XiaoMi-AI文件搜索系统
World File Search System分类器
可编程的zwittionic液滴作为生物分子分类器和膜细胞器的模型
越来越多的证据表明，细胞可以通过产生具有明确定义的介观性能的无膜室来调节时间和空间的生化功能。该控制的基础基础的一种重要机制是由编码多价相互作用的联想无序蛋白驱动的简单共凝作。受这些观察结果的启发，基于对响应式合成聚合物的简单共凝聚的可编程液滴，这些聚合物模仿了生物无序蛋白的“贴纸和间隔者”结构。zwitterionic聚合物，并形成液滴，这些液滴明显地排除了大多数分子。从该参考材料开始，Zwitterionic聚合物中的不同函数组可以从添加添加，以编码越来越多的不同分子间相互作用。这种策略允许独立控制液滴的多个新兴特性，例如刺激反应性，极性，选择性吸收客户分子，融合时间和混杂性。通过利用这种高的可编程性，重现了细胞隔室的模型，并产生能够限制空间中不同分子而没有物理屏障的液滴。此外，这些生物分子分类器也被证明能够定位，分离和使靶分子在复杂的混合物中，在生物序列化和诊断方面开放了吸引力的应用。
基于快速 Walsh Hadamard 变换和投票分类器的 EEG 信号压力检测
摘要 精神压力目前是一个重大问题，尤其是在年轻人中。压力会对人们的整体工作表现产生不利影响，在某些情况下甚至会导致严重的健康问题。每个人在生活中都会经历压力。本文提出了一种基于脑电图 (EEG) 识别和分类压力水平的独特方法。在这项工作中，快速 Walsh Hadamard 变换用于生成 EEG 信号中存在的所有频率。在后续阶段计算索引值的 alpha、beta、gamma 和 delta 范围。主成分分析 (PCA) 用于特征降维，然后是标准缩放器。使用 Welch 方法计算了健康和不健康 EEG 信号组的 PSD 向量。PSD 向量用作投票分类器的输入，该分类器是 k-NN 和逻辑回归分类器的组合。实验结果发现，与现有方法相比，所提出的方法在准确度 (Acc) 和均方误差 (MSE) 方面提供了更好的结果。所提出的方法最高分类准确率达到 94.22%
一个单级分类器，用于检测GAN操纵多光谱卫星图像
摘要：当前的图像生成模型已经实现了非常现实的图像质量，提供了许多学术和工业应用。但是，为了确保这些模型用于良性目的，必须开发最终检测图像是否已合成生成的工具。因此，已经开发了几个在计算机视觉应用中表现出色的检测器。但是，这些检测器不能直接应用，因为它们是多光谱卫星图像，因此需要对新模型进行训练。虽然两类分类器通常达到高检测精度，但它们努力将图像域和与训练过程中遇到的形象不同的生成体系结构推广。在本文中，我们提出了一个基于量化量化的变异自动编码器2（VQ-VAE 2）功能的单级分类器，以克服两类分类器的局限性。我们首先要突出二进制分类器所面临的概括问题。通过在多个多光谱数据集中训练和测试有效网络架构来证明这一点。然后，我们说明，基于VQ-VAE 2的分类器，该分类器仅在原始图像上进行了培训，可以检测来自不同领域的图像，并由训练过程中未遇到的体系结构生成。最后，我们在同一生成的数据集上的两个分类器之间进行了面对面的比较，强调了基于VQ-VAE 2的检测器的出色概括能力，在使用vQ-ve-vae 2的探测器时，我们在使用蓝色和红色通道的0.05误报率为1时以1.05的误报率进行了检测。
个性化前列腺癌放射疗法中的基因组分类器：基于国际共识的系统评价和未来观点
TAGEDP *辐射肿瘤学系，大学医学中心，弗莱堡大学医学院，德国弗莱堡大学，德国弗莱堡大学； Y德国癌症联盟（DKTK），合作伙伴网站Freiburg，德国弗莱堡； Z Berta-Ottragme，德国弗莱堡大学医学学院，德国； X比利时大学医院辐射肿瘤学系；比利时Ku Leuven肿瘤学系； ║加利福尼亚大学洛杉矶分校的辐射肿瘤学和泌尿外科系； {凯斯西部储备大学UH Seidman癌症中心辐射肿瘤学系； ＃伊利诺伊州芝加哥西北芬伯格医学院泌尿外科系； **德国汉堡汉堡大学医院泌尿外科泌尿外科的马丁尼克前列腺癌中心； ZZ土耳其伊斯坦布尔KOC大学医院泌尿外科系； XX XX辐射肿瘤学系，多伦多大学梅蒂医学院和辐射医学计划，玛格丽特癌症中心公主，大学卫生网络。加拿大多伦多； ║║辐射肿瘤学系，古斯塔夫·鲁西（Gustave Roussy），法国维勒维夫（Vilejuif），巴黎 - 萨克莱大学（Paris-Saclay University）Inserm，Inserm incostat U1018； {{华盛顿特区Medstar Georgetown大学医院放射医学系； ##德国弗莱堡大学医学院大学医学中心外科病理学研究所，德国弗莱堡； ***堪萨斯大学堪萨斯大学癌症中心辐射肿瘤学系，加拿大多伦多； ║║辐射肿瘤学系，古斯塔夫·鲁西（Gustave Roussy），法国维勒维夫（Vilejuif），巴黎 - 萨克莱大学（Paris-Saclay University）Inserm，Inserm incostat U1018； {{华盛顿特区Medstar Georgetown大学医院放射医学系； ##德国弗莱堡大学医学院大学医学中心外科病理学研究所，德国弗莱堡； ***堪萨斯大学堪萨斯大学癌症中心辐射肿瘤学系，
