XiaoMi-AI文件搜索系统
World File Search System信度
神经肌肉疾病的运动功能测量量表……
针对神经肌肉疾病开发了一种新的运动功能测量量表。验证研究包括 303 名患者，年龄为 6-62 岁。72 名患者患有杜氏肌营养不良症，32 名贝克尔肌营养不良症，30 名肢带型肌营养不良症，39 名面肩胛肱骨营养不良症，29 名强直性肌营养不良症，21 名先天性肌病，10 名先天性肌营养不良症，35 名脊髓性肌萎缩症和 35 名遗传性神经病变。该量表包含 32 个项目，分为三个维度：站立姿势和转移、轴向和近端运动功能、远端运动功能。评分者间信度一致性系数在 9 个项目中为优秀 (k Z 0.81–0.94)，在 20 个项目中为良好 (k Z 0.61–0.80)，在 3 个项目中为中等 (k Z 0.51–0.60)。总分与其他分数之间存在高度相关性：Vignos (r Z 0.91) 和 Brooke (r Z 0.85) 等级、功能独立性测量 (r Z 0.91)、医生 (r Z 0.88) 和物理治疗师 (r Z 0.91) 使用视觉模拟量表评估的残疾总体严重程度。该量表可靠，不需要任何特殊设备，并且深受患者欢迎。正在评估其对变化的敏感性，以允许其用于神经肌肉疾病的临床试验。q 2005 Elsevier B.V. 保留所有权利。
原创研究本科医学生和实习生对医学人工智能的认识和看法
目的：人工智能 (AI) 在医疗保健和健康职业教育中发挥着越来越重要的作用。本研究探讨了医学生和实习生对人工智能 (AI) 的了解、对 AI 在医学中的作用的看法以及对 AI 能力教学的偏好。方法：在这项横断面研究中，作者使用了之前验证过的加拿大问卷，并收集了尼泊尔 KIST 医学院学生和实习生的回答。通过向 20 名校友作为试点样本 (Cronbach alpha = 0.6) 发放问卷来评估该工具的面孔效度和信度。对调查结果进行了定量分析 (p 值 = 0.05)。结果：共有 216 名学生 (37% 的回复率) 参与。AI 知识得分中位数为 11 (四分位距 4)，最高分为 25。最后一年的学生 (p = 0.006) 和接受过 AI 额外培训的学生 (p = 0.040) 的分数更高。超过 49% 的人强烈同意或同意 AI 将减少医生的就业岗位。许多人预计 AI 会影响他们的专业选择，认为尼泊尔的医疗保健系统没有能力应对 AI 的挑战，并认为每个医学生都应该接受 AI 能力培训。结论：尼泊尔医学院缺乏对 AI 和机器学习的覆盖，导致学生不了解 AI 对个别患者和医疗保健系统的影响。受访者对学习 AI 的意愿很高，这是一个积极的信号，也是未来课程改革成功的有力指标。在尼泊尔医疗保健系统中系统地实施 AI 可以成为解决与资源和人力限制相关的医疗保健挑战的潜在工具。将与 AI 和机器学习相关的主题纳入医学课程可能是有用的第一步。关键词：人工智能、医疗保健、机器学习、医学生、尼泊尔
AI RMF RFI 评论 - 消费者技术协会
对 RFI - NIST AI 风险管理框架的评论 消费者技术协会®（“CTA”）® 1 谨提交这些评论，以回应美国国家标准与技术研究所（“NIST”）关于 NIST 人工智能风险管理框架（“框架”）的信息请求（“RFI”）。 2 CTA 赞扬 NIST 在这些问题上的深思熟虑的工作以及建立自愿框架的努力，将可信度考虑因素纳入人工智能（“AI”）产品、服务和系统的创建和使用中。CTA 特别同意拟议的框架属性，即适应性、基于风险、以结果为导向、自愿性和非规定性，这些属性将共同促进公众信心和信任。CTA 同意 NIST 的说法，因为道德价值观没有客观标准，部分原因是这些价值观植根于特定社会或文化的规范和法律期望，因此普遍认为“必须以值得信赖和负责任的方式设计、开发、使用和评估人工智能，以促进公众信心和信任。” 3 原则和框架（例如 NIST 正在制定的原则和框架）将对 AI 系统的发展产生持久影响，只要利益相关者“认可”。如果这些原则和框架鼓励开发准确、合乎道德、包容和值得信赖的 AI，那么全球 AI 相关原则和框架的统一采用和尊重就最有可能。同时，这些政策必须提供自愿、灵活的监督和合规解决方案，同时保留创新的基本经济激励。AI 技术为人类和社会发展提供了巨大的机会，CTA 同意 AI 必须值得信赖。AI 可以促进包容性增长，改善人民的福利和福祉，并增强全球创新和生产力。它对我们的国家利益也具有深远的前景。事实上，正如第 13859 号行政命令所述，“继续保持美国在 AI 领域的领导地位对于维护美国的经济和国家安全以及以一致的方式塑造 AI 的全球发展至关重要
