XiaoMi-AI文件搜索系统
World File Search Systemmachine
减少非道路移动机械的排放
非公路施工现场电气化的成功将取决于远见、规划和灵活性，因为设备、基础设施、存储和电力接入需要与当今的工作流程同步。沃尔沃建筑设备公司 (Volvo CE) 最近通过试验所谓的“电动施工现场”展示了此类努力。9 该项目通过在瑞典进行的实际测试绘制了电动设备的基础设施需求，旨在将供应链中的不同群体聚集在一起，了解如何在城市中使用电动设备。它专注于在不同的城市地点测试电动机、储能和充电基础设施。这有助于确定在现实环境中有效使用电动设备的不同技术和组织需求。
adafruit-braincraft-hat-easy-machine-learning-for-raspberry ...
1.54 英寸 IPS TFT 显示屏，分辨率为 240x240，可显示文本或视频 立体声扬声器端口用于音频播放 - 文本转语音、警报或创建语音助手。 立体声耳机输出，可通过立体声系统、耳机或有源扬声器播放音频。 立体声麦克风输入 - 非常适合制作您自己的智能家居助手 两个 3 针 JST STEMMA 连接器，可用于连接更多按钮 (http://adafru.it/4431)、继电器 (http://adafru.it/4409) ，甚至一些 NeoPixels！(http://adafru.it/3919) STEMMA QT 即插即用 I2C 端口 (https://adafru.it/Ft4) ，可与我们的任何 50+ I2C STEMMA QT 板 (https://adafru.it/NmD) 一起使用，或可用于连接到 Grove I2C 设备适配器电缆（http://adafru.it/4528）。5 向操纵杆 + 按钮用于用户界面和控制。三个 RGB DotStar LED 用于彩色 LED 反馈。
应用机器学习和计算机视觉方法确定
摘要。研究相关性是由在难以到达条件下改善对象大小的测量过程的需要决定的。在现代工业环境中，高测量精度对于确保安全和最大化生产过程的效率至关重要，对该主题的研究在快速技术发展和提高生产质量要求的背景下是相关的。该研究旨在评估使用现代计算机视觉方法在困难的技术条件下测量和重建对象的可能性，例如水 - 水功率反应堆的封闭。该研究采用了3D摄影测量方法，包括立体声和多视图立体声的深度，以及运动方法的结构。研究确定，现代计算机视觉方法，特别是机器学习方法，可以成功地用于在难以到达的条件下测量和重建对象。研究表明，在理想条件下，从测量设备到对象的测量精度可以达到接近1 mm的值。同时，与立体声方法的深度相比，多视图立体法揭示了误差的空间分布更大的均匀性。在实践中，在真实照片的条件下，多视图立体声方法最需要准确地确定相机的位置。由于其对摄像机确切坐标的需求较低，立体声方法的深度显示出更好的结果，显示出较小的测量误差。这项研究强调了使用所提出的方法区分
推进精度流风湿病：机器学习在类风湿关节炎管理
类风湿关节炎（RA）是一种自身免疫性疾病，导致进行性关节损害。早期诊断和治疗至关重要，但由于RA的复杂性和异质性，仍然具有挑战性。机器学习（ML）技术可以通过识别多维生物医学数据中的模式来增强RA管理，以改善分类，诊断和治疗预测。在这篇评论中，我们总结了ML在RA管理中的应用。新兴研究或应用为RA开发了诊断和预测模型，这些模型利用了各种数据模式，包括电子健康记录，成像和多摩学数据。高性能监督的学习模型已证明曲线下的一个面积超过0.85，用于识别RA患者并预测治疗反应。无监督的学习揭示了潜在的RA亚型。正在进行的研究是将多模式数据与深度学习相结合，以进一步提高性能。然而，关于模型过度拟合，可推广性，临床环境中的验证和可解释性的关键挑战。少量样本量和缺乏多样化的人口测试风险高估了模型性能。缺乏评估现实世界临床实用程序的前瞻性研究。增强模型可解释性对于临床医生接受至关重要。总而言之，尽管ML表现出通过早期诊断和优化治疗，更大规模的多站点数据，可解释模型的前瞻性临床验证以及对不同人群进行测试的前瞻性临床验证的有望。由于解决了这些差距，ML可能会为RA中的精密医学铺平道路。