心脏病预测基于生理参数，使用集合分类器和参数优化Agung Muliawan 1，Achmad Rizal 2，
使用集合分类器和参数优化基于生理参数的心脏病预测Agung Muliawan 1，Achmad Rizal 2，Sugondo Hadiyoso 3* Institut Teknologi Dan Sainsia Mandala，Indonesia，Indonesia 1 Telekom University 1 Telekom University，Indonesia 23 sugondo@telkomuniversity.actistia in Indonesia telkomuniversity.ace.ac.act.ace.ace.act.act act：20 3 333 333 303 303接受：2023年11月7日 *通讯作者摘要本研究描述了使用具有参数优化的集合分类器对心脏病的预测。作为输入，从UCI机器学习存储库中获取了一个公共数据集，该数据集是指UCI机器学习中的数据集。数据集由13个变量组成，这些变量被认为会影响心脏病。粒子群优化（PSO）用于特征选择和主成分分析（PCA），以降低特征的尺寸。在几种机器学习方法上的应用优化应用，例如SVM（径向基础功能），深度学习和集合分类器（装袋和增强），以获得最高的精度比较。与PCA相比，该研究使用PSO维度降低的结果降低导致精确度。相反，通过优化深度学习参数的精度为84.47％，并优化SVM RBF参数，精度为83.56％，获得了最高精度。使用SVM上的袋子在83.51％的装袋中的最高精度，与SVM相差0.5％，而无需使用袋装。关键字：心脏病，机器学习，降低维度，参数优化，合奏分类器1。简介
四肢瘫痪用户的长期 BCI 训练：自适应黎曼分类器和用户训练
基于脑电图 (EEG) 的脑机接口 (BCI) 通常被认为是针对运动障碍用户的有前途的辅助技术，但由于在现实生活中的可靠性低，在实验室外仍很少使用。因此，需要设计可供最终用户（例如严重运动障碍者）在实验室外使用的长期可靠的 BCI。因此，我们提出并评估了一种基于多类心理任务 (MT) 的 BCI 设计，用于为 CYBATHLON BCI 系列 2019 的四肢瘫痪用户进行纵向训练（3 个月内 20 次训练）。在本次 BCI 锦标赛中，四肢瘫痪的飞行员在赛车游戏中用精神驾驶虚拟汽车。我们旨在将渐进式用户 MT-BCI 训练与基于自适应黎曼分类器的新设计的机器学习流程相结合，该分类器已被证明有望在现实生活中应用。我们遵循两步训练过程：前 11 个课程用于训练用户通过执行两个认知任务（休息和心理减法）或两个运动想象任务（左手和右手）来控制 2 类 MT-BCI。第二个训练步骤（剩余 9 个课程）应用了自适应、独立于会话的黎曼分类器，该分类器结合了之前使用的所有 4 个 MT 类别。此外，由于我们的黎曼分类器以无监督的方式逐步更新，因此它将捕获会话内和会话之间的非平稳性。实验证据证实了这种方法的有效性。也就是说，与初始课程相比，训练结束时的分类准确率提高了约 30%。我们还研究了这种性能改进的神经相关性。使用新提出的 BCI 用户学习指标，我们可以显示我们的用户学会了通过产生越来越匹配 BCI 分类器训练数据分布的 EEG 信号来改善他的 BCI 控制，而不是通过改善他的 EEG 类别辨别。然而，由此产生的改进只对同步（基于提示）BCI 有效，并没有转化为 CYBATHLON BCI 游戏性能的提高。为了克服这个问题
基于大脑成像的性爱和阿尔茨海默氏病的深度学习分类器
1 CAS关键行为科学，心理学研究所，中国北京； 2中国科学院心理学系，中国北京； 3中国北京的北京语言与文化大学认知科学中心； 4上海上海神经外科临床中心Fudan大学神经外科医院神经外科系； 5中国杭州大学医学院第一附属医院放射学系； 6国际大数据抑郁症研究中心（IBRCD），中国科学院心理学研究所，中国北京； 7中国科学院心理学研究所，中国北京的磁共振成像研究中心。 *电子邮件：ycg.yan@gmail.com。 **准备本文的数据是从阿尔茨海默氏病神经影像倡议（ADNI）数据库（adni.loni.usc.edu）获得的。 因此，ADNI中的调查人员为ADNI和/或提供数据的设计和实施做出了贡献，但没有参与本报告的分析或撰写。 可以在：http：//adni.loni.usc.edu/wp- content/uploads/how_to_apply/adni_acknowledgement_list.pdf上找到ADNI调查人员的完整列表。