XiaoMi-AI文件搜索系统
World File Search System使用时间
改善季节性influenza-forecasting-使用时间...
流感是一种高度传染性的呼吸道疾病，仍然对世界各地的公共卫生构成严重威胁。预测技术有助于监测季节性流感和其他类似流感的疾病，以及适当地管理资源以制定疫苗接种策略，并选择适当的公共卫生措施以减少疾病的影响。这项调查的目的是预测使用XGBoost模型在2020年和2021年的沙特阿拉伯每月发病率，并将其与Arima和Sarima模型进行比较。结果表明，与Arima和Sarima模型相比，XGBoost模型具有最低的MAE，MAE和RMSE，并且R-squared（R²）的最高值。本研究将XGBOOST模型与Arima和Sarima模型的准确性进行了比较，以提供每月季节性流感病例数量的预测。这些结果证实了以下概念：XGBoost模型的预测准确性高于Arima和Sarima模型，这主要是由于其捕获复杂的非线性关系的能力。因此，XGBoost模型可以预测沙特阿拉伯季节性流感病例的每月发生。
使用时间表重新配置确保实时系统
摘要 - 现代的实时系统容易受到网络攻击的影响。越来越多的采用多核平台，安全性和非安全关键任务共存，进一步引入了新的安全挑战。现有的解决方案遭受了缺乏决定论或过多成本的损失。本文解决了这些缺点，并提出了一个离线分析，以计算在多核平台上运行的实时任务的所有可行时间表，从而隔离损害任务，同时保证失败操作系统和低成本可重构计划。使用UAV自动驾驶系统在四核平台（Raspberry PI）上使用UAV自动驾驶系统的实验结果表明，所提出的方案会在微秒级别上造成运行时恢复开销。此外，在合成测试案例中，重新配置过程最多涵盖了所有可能的响应的100％。索引项 - 真实时间系统，计划重新配置，多核，安全性。
使用时间卷积网络的动态功能连通性分析，用于注意力缺陷/多动症疾病识别
活动）（美国精神病学协会等，2013）。估计，多动症影响大约7.2％的全球人（Thomas等，2015）。当前对ADHD的诊断主要依赖于行为评估和临床措施来量化该疾病的严重程度（Sayal等，2018; Chan等，2023），这是由于其病理机制和临床症状的复杂性而成为一项艰巨的任务（USAMI，2016年）。因此，高度可取的任何计算机辅助诊断方法的出现，该方法支持一种客观和定量方法以自动识别ADHD。静止状态功能磁共振成像（RS-FMRI）是一种非侵入性神经影像学技术，在休息时测量了血氧水平依赖性（BOLD）信号的自发性波动，已广泛用于研究人类的脑功能（Lee等人，2013; cortese et; cortese et and an e an e an e an e an e an。Functional connectivity (FC) derived from rs-fMRI is able to characterize brain function abnormality and thus has been widely used for diagnosis of psychiatric diseases, such as schizophrenia, autism spectrum disorders (ASD), and attention deficit/hyperactivity disorders (ADHD) ( Du et al., 2018 ; Wang et al., 2019c ; Canario et al., 2021 ）。在fMRI分析的领域中，通常假定大脑FC在整个扫描过程（通常几分钟）中是固定的。实际上，越来越多的证据表明，FCS在短时间内发生了很大变化（Zhang等，2016; Jie等，2018; Ding等，2022; Huang等，2023），并且静态FC分析不能充分地感知这些动态的这些动态变化。滑动窗口方法是量化动态FC（DFC）的常用技术。根据此方法，从每个主题中提取的粗体时间序列首先使用固定大小的滑动窗口将每个主题分配为多个重叠或非重叠段，然后将基于每个段的FC网络构建以进行后续分析。基于滑动窗口的DFC分析的现有方法可以大致分为两类：（1）传统的机器学习方法和（2）深度学习方法。In the first category, low-level measures (i.e., clustering coefficients) of FCs are first extracted as new representations of the data, and then the corresponding classifier (i.e., support vector machine, SVM) is trained for final prediction ( Wee et al., 2016 ; Jie et al., 2018 ; Wang et al., 2021 ).例如，Wee等人。