的庆大霉素成膜凝胶的治疗。使用紫外可见分光光度计测量成膜凝胶含量，并通过测量伤口长度和愈合时间来评估伤口愈合的有效性。结果表明:成膜凝胶中庆大霉素含量F1为1.19μg/mL,F2为1.80μg/mL,F3为1.44μg/mL,伤口愈合效果F1在D-5天愈合,F2在D-6天愈合,F3在D-7天愈合,庆大霉素软膏在D-10天愈合。结论：对糖尿病伤口最有效的配方是浓度为2％PVP和12％PVA的F3。
SHAMIR 驾驶员智能™
Shamir Driver Intelligence™ 是我们成熟的镜片技术和设计方法与雷诺集团旗下的 BWT Alpine F1 ® 车队的实际赛道经验相结合的成果。我们最先进的镜片可在任何时间、任何情况下提供最清晰、最锐利的视野、*增强的色彩对比度、更快的反应时间，最终让您在旅途中享受轻松愉悦的旅程。
NRMM 使用飞轮和 H2-ICE 电池储能实现净零排放
飞轮是一种机械储能系统，主要用于辅助削减主电源工作周期的峰值，例如柴油发电机对周期性负载需求的反应。其好处在于节省燃料，同时减少二氧化碳和运营成本。飞轮的使用在业内并不常见，由于是一种经济高效的解决方案，Dumarey Green Power 已经利用了飞轮多年。飞轮利用了 F1 的技术，当时新混合动力时代于 2009 年首次引入，用于第一个动能回收装置系统 (KERS)。当时，飞轮和电池都在考虑之中。然而，由于人们预测公路车辆将实现电气化，而且 F1 受到 OEM 的影响，因此采用了电池。飞轮选项已发展到相当重要的功能阶段，非常适用于汽车、非公路和建筑行业，后者就是 Dumarey Green Power 生产的 Peak Power 200 系统。
一楼和激活计划
该项目旨在增强人行道的行人使用情况，并通过在街道层提供有趣，活泼和活跃的存在来创造一种邻里连续性。在过去的20年中，肯德尔广场（Kendall Square）从一个工业区转变为一个成功的地面便利设施和零售业，沿第三街，大街和宾尼街（Binney Street），以及百老汇，广阔的运河之路和第三街以东的肯德尔街（Fig F1：Fig f1：底层激活 - 现有环境）。此外，该地区还有一些计划中的文化设施，包括铸造厂和麻省理工学院博物馆，这将为居民和游客体验增添其他质感。该项目的一楼和公共领域是进一步促进这一愿景的机会。MIT将通过创建具有包容性，创新性的一楼环境来延长运营时间，并支持本地和独立的概念，以创建与剑桥社区所有成员共鸣的目的地。
使用高效网络体系结构的皮肤癌分类
皮肤癌是全球最常见的致命疾病之一。因此，皮肤癌的分类变得越来越重要，因为在皮肤癌的早期治疗更加有效。本研究的重点是使用效率网络结构的三种常见皮肤癌类型的皮肤癌分类，即基底细胞癌（BCC），鳞状细胞癌（SCC）和黑色素瘤。数据集进行了预处理，并且在以后的阶段合并之前，数据集中的每个图像都调整为256×256像素。然后，我们训练从EfficityNet-B0到EditiveNet-B7开始的所有类型的效率网络，并比较其性能。基于测试结果，所有受过训练的有效网络模型都能够在皮肤癌分类中产生良好的准确性，精度，回忆和F1得分。尤其是，我们设计的有效网络B4模型可实现79.69％的精度，81.67％的精度，76.56％的召回率，而79.03％的F1得分是最高的。这些结果证实，可以利用有效网络结构对皮肤癌进行分类。
Tanya Nazaretsky、Mutlu Cukurova 和 Giora Alexandron。2021 年。《一种衡量教师对基于人工智能的教育信任度的工具》