1 CAS关键行为科学，心理学研究所，中国北京； 2中国科学院心理学系，中国北京； 3中国北京的北京语言与文化大学认知科学中心； 4上海上海神经外科临床中心Fudan大学神经外科医院神经外科系； 5中国杭州大学医学院第一附属医院放射学系； 6国际大数据抑郁症研究中心（IBRCD），中国科学院心理学研究所，中国北京； 7中国科学院心理学研究所，中国北京的磁共振成像研究中心。*电子邮件：ycg.yan@gmail.com。**准备本文的数据是从阿尔茨海默氏病神经影像倡议（ADNI）数据库（adni.loni.usc.edu）获得的。因此，ADNI中的调查人员为ADNI和/或提供数据的设计和实施做出了贡献，但没有参与本报告的分析或撰写。可以在：http：//adni.loni.usc.edu/wp- content/uploads/how_to_apply/adni_acknowledgement_list.pdf上找到ADNI调查人员的完整列表。
混合人机界面，用于步态通过EEG和EMG分类器的贝叶斯融合
尽管大脑计算机界面（BCI）领域的进步，但由于其不可靠，目前使用唯一的脑电图（EEG）信号来控制步行康复设备的临床环境中目前不可行。混合界面（HHMIS）代表了提高单信号方法性能的最新解决方案。这些是结合多个人机界面的分类方法，通常包括至少一个BCI与其他生物信号，例如肌电图（EMG）。但是，它们用于解码步态活动的使用仍然有限。在这项工作中，我们提出和评估了混合人机界面（HHMI），以从EEG和EMG信号的贝叶斯融合中解释双腿的步行阶段。即使在暂时或永久（例如弱点）暂时损害了肌肉活动的可靠性（例如疲劳）或永久性的（例如疲劳），即使肌肉活动的可靠性受到暂时损害（例如疲劳），也可以通过提供较高和稳定的性能来超过其单个信号对应。的确，杂种方法在临时EMG改变后显示了分类性能的平稳降解，而EMG分类器的精度为30％，其精度的75％以上，其性能降低了精度的60％。EEG和EMG信息的融合有助于在EMG降解的永久性水平下独立地对每个步态阶段保持稳定的识别率。根据我们的研究和文献发现，我们建议使用混合界面的使用可能是增强技术在临床应用和实验室环境外恢复或协助更广泛患者人群的技术的可用性的关键。
REDInet：基于 TCN 的 A-to-I RNA 编辑检测分类器，利用数百万个已知事件
和 WGS 数据中存在 A-to-G 证据或所有样本中均无 A-to-G 证据的位点被标记为阳性。相反，在 WT、SI 和 WGS 数据中存在 A-to-G 证据或所有样本中均无 A-to-G 证据的位点被标记为阴性。RNAseq 的最小深度为 50，WGS 的最小深度为 10。如果每个 A-to-G 变化至少有 3 个 G 支持或显示替换率 > = 1%，则将其视为阳性和阴性候选者。最终使用 REDItools [12, 19] 包中兼容 python3 的 AnnotateTable.py 脚本版本对阳性和阴性候选者进行注释。重复性位点
临床适用微环境分类器作为软组织肉瘤肿瘤缺氧生物标志物的技术开发和验证
背景：软组织肉瘤 (STS) 是罕见的异质性肿瘤，需要生物标志物来指导治疗。我们之前得出了一个预后肿瘤微环境分类器（24 基因缺氧特征）。在这里，我们开发/验证了一种用于临床应用的检测方法。方法：在 28 份前瞻性收集的福尔马林固定石蜡包埋 (FFPE) 活检样本中比较了靶向检测 (Taqman 低密度阵列、nanoString) 的技术性能。通过与临床样本中的 HIF- 1 α /CAIX 免疫组织化学 (IHC) 进行比较，对 nanoString 检测进行了生物学验证。曼彻斯特 (n = 165) 和 VORTEX III 期试验 (n = 203) 队列用于临床验证。主要结果是总生存期 (OS)。结果：两种检测均表现出极好的可重复性。 nanoString 检测在体外缺氧条件下检测到 24 个基因特征的上调，而在体内 CAIX 表达高的肿瘤中，16/24 个缺氧基因上调。在曼彻斯特队列（HR 3.05，95% CI 1.54 – 5.19，P = 0.0005）和 VORTEX 队列（HR 2.13，95% CI 1.19 – 3.77，P = 0.009）中，缺氧高肿瘤患者的 OS 较差。在合并队列中，缺氧高肿瘤患者的 OS 独立预后（HR 2.24，95% CI 1.42 – 3.53，P = 0.00096）并与较差的局部无复发生存期相关（HR 2.17，95% CI 1.01 – 4.68，P = 0.04）。结论：本研究全面验证了更适合 FFPE STS 活检的微环境分类。未来用途包括：(1) 选择高风险患者进行围手术期化疗；(2) 生物标志物驱动的缺氧靶向治疗试验。