XiaoMi-AI文件搜索系统
World File Search System列中
在脑震荡之后的多年中，多运动的多运动队列中的大脑结构和功能变化：
结果：脑震荡组体积的大脑区域的体积明显较低，包括中额回，海马，超边缘回，颞极和下额回。相反，大脑区域明显更大，包括海马和侧壁沟，枕部中部回，内侧轨道回旋，尾状核，尾状核，外侧轨道回和内侧后回。功能连通性分析显示，边缘强度提高，大多数在电机域中标记。通过脑震荡，在运动员中加强该网络的许多边缘显着削弱。与元分析神经影像学数据保持一致，观察到的变化表明运动员中运动，感觉，配位，平衡和视觉处理域内的功能增强，并因脑震荡头部受伤而受到震撼性头部损伤，对记忆和语言产生负面影响。结论：这些发现表明，参与运动可能会使大脑跨越众多领域，但也突出了脑震荡头部损伤的潜在破坏性影响。需要进行纵向研究（包括尸检检查）的未来研究，以确定后者是否反映了脑剪切中的组织损失，还是诸如蛋白质病（蛋白质病）进行性阿尔茨海默氏病的发作。
在生物序列中用于KNN搜索的神经嵌入
生物序列最近的邻居搜索在生物信息学中起有趣的作用。减轻二次复杂性对常规距离计算的痛苦，神经距离嵌入（将项目序列置于几何空间中）已被公认为是有希望的范式。为了维持序列之间的距离顺序，这些模型所有部署三重态损失并使用直观方法来选择三胞胎的子集，以从广阔的选择空间中进行训练。但是，我们观察到，这种训练通常使模型只能区分一小部分距离顺序，从而使其他人未被认可。此外，天真地选择了更多的三胞胎进行最新的网络下的培训，不仅增加了成本，而且还增加了模型性能。在本文中，我们介绍了Bio-KNN：KNN搜索框架 - 生物序列的工作。它包括一种系统的三重态选择方法和一个多头网络，增强了所有距离订单的识别而不增加培训费用。最初，我们提出了一种基于聚类的方法，将所有三重态分为具有相似支持的几个群集，然后使用创新策略从这些群集中选择三胞胎。同时，我们注意到同一网络中同时培训不同类型的三胞胎无法实现预期的性能，因此我们提出了一个多头网络来解决此问题。我们的网络采用卷积神经网络（CNN）来提取所有群集共享的本地效果，然后分别学习一个分别为每个群集学习多层启示（MLP）头。此外，我们将CNN视为特殊的头部，从而将以前模型中忽略的关键特征整合到我们的模型中以获得相似性识别。广泛的实验表明，我们的生物KNN在两个大规模数据集上的最先进方法显着优于而没有增加培训成本。
在接受肾脏替代疗法的患者队列中瓣膜心脏病的进展
简介：心血管疾病是慢性肾脏疾病（CKD）患者的重要原因。瓣膜钙化是心血管死亡率和冠状动脉疾病的预测指标。目的：评估CKD患者的频率，相关因素和气囊进展。方法：佩南布科医院DasClínicas与291名门诊患者的回顾性队列。纳入：≥18岁的CKD和瓣膜病；排除：保守处理或不完整的数据。临床和实验室变量通过拨号治疗时间（TTD）进行了比较并分类：<5年，5 - 10年，> 10年。应用了Qui-square，正好的Fisher，ANOVA，Kruskal-Wallis测试。通过二进制回归评估了瓣膜病和TTD之间的关联。显着性定义为p <0.05。结果：在82.5％（240）个病例中发现二尖瓣瓣膜病，其次是主动脉（65.6％; 86）。106名患者有瓣膜疾病进