（2016）提议使用融合的多组套索算法同时生成这些子细分市场的DFC网络。然后，从每个生成的FC网络计算聚类系数。最后，所有这些段的串联系数都用于训练SVM分类器进行疾病诊断。Jie等。 （2018）第一个从每个段构建了动态FC，然后从这些FC中提取时间和空间变化作为特征。 最后，使用多种正规化多任务特征学习和多内核学习技术来整合这些特征以进行疾病预测。 Luo等。 但是，基于传统的现有方法Jie等。（2018）第一个从每个段构建了动态FC，然后从这些FC中提取时间和空间变化作为特征。最后，使用多种正规化多任务特征学习和多内核学习技术来整合这些特征以进行疾病预测。Luo等。但是，基于传统（2023）提议计算时间微晶格动力学和光谱功率特征，以分析ADHD和正常对照（NCS）及其亚型之间的组差异。这些研究表明，考虑动态特性有助于改善疾病诊断的性能，而发现的FC的变化可能是将患者与正常对照区分开的潜在生物标志物。
在使用时间的关税下优化太阳能电动电池交换站：South
污染，占所有能量相关的Co2排放量的23％。•该行业对于经济增长至关重要，行业利益相关者和政策制定者需要解决气候变化及其对环境的有害影响，同时提高流动性。•电动车辆提供了巨大的希望，因为污染物越来越少
医疗保健专业人员对糖尿病管理时间范围内使用时间的了解和态度：七个国家/地区的在线调查
专业人士（AP；糖尿病护士专家，糖尿病教育者，一般护士，护士训练者或医师助理）。总体而言，该研究包括1719名参与者。大多数医疗保健专业人员（约90％）同意，范围内的时间可能/有可能成为糖尿病管理的标准。参与者在范围内报告了以下时间的好处：帮助优化药物方案，为医疗保健专业提供知识和见解，以做出明智的临床决策，并赋予患有糖尿病患者的信息，以成功地管理糖尿病。最常见的范围采用时间障碍是对连续葡萄糖监测的机会有限（SP，65％； GP，74％； AP，69％），这是由于缺乏医疗保健专业人员的培训/教育（SP，45％，GP，59％，59％； AP，51％）。大多数参与者都认为将时间范围整合到临床指南中，调节器将时间范围作为临床终点，以及付款人在范围内的识别作为评估糖尿病治疗的参数，以作为增加时间使用时间的关键因素。
CETP和SGLT2抑制剂联合疗法改善血糖控制 新诊断为癌症儿童的生长分化因子15（GDF15）升高 与急性胰腺炎及其机制有关的糖尿病的招募和保留策略（梦）研究：急性胰腺炎联盟（T1DAPC）中的1型糖尿病 可穿戴技术如何促进外科视频的AI分析 大麻使用和发育的大脑 高级心力衰竭分配中的多组分实施策略的试点测试 多任务深度自动编码器，可以在外周血中使用时间DNA甲基化数据来预测阿尔茨海默氏病的进展 遗传学和精确基因组学方法肺高血压 f -IU印第安纳波利斯学者 挥发性有机化合物评估是筛查工具，用于早期检测胃肠道疾病 可溶性α-klotho和肝素调节成纤维细胞生长因子23在慢性肾脏疾病中的病理心脏作用 经济低迷对国家预算的影响：A ... 抑郁症的功能连接组学：疗法的见解 和心脏后移植：小儿的报告 口服耐受性在基因治疗中的潜在作用 在人类实验室酒精研究中注入或摄取
。cc-by 4.0国际许可证是根据作者/资助者提供的，他已授予MedRxiv的许可证，以永久显示预印本。（未通过同行评审认证）
![检查屏幕使用时间增加对学龄前儿童的认知过程技能的影响19期19个时期ÖzkanSapsağlam[1]](/simg/4/439d43589ceaaec42406db8419a5224ef6ffd084.webp)
检查屏幕使用时间增加对学龄前儿童的认知过程技能的影响19期19个时期ÖzkanSapsağlam[1]
今天，由于各种因素，例如促进获得数字技术的访问，广泛使用的互联网使用，迅速增加城市化以及教育的数字化，儿童在更早的年龄和屏幕使用时间迅速增加了屏幕。由于联合19日的大流行影响了整个世界，远程教育的引入是增加屏幕使用时间的另一个重要因素。根据研究的结果，长期筛查可能会导致儿童的眼睛健康问题和睡眠问题，不充分和不健康的营养，情绪和行为障碍，认知功能受损，注意力缺陷以及多动障碍。本研究旨在检查屏幕使用对5岁学龄前儿童认知过程技能的影响。该研究是根据定性研究方法和案例研究模式设计的。共有34名儿童（17名女性和17名男性）是隶属于国民教育部的幼儿园的学生，三名学龄前老师和34位父母（父亲/母亲）是主要的研究小组。有目的的抽样技术用于创建工作组。通过针对父母的问卷调查，学龄前教师的儿童观察表以及为五岁儿童开发的结构化观察表。研究人员填写的半结构化观察表被填写了，考虑到儿童在活动任务期间具有儿童和儿童的认知过程技能的七个不同活动中的观察结果。通过内容分析方法分析了获得的数据。由于研究的结果，观察到，屏幕使用时间较高的儿童更频繁地与教育活动脱节，难以集中注意力（例如忘记了他们所呆在的行和柱子，混合了他们所遵循的星星，而不是注意到缺乏形状，很难找到他们在绘画中寻找的颜色，从而涉及绘画的较短和时间来参与活动。
使用时间改进的 3D-QALAS 中的 T1 和 T2 映射...