人工智能在增强成人减肥方面的潜力：范围审查
摘要 目的：概述如何使用人工智能 (AI) 来调节饮食和节食行为、运动行为和减肥。设计：根据 Arksey 和 O'Malley 的五步框架，对从创刊到 2020 年 12 月 15 日发表的全球文献进行范围界定审查。搜索了八个数据库（CINAHL、Cochrane – Central、Embase、IEEE Xplore、PsycINFO、PubMed、Scopus 和 Web of Science）。两名审阅者独立筛选纳入的研究以确定其是否符合资格，具有良好的评分者间信度（k = 0.96）。结果：在 5573 项潜在研究中，共纳入 66 项，代表超过 2031 名参与者。确定了自我调节的三个原则 - 自我监控（n 66, 100%）、优化目标设定（n 10, 15.2%）和自我控制（n 10, 15.2%）。文章也被分为三种人工智能应用，即机器感知（n 50）、仅预测分析（n 6）和具有个性化微干预的实时分析（n 10）。机器感知侧重于识别食物、饮食行为、身体活动和估计能量平衡。预测分析侧重于预测体重减轻、干预依从性、饮食失误和情绪化饮食。最后一个主题的研究重点是评估人工智能辅助的体重管理干预措施，这些干预措施可即时收集行为数据、优化行为失误事件的预测模型，并通过自适应和个性化的推动/提示增强行为自我控制。只有六项研究报告了平均体重减轻（2.4 – 4.7%），其中两项具有统计学意义。结论：人工智能在减肥方面的应用仍未得到发展。根据目前的研究结果，我们提出了一个人工智能在减肥方面的适用性框架，但警告称，其取决于参与度和情境化。
使用基于自动图谱的头部尺寸标准化对年轻、年老和痴呆成人进行形态测量和功能数据分析的统一方法
图谱标准化是功能数据分析中常用的方法，只要使用适合年龄和人群的目标图谱，它就可以自动解决区域和全脑形态测量分析中普遍遇到的头部大小变化校正问题。在本文中，我们开发并验证了一种图谱标准化程序，以手动测量颅内总容量 (TIV) 作为参考，用于校正头部大小。用于图谱转换的目标图像由合并的年轻人和老年人模板组成，专门为跨年龄跨度标准化而创建。自动图谱转换生成了图谱缩放因子 (ASF)，该因子定义为将每个个体与图谱目标匹配所需的体积缩放因子。因为图谱标准化等同于头部大小，所以 ASF 应该与 TIV 成比例。对 147 名受试者进行了验证分析，以评估 ASF 作为手动 TIV 测量的代理。此外，对 19 名受试者在多天内进行成像以评估重测信度。结果表明，ASF（1）与手动 TIV 标准化相当（r = 0.93），（2）在多次成像过程中可靠（r = 1.00；平均绝对差异百分比 = 0.51%），（3）能够纠正不同性别的头部大小差异，以及（4）在萎缩明显的痴呆老年人中偏差最小。无论是使用手动 TIV 还是自动 ASF 进行校正，非痴呆（n = 49）和痴呆（n = 50）老年人之间的海马体积差异（手动测量）都是相同的（效果大小分别为 1.29 和 1.46）。为了提供规范值，ASF 用于在 335 名年龄在 15–96 岁之间的受试者中自动得出估计 TIV（eTIV），其中包括具有临床特征的非痴呆（n = 77）和痴呆（n = 90）老年人。非痴呆组和痴呆组之间的 eTIV 差异可以忽略不计，因此无法支持以下假设：
脑机接口技术如何改善意识障碍的诊断：一项比较研究
意识障碍 (DOC) 和闭锁综合征 (LIS) 的诊断仍然是临床挑战。最严重的 DOC 类型是昏迷，其特征是闭眼，对命令或感官刺激没有意志反应。无反应觉醒综合征 (UWS) 是一种稍微不那么严重的状态，患者会出现睁眼，但没有其他反应性变化。对外部刺激的持续自愿反应是最小意识状态 (MCS) 的特征，而物体的功能性使用或准确的交流则表示脱离 MCS (EMCS)。在完全闭锁综合征 (CLIS) 中，患者无法进行自愿运动，因此无法使用主流技术进行交流，即使患者的认知功能完好无损 (Giacino 等人，2014)。在床边评估无法交流或表现出意志行为的患者的认知能力和意识功能非常困难。由此产生的诊断错误具有重大的伦理影响。