循环脉冲神经网络的非线性动力学与机器学习
人们对由相对少量相互作用的神经元组成的各种集合和大型神经形态系统进行了研究 [1±6]。在《Physics Uspekhi》中，许多综述介绍了使用非线性物理方法研究大脑和神经集合中的动态过程的相关主题 [7±18]。最近，对工作大脑的认知和功能特性进行建模已经成为神经动力学的前沿 [19±21]。尤其是，人们对这一主题越来越感兴趣，这与创建能够重现自然智能关键特性的人工智能系统有关 [22, 23]。为了解决这类问题，有必要建立新的动态模型，这些模型首先可以重现复杂的层次组织，其次可以重现神经元结构的可塑性，因为它们的组成以及结构之间和结构内的连接会根据信息输入的存在与否而变化。迄今为止，已经开发出两种动态建模方法 [24, 25]。其中一种方法是所谓的自上而下的方法，模型采用大脑活动模式——模拟大脑高级过程的积分变量 [20]。另一种方法自下而上，对于可以重现大脑高级功能的神经结构模型，首先，基于对神经元和结构之间连接的真实描述，建立单个神经元的模型 [25, 26]。显然，这两种方法的生物学相关模型都应该基于实验数据。在神经生理学家对大脑进行的实验研究中，神经元的活动是在受试者休息时或受试者执行某项任务时记录的。基于实验数据的模型可以通过两种方式开发。第一种是数据驱动建模，即重建一个动态系统，该系统产生的时间序列在数量上接近实验记录的时间序列。第二种方式是基于所考虑的行为问题建模，即
对人类机器信息系统中合理选择问题的神经界面技术的比较分析
摘要。现代神经界面的市场尽管不幸的是，尽管它的积极发展，但可以为用户提供许多现有的原型，这些原型具有相对较低的人类操作员控制效果的准确性和识别可靠性。此外，市场上的任何神经界面都必须分别针对每个操作员量身定制，这使得很难使其准确性，精度和可靠性客观化。解决上述问题的第一步是对本文介绍的现有神经接口技术市场的不同价格段进行比较分析。市场研究表明，尽管脑电图的缺点，但它是在神经界面系统中记录生物学信号的最易接收的非侵入性方法之一。为了促进未来的研究，已经考虑并分析了神经界面中已知模型和信号分析方法的主要优势和缺点。尤其是在信号预处理，诸如共同平均参考，独立组件分析，常见空间模式，表面拉普拉斯，常见的空间空间模式和自适应滤波等方法的信号预处理，优势和缺点的情况下。在评估信号的信息特征，模型和方法的分析基于自动锻炼的自适应参数，双线性自动化，多维自动进程，快速傅立叶变换，小波转换，波包分解的模型。此外，对人类神经界面操作员的控制效应的最常见鉴定方法（识别）的比较分析，即，判别分析的方法，参考矢量的方法，非线性贝叶斯分类器，邻居的分类器，人造神经网络的分类器。神经界面技术的研究为研究人员提供了更多的基础，以选择神经接口系统的数学，软件和硬件，并为新版本的开发提供了提高的准确性，可靠性和可靠性。
使用机器学习和多参数 MR/PET 区分人类胶质瘤中的 IDH 状态