简介：T 2 和 T 1 估计可改善各种病理的特征描述，但较长的扫描时间阻碍了定量 MRI (qMRI) 的广泛应用，因此已经开发了序列以实现高效的 3D 采集。例如，3D-QALAS 1 利用交错的 Look-Locker 采集和 T 2 准备脉冲来对 T 1 和 T 2 进行全脑量化。但是，3D-QALAS 应用恒定翻转角并在 5 个时间点重建图像，这些时间点由于冗长的回波序列期间的信号演变而出现模糊。总结图 1，我们建议通过以下方式改进 3D-QALAS：(1) 结合基于子空间的重建来解决完整的时间动态以消除模糊 (2) 使用与自动微分兼容的模拟通过 Cramer-Rao 界限 (CRB) 优化采集翻转角，(3) 并减少每重复时间 (TR) 的总采集次数以缩短扫描时间。方法：子空间重建：传统 3D-QALAS 应用 T 2 准备和反转脉冲并测量 5 次采集，每次采集都利用 4 度翻转的回声序列。不是为 5 次采集中的每次采集重建一个体积，而是让 𝐸 成为 3D-QALAS TR 中 𝐴 采集之一中的回声数量（通常 𝐴= 5，𝐸= 120 →𝑇= 120 × 5 = 600 𝑒𝑐ℎ𝑜𝑒𝑠/𝑇𝑅 ），其中 𝑇 是回声总数。我们生成一个信号演化字典，用 SVD 计算低维线性基 Φ，从而产生一个易于处理的重建问题 𝑎𝑟𝑔𝑚𝑖𝑛 𝛼 ‖𝑦−𝐴Φ𝛼‖ + 𝑅(𝛼) ，其中 𝐴 表示傅里叶、线圈和采样算子以及 𝑅 正则化。通过使用 𝑥= Φ𝛼 解析时空体积，我们旨在利用与 𝑇 回声 2 的字典匹配来估计更清晰的定量图。图 2 (A) 中的体内实验表明，使用子空间可以减少估计的 T 2 图中的模糊。 CRB 翻转角优化：我们通过最小化两种方式的 CRB 来优化 3D-QALAS 中的翻转角：(1) 优化每个回波序列的一个翻转角 (2) 优化每个回波序列中的所有翻转角。我们使用传统的 4 度翻转角初始化了这两种优化，利用了代表性组织参数 [T 2 =70ms、T 1 =700ms、M0=1] 和 [T 2 =80ms、T 1 =1300ms、M0=1]，并最小化了基于 CRB 的成本函数。我们为 3D-QALAS 实现了自动微分兼容信号模拟 3，从而能够计算基于 CRB 的优化的梯度。减少采集：我们通过从 TR 末尾移除采集，设计了具有 A ={5,4,3} 采集的优化序列，从而加快了扫描速度。实验：我们在扫描仪上实施了针对每个回波序列进行优化的 3D-QALAS 序列，并使用 Mini System Phantom、型号 #136（CaliberMRI，美国科罗拉多州博尔德）和人类受试者（经 IRB 批准）上的常规和优化序列采集数据，进行了 3 次和 5 次采集（1x1x1mm3 分辨率，R=2）。我们比较了使用子空间重建（秩 = 3）和字典匹配估计的定量图。结果：优化序列：图 2（B）绘制了优化的翻转角和（C）与应用子空间重建进行定量估计时的传统序列相比的所得 CRB。优化可以减少 CRB 或者以更少的采集次数匹配传统的 5 次采集 CRB，从而有可能缩短扫描时间。模型和体内：图 3（A）和（B）显示了从模型和体内数据估计的图，其中每个 ETL 翻转角优化的序列（A=3,5 次采集）与恒定翻转角匹配。讨论和结论：未来的工作将实施全翻转角优化序列来解决未来实验中的 T 1 偏差。将子空间重建与自动微分启用的翻转角优化相结合，可获得改进的 3D-QALAS 序列，并将扫描时间缩短 1.75 倍。参考文献：[1] Kvernby, S. et al. J. Cardiovasc. Magn. Reson. 16 , 102 (2014)。[2] Tamir, JI 等人 Magn. Reson. Med. 77 , 180–195 (2017)。[3] Lee, PK 等人 Magn. Reson. Med. 82 , 1438–1451 (2019)。致谢：NIH R01 EB032708、R01HD100009、R01 EB028797、U01 EB025162、P41 EB030006、U01 EB026996、R03EB031175、R01EB032378、5T32EB1680