昏迷恢复量表 (CRS) 修订版 (CRS-R, Giacino et al., 2004) 是最受认可的工具，具有良好或优秀的内容效度、评分者间信度和内部一致性 (Seel et al., 2010)。然而，由于觉醒水平的波动、运动障碍、严重的张力过高和其他临床特征，许多患者无法对 CRS-R 产生可重复的反应。此外，CRS-R 管理需要合格的评估人员，并且耗时，因此在许多情况下它被其他诊断工具或“判断”所取代（Formisano 等人，2019 年）。然而，据估计，被临床共识判断为无反应的患者中，多达 43% 具有最小意识（Andrews，1996 年；Schnakers 等人，2009 年）。已经开发了不同的功能成像范例来提高 DOC 诊断的准确性。例如，在 fMRI 中执行空间和运动意象心理任务（Monti 等人，2010 年）和单词识别任务（Monti 等人，2015 年）揭示了一小部分 UWS 患者的隐性（从公开行为中看不出来）命令遵循。然而，许多目标患者由于自发运动或金属植入物等技术问题无法通过 fMRI 进行评估。此外，在与 18F-FDG-PET 的比较研究中，fMRI 结果并不令人满意
什么是人工智能 (AI) 评分？DRC 使用...
什么是人工智能 (AI) 评分？DRC 使用专门的专有软件来自动化开放式项目答案的评分过程（即“AI 评分”）。该技术用于对 ELA 测试中学生的简短写作任务答案进行评分。DRC 的 AI 评分引擎已用于对数十万名学生的答案进行评分，具有很高的可靠性和准确性。AI 评分有多准确？DRC 的 AI 评分引擎使用人工裁定的数据进行训练，有助于确保高水平的准确性。在最近的独立研究中，AI 分数达到或超过了人类的可靠性。DRC 的 AI 评分引擎结果与比较专家人类评分员之间的一致性研究相称。由于引擎被训练成像人类评分员一样“思考”，因此其准确性由训练中使用的高质量数据驱动。此外，AI 评分在评分者内部信度方面提供了完美的可靠性，因为它永远不会疲劳，并且每次都以相同的方式对给定的写作样本进行评分。简而言之，与传统的人工评分相比，DRC 的 AI 评分引擎非常准确。人工智能模型是如何构建的？DRC 的人工智能评分引擎利用自然语言处理来分析学生答案的语义内容、语法、句法、词汇和其他几十种详细描述。这些分析产生了量化的答案质量指标，这些指标由统计模型处理后产生预测分数。对试题评分标准、人工评分训练材料、测距数据和示例试题答案也进行了类似的分析。所有材料都结合了数千个学生答案示例，这些示例已由专家评分员独立评分两次。这些数据用于训练模型，以高精度区分不同级别的答案质量。进行了详细的测量以确保人工评分和人工智能评分分布之间的一致性，包括在每个可能的得分点分别计算召回率和准确率。人工智能还能识别“警告试卷”吗？DRC 的人工智能评分引擎内置了各种算法，用于评估学生答案的“可评分性”并分析其中可能包含的任何令人不安的内容（通常称为“警告试卷”）。 DRC 的 AI 评分引擎会标记那些缺乏适当开发、缺乏足够内容来评分或使用不受支持的语言编写的答案。还会识别包含不当语言或代表恶意完成测试的警报试卷。无法有效评分的答案将被标记为由专家评分员进一步审查，并发送到 DRC 的绩效评估手动评分系统。
使用人工智能软件教学对约旦 10 年级计算机科学专业学生学业成绩及其态度的影响
约旦大学教育科学学院 摘要 本研究旨在确定基于人工智能的教育软件教学方法对约旦 10 年级计算机科学学生学业成绩及其态度的影响。为了实现本研究的目标，设计了一个计算机软件，应用于约旦大学学校特意选择的 (50) 名 10 年级学生。研究样本随机分为两组：使用教育软件教学的实验样本和以传统方法教学的对照样本，研究人员准备了一个成就测试来衡量 10 年级学生在计算机科学科目的学业成绩，其中测试的有效性和可靠性已经过验证，重测信系数为 (0.86)。准备了一份关于态度的问卷，并验证了其有效性和可靠性。问卷的信度系数基于Cronbach's alpha方程为(0.01)。为了分析结果，我们使用了协方差分析（ANCOVA），研究结果表明，实验组使用基于人工智能的教育软件学习计算机科学学科具有统计学上的显著差异。结果还显示，实验组对教育软件的态度为中等积极。本研究建议在计算机科学学科教学领域设计和开发计算机化软件，并在基础教育领域培训和鼓励教师使用基于人工智能的学习。