方法：回顾性纳入了 62 名接受 FDOPA PET 和 MRI 检查的未接受治疗的胶质瘤患者。对比增强 T1 加权图像、T2 加权图像、液体衰减反转恢复图像、表观扩散系数图和相对脑血容量图以及 FDOPA PET 图像用于体素特征提取。使用无监督两级聚类方法，包括自组织映射和 K 均值算法，并将每个类标签应用于原始图像。将肿瘤区域内每个类的标签对数比应用于支持向量机以区分 IDH 突变状态。计算受试者工作特征曲线的曲线下面积 (AUC)、准确度和 F1-socore，并将其用作性能指标。
通过机器学习和异质性细胞模型的高通量筛选鉴定针对胶质母细胞瘤的候选药物
3爱丁堡大学生物科学学院，Max Born Crescent，Edinburgh，EH9 3BF，英国。 *相应的作者：d.oyarzun@ed.ac.uk; n.carragher@ed.ac.uk摘要胶质母细胞瘤多形（GBM）是一种侵略性的原发性脑肿瘤，由于其复杂的病理和异质性，引起了重大治疗挑战。 缺乏经过验证的分子靶标是发现新的治疗候选者的主要障碍，在二十年中，没有向患者提供新的有效GBM疗法。 在这里，我们报告了针对GBM干细胞存活表型的化合物的鉴定。 我们的方法采用机器学习（ML）的预测指标的细胞存活率，这些细胞存活在高通量，基于图像的，基于图像的表型筛选数据中，用于3,561种化合物，以多个浓度，跨六个异质，患者衍生的GBM干细胞系进行多个浓度。 我们在计算上筛选了跨越各种化学类别的12,000多种化合物。 对GBM干细胞系中ML识别的候选物的实验验证，导致了三种化合物对GBM表型的活性。 值得注意的是，我们经过验证的HSP90抑制剂XL888之一，靶向消除所有六个GBM干细胞系，其IC50在纳莫尔范围内。 其他两种化合物在具有不同细胞系敏感性的多个GBM细胞系中展示了广泛的活动，为将来的个性化医学运动提供了途径。 患者的预后较差，治疗方案有限（通常是手术，然后进行化学放疗），导致抗药性的出现。3爱丁堡大学生物科学学院，Max Born Crescent，Edinburgh，EH9 3BF，英国。*相应的作者：d.oyarzun@ed.ac.uk; n.carragher@ed.ac.uk摘要胶质母细胞瘤多形（GBM）是一种侵略性的原发性脑肿瘤，由于其复杂的病理和异质性，引起了重大治疗挑战。缺乏经过验证的分子靶标是发现新的治疗候选者的主要障碍，在二十年中，没有向患者提供新的有效GBM疗法。在这里，我们报告了针对GBM干细胞存活表型的化合物的鉴定。我们的方法采用机器学习（ML）的预测指标的细胞存活率，这些细胞存活在高通量，基于图像的，基于图像的表型筛选数据中，用于3,561种化合物，以多个浓度，跨六个异质，患者衍生的GBM干细胞系进行多个浓度。我们在计算上筛选了跨越各种化学类别的12,000多种化合物。对GBM干细胞系中ML识别的候选物的实验验证，导致了三种化合物对GBM表型的活性。值得注意的是，我们经过验证的HSP90抑制剂XL888之一，靶向消除所有六个GBM干细胞系，其IC50在纳莫尔范围内。其他两种化合物在具有不同细胞系敏感性的多个GBM细胞系中展示了广泛的活动，为将来的个性化医学运动提供了途径。患者的预后较差，治疗方案有限（通常是手术，然后进行化学放疗），导致抗药性的出现。我们的工作证明了在与ML串联串联中使用表型筛选的使用可以有效地识别具有很少已知分子靶标的高度异质指示中个性化处理的治疗铅。关键字：胶质母细胞瘤，人工智能，药物发现，机器学习简介胶质母细胞瘤多形（GBM）是人类成年人中最常见和最具侵略性的原发性脑肿瘤，其特征是遗传驱动因素的实质异质性和肿瘤微环境1-3。在过去20年中，新诊断的GBM患者的护理标准包括手术，替莫唑胺（TMZ）和电离辐射（IR），延长了12个月至15个月患者的总体生存期4,5。大规模的基因组分析增强了我们对GBM分子生物学的理解，后者支持