F1-1 Q19, Q18, Q17, Q1, Q3 0.78 F1-2 Q19, Q18, Q17, Q1, Q2, Q3 0.79 F1-3 Q19, Q18, Q17, Q1 0.80 F1-4 Q19, Q18, Q17 0.81 F1 使用基于人工智能的教育技术的自我效能 F2-1 Q25, Q24 0.88 F2 基于人工智能的教育技术与人类建议/推荐 F2-2 Q25, Q24, Q8 0.71 F1 + F2 Q19, Q18, Q17, Q25, Q24 0.75 F3 Q14, Q15, Q16 0.69 F3 使用基于人工智能的教育技术相关的焦虑 F4 Q10, Q9, Q12, Q11 0.66 F4 基于人工智能的教育技术缺乏人性化 F5-1 Q5, Q6, Q2 0.69 F5-2 Q5, Q6, Q2, Q7 0.68 F5-3 Q5, Q6, Q2, Q7, Q1, Q3, Q4 0.75 F5 对基于人工智能的教育技术的感知优势 F5-4 Q5, Q6, Q2, Q13 0.52 F6 Q23, Q22, Q21 0.67 F6 提高对基于人工智能的教育技术的信任度的首选方式 F7-1 -Q13, Q7 0.27 F7-2 -Q13, Q7, -Q12 0.45
机器学习和自然语言处理用于预测航空事故报告中的人为因素
摘要：在航空领域，人为因素是安全事故的主要原因。多年来，人们开发了能够评估人为状态和管理风险的智能预测系统来识别和预防人为因素。然而，缺乏大量有用的标记数据往往是这些系统开发的障碍。本研究提出了一种从航空事故报告中识别和分类人为因素类别的方法。对于特征提取，开发了文本预处理和自然语言处理 (NLP) 管道。对于数据建模，考虑了半监督标签扩展 (LS) 和监督支持向量机 (SVM) 技术。采用随机搜索和贝叶斯优化方法进行超参数分析和模型性能改进，以 Micro F1 分数衡量。最佳预测模型在分类框架的每个级别分别获得了 0.900、0.779 和 0.875 的 Micro F1 得分。所提出方法的结果表明，基于文本数据的人为因素分类可以获得良好的预测性能。尽管如此，建议在未来的研究中使用更大的数据集。
不确定性意识到伪装对象检测中的人机合作
伪装的对象检测（COD）是识别在其环境中识别对象的任务，由于其广泛的实际应用范围很快。开发值得信赖的COD系统的关键步骤是对不确定性的估计和有效利用。在这项工作中，我们提出了一个人机协作框架，用于对伪装物体的存在进行分类，利用计算机视觉模型（CV）模型的互补优势和无创的脑部计算机界面（BCIS）。我们的方法引入了一个多视障碍，以估计简历模型预测中的不明显，利用这种不确定性在培训过程中提高效率，并通过基于RSVP的BCIS在测试过程中为人类评估提供了低信任案例，以实现更可靠的决策。我们在迷彩数据集中评估了框架，与现有方法相比，平衡准确性（BA）的平均平均提高为4.56％，F1得分的平均提高为4.56％。对于表现最佳的细节，BA的改善达到7.6％，F1分数为6.66％。对培训过程的分析表明，我们的信心措施和精度之间存在很强的相关性，而消融研究证实了拟议的培训政策和人机合作的有效性
基于AMSEL标准的计算机视觉，用于诊断细菌性阴道病
细菌性阴道病（BV）是一种常见的阴道感染，可以使患者易患几种并发症，例如骨盆炎性疾病。像许多疾病一样，现有的诊断方法在诊断确定性和成本之间面临着权衡。为了帮助解决这一难题，我们探索了可作为IoT设备实现的计算诊断方法。我们基于AMSEL标准开发了几种深度学习模型，以评估更好地自动化BV诊断的不同廉价点测试。我们首先确定如何通过在上皮细胞图像上训练的计算机视觉模型来最佳诊断BV。我们发现，在NUSWAB诊断标签上训练RESNET18模型的F1得分为89％。然后，我们通过多层感知器以其他AMSEL标准值进行了增强计算机视觉结果，发现使用WHIFF测试值也将fer的性能提高至91％的F1，并且超过人类绩效的AMSEL标准的灵敏度为94.31％。这些结果提供了有关如何最好地使用图像和其他AMSEL标准数据组合来可靠诊断，为将来研究基于IoT的BV诊断铺平道路。