关键词：人工智能软件、学业成绩、学生态度、约旦大学学院 DOI：10.7176/JEP/11-7-10 出版日期：2020 年 3 月 31 日 1.1 简介 我们这个时代教育过程面临的最核心挑战之一是探索有效的教育方法的能力，以及能够设计一个满足学习者需求、激励他们并激发他们融入教育过程兴趣的交互式学习环境。随着各种现代技术手段的出现，传统方法的教学已不再可行，必须在适当的教育位置激活和使用技术，以确保取得积极成果。虽然教学方法自古以来就存在，但并没有以系统的方式使用目的不仅仅是使用技术，而是根据教育情况和教育过程的目标来规划选择适当的教育方法。根据目标学习者在适当的教育位置使用适当的教育工具时，我们可以为学习过程增加新的价值；我们可以实现我们努力实现的目标，因为信息和通信技术提供了许多超越时间和空间限制的高效手段。它还为学习者开辟了新的视野，通过该技术提供的服务（例如互联网、电子邮件、教育软件、交互式白板、视觉媒体、视听手段和现成的教育包），赋予学习者在学习和互动过程中的责任和最大作用（Bani Abdo，2017）。正如 Zemam 和 Sulaimani (2013) 指出的那样，我们必须努力理解和研究这些方法对教育学习过程的重要性和影响，并确定它们的类型，以便根据目标受众或适当的教育立场区分最合适的类型。在此背景下，我们必须确定在特定教育情况下使用特定方法的效果，其中使用一种方法比在相同教育情况下使用另一种方法对目标学习者的影响更大。鉴于知识的扩展和通信手段的技术发展正常导致生活的各个方面的巨大发展和加速变化，以及所有科学领域中大量信息的可用性，有必要发展教育理念并改变教师的角色，摆脱传统的填鸭式教学，更多地依靠在学习者面前提供专业领域。出于这些原因，提供允许专业领域多样化的教育手段至关重要，这使得学习者能够实践学习过程以获得新的经验，使他能够面对生活中不断变化的需求。
Chameleo：利用人工智能检测变色龙行走方式
[4] Linda Evans、Fred Hardtke、Emily Corbin 和 Wouter Claes。2020 年。伪装的变色龙：在埃及 el-Hosh 遗址的新发现。《考古学和人类学》12，8 (2020)，1–9。[5] 欧洲宠物食品工业联合会 (FEDIAF)。2020 年。事实与数据 2020。https://www.fediaf.org/images/FEDIAF_Facts_and_Figures_2020.pdf [6] Martin S Fischer、Cornelia Krause 和 Karin E Lilje。2010 年。变色龙运动能力的进化，或如何成为树栖爬行动物。《动物学》113，2 (2010)，67–74。[7] Olivier Friard 和 Marco Gamba。 2016. BORIS：一款免费、多功能的开源事件记录软件，可用于视频/音频编码和实时观察。《生态学与进化方法》7，11（2016），1325–1330。[8] Klaus Greff、Rupesh K Srivastava、Jan Koutník、Bas R Steunebrink 和 Jürgen Schmidhuber。2016. LSTM：搜索空间漫游。《IEEE 神经网络与学习系统汇刊》28，10（2016），2222–2232。[9] Anthony Herrel、Krystal A Tolley、G John Measey、Jessica M da Silva、Daniel F Potgieter、Elodie Boller、Renaud Boistel 和 Bieke Vanhooydonck。2013. 缓慢但坚韧：变色龙奔跑和抓握能力分析。 《实验生物学杂志》216，6（2013），1025–1030。[10] Timothy E Higham 和 Bruce C Jayne。2004。蜥蜴在斜坡和栖木上的运动：树栖专化者和陆栖通才者的后肢运动学。《实验生物学杂志》207，2（2004），233–248。[11] Mayank Kabra、Alice A Robie、Marta Rivera-Alba、Steven Branson 和 Kristin Branson。2013。JAABA：用于自动注释动物行为的交互式机器学习。《自然方法》10，1（2013），64–67。 [12] Mary P Klinck、Margaret E Gruen、Jérôme RE del Castillo、Martin Guillot、Andrea E Thomson、Mark Heit、B Duncan X Lascelles 和 Eric Troncy。2018 年。通过随机临床试验，开发了供看护人/主人 MI-CAT (C) 使用的蒙特利尔猫关节炎测试工具，并对其初步效度和信度进行了评估。《应用动物行为科学》200 期 (2018)，第 96-105 页。[13] JB Losos、BM Walton 和 AF Bennett。1993 年。《肯尼亚变色龙的冲刺能力与粘着能力之间的权衡》。《功能生态学》(1993)，第 281-286 页。[14] Tom Menaker、Anna Zamansky、Dirk van der Linden、Dmitry Kaplun、Aleksandr Sinitica、Sabrina Karl 和 Ludwig Huber。 2020 年。面向数据驱动的动物行为模式自动分析方法。第七届动物-计算机交互国际会议论文集。1-6。[15] Nikola Mijailovic、Marijana Gavrilovic、Stefan Rafajlovic、M Ðuric-Jovicic 和 D Popovic。2009 年。从加速度和地面反作用力识别步态阶段：神经网络的应用。Telfor 杂志 1, 1（2009 年），34-36。[16] Hung Nguyen、Sarah J Maclagan、Tu Dinh Nguyen、Thin Nguyen、Paul Flemons、Kylie Andrews、Euan G Ritchie 和 Dinh Phung。2017 年。使用深度卷积神经网络进行动物识别和鉴别，用于自动野生动物监测。2017 年 IEEE 数据科学与高级分析国际会议 (DSAA)。IEEE，40–49。[17] Matthias Ott。2001 年。变色龙有独立的眼球运动，但在扫视猎物追踪过程中双眼会同步。实验脑研究 139，2（2001 年），173–179。[18] Veronica Panadeiro、Alvaro Rodriguez、Jason Henry、Donald Wlodkowic 和 Magnus Andersson。2021 年。28 款免费动物追踪软件应用程序回顾：当前功能和局限性。实验室动物（2021 年），1–9。[19] Anika Patel、Lisa Cheung、Nandini Khatod、Irina Matijosaitiene、Alejandro Arteaga 和 Joseph W Gilkey。 2020. 揭示未知：使用深度学习实时识别加拉帕戈斯蛇类。动物 10, 5 (2020), 806。[20] Zachary T Pennington、Zhe Dong、Yu Feng、Lauren M Vetere、Lucia Page-Harley、Tristan Shuman 和 Denise J Cai。2019. ezTrack：用于研究动物行为的开源视频分析流程。科学报告 9, 1 (2019), 1–11。[21] Talmo D Pereira、Diego E Aldarondo、Lindsay Willmore、Mikhail Kislin、Samuel SH Wang、Mala Murthy 和 Joshua W Shaevitz。2019. 使用深度神经网络快速估计动物姿势。自然方法 16, 1 (2019), 117–125。[22] Jane A Peterson。 1984. 蜥蜴（爬行动物：蜥蜴）的运动方式，特别是前肢。《动物学杂志》202，1（1984），1-42。[23] Nagifa Ilma Progga、Noortaz Rezoana、Mohammad Shahadat Hossain、Raihan Ul Islam 和 Karl Andersson。2021. 基于 CNN 的毒蛇和无毒蛇分类模型。在国际应用智能与信息学会议上。Springer，216-231。[24] Joseph Redmon、Santosh Divvala、Ross Girshick 和 Ali Farhadi。2016. 您只需看一次：统一的实时物体检测。在 IEEE 计算机视觉与模式识别会议论文集上。779-788。 [25] Karl Patterson Schmidt、Robert F Inger 和 Roy Pinney。1957 年。世界现存爬行动物。纽约花园城汉诺威大厦。[26] Martin Stevens 和 Graeme D Ruxton。2019 年。行为在动物伪装中的关键作用。生物学评论 94, 1 (2019)，116–134。[27] Atsushi Yamazaki、Kazuya Edamura、Koji Tanegashima、Yuma Tomo、Makoto Yamamoto、Hidehiro Hirao、Mamiko Seki 和 Kazushi Asano。2020 年。一种新型活动监测器在评估猫的身体活动和睡眠质量方面的实用性。Plos one 15, 7 (2020)，e0236795。实验动物（2021），1-9。 [19] Anika Patel、Lisa Cheung、Nandini Khatod、Irina Matijosaitiene、Alejandro Arteaga 和 Joseph W Gilkey。 2020。揭示未知：利用深度学习实时识别加拉帕戈斯蛇种。动物 10, 5 (2020), 806。 [20] Zachary T Pennington、Zhe Dong、Yu Feng、Lauren M Vetere、Lucia Page-Harley、Tristan S human 和 Denise J Cai。 2019. ezTrack：用于研究动物行为的开源视频分析管道。科学报告 9、1 (2019)、1-11。 [21] 塔尔莫·D·佩雷拉、迭戈·E·阿尔达隆多、林赛·威尔莫尔、米哈伊尔·吉斯林、塞缪尔·SH·王、马拉·穆尔蒂和约书亚·W·沙维茨。 2019. 使用深度神经网络快速估计动物姿势。《自然方法》16，1（2019），117–125。[22] Jane A Peterson。1984. 蜥蜴（爬行动物：蜥蜴）的运动方式，特别是前肢。《动物学杂志》202，1（1984），1–42。[23] Nagifa Ilma Progga、Noortaz Rezoana、Mohammad Shahadat Hossain、Raihan Ul Islam 和 Karl Andersson。2021. 基于 CNN 的毒蛇和无毒蛇分类模型。在国际应用情报与信息学会议上。Springer，216–231。[24] Joseph Redmon、Santosh Divvala、Ross Girshick 和 Ali Farhadi。 2016. 只需看一次：统一的实时物体检测。在 IEEE 计算机视觉与模式识别会议论文集上。779–788。[25] Karl Patterson Schmidt、Robert F Inger 和 Roy Pinney。1957. 世界上的现存爬行动物。纽约花园城汉诺威大厦。[26] Martin Stevens 和 Graeme D Ruxton。2019. 行为在动物伪装中的关键作用。生物学评论 94, 1 (2019)，116–134。[27] Atsushi Yamazaki、Kazuya Edamura、Koji Tanegashima、Yuma Tomo、Makoto Yamamoto、Hidehiro Hirao、Mamiko Seki 和 Kazushi Asano。2020. 新型活动监测器在评估猫身体活动和睡眠质量中的实用性。 Plos one 15, 7 (2020), e0236795。实验动物（2021），1-9。 [19] Anika Patel、Lisa Cheung、Nandini Khatod、Irina Matijosaitiene、Alejandro Arteaga 和 Joseph W Gilkey。 2020。揭示未知：利用深度学习实时识别加拉帕戈斯蛇种。动物 10, 5 (2020), 806。 [20] Zachary T Pennington、Zhe Dong、Yu Feng、Lauren M Vetere、Lucia Page-Harley、Tristan S human 和 Denise J Cai。 2019. ezTrack：用于研究动物行为的开源视频分析管道。科学报告 9、1 (2019)、1-11。 [21] 塔尔莫·D·佩雷拉、迭戈·E·阿尔达隆多、林赛·威尔莫尔、米哈伊尔·吉斯林、塞缪尔·SH·王、马拉·穆尔蒂和约书亚·W·沙维茨。 2019. 使用深度神经网络快速估计动物姿势。《自然方法》16，1（2019），117–125。[22] Jane A Peterson。1984. 蜥蜴（爬行动物：蜥蜴）的运动方式，特别是前肢。《动物学杂志》202，1（1984），1–42。[23] Nagifa Ilma Progga、Noortaz Rezoana、Mohammad Shahadat Hossain、Raihan Ul Islam 和 Karl Andersson。2021. 基于 CNN 的毒蛇和无毒蛇分类模型。在国际应用情报与信息学会议上。Springer，216–231。[24] Joseph Redmon、Santosh Divvala、Ross Girshick 和 Ali Farhadi。 2016. 只需看一次：统一的实时物体检测。在 IEEE 计算机视觉与模式识别会议论文集上。779–788。[25] Karl Patterson Schmidt、Robert F Inger 和 Roy Pinney。1957. 世界上的现存爬行动物。纽约花园城汉诺威大厦。[26] Martin Stevens 和 Graeme D Ruxton。2019. 行为在动物伪装中的关键作用。生物学评论 94, 1 (2019)，116–134。[27] Atsushi Yamazaki、Kazuya Edamura、Koji Tanegashima、Yuma Tomo、Makoto Yamamoto、Hidehiro Hirao、Mamiko Seki 和 Kazushi Asano。2020. 新型活动监测器在评估猫身体活动和睡眠质量中的实用性。 Plos one 15, 7 (2020), e0236795。在国际应用情报与信息学会议上。Springer，216–231。[24] Joseph Redmon、Santosh Divvala、Ross Girshick 和 Ali Farhadi。2016 年。你只需看一次：统一的实时物体检测。在 IEEE 计算机视觉和模式识别会议论文集上。779–788。[25] Karl Patterson Schmidt、Robert F Inger 和 Roy Pinney。1957 年。世界上现存的爬行动物。纽约花园城汉诺威大厦。[26] Martin Stevens 和 Graeme D Ruxton。2019 年。行为在动物伪装中的关键作用。生物学评论 94, 1 (2019)，116–134。 [27] Atsushi Yamazaki、Kazuya Edamura、Koji Tanegashima、Yuma Tomo、Makoto Yamamoto、Hidehiro Hirao、Mamiko Seki 和 Kazushi Asano。2020 年。新型活动监测器在评估猫体力活动和睡眠质量方面的实用性。Plos one 15, 7 (2020)，e0236795。在国际应用情报与信息学会议上。Springer，216–231。[24] Joseph Redmon、Santosh Divvala、Ross Girshick 和 Ali Farhadi。2016 年。你只需看一次：统一的实时物体检测。在 IEEE 计算机视觉和模式识别会议论文集上。779–788。[25] Karl Patterson Schmidt、Robert F Inger 和 Roy Pinney。1957 年。世界上现存的爬行动物。纽约花园城汉诺威大厦。[26] Martin Stevens 和 Graeme D Ruxton。2019 年。行为在动物伪装中的关键作用。生物学评论 94, 1 (2019)，116–134。 [27] Atsushi Yamazaki、Kazuya Edamura、Koji Tanegashima、Yuma Tomo、Makoto Yamamoto、Hidehiro Hirao、Mamiko Seki 和 Kazushi Asano。2020 年。新型活动监测器在评估猫体力活动和睡眠质量方面的实用性。Plos one 15, 7 (2020)，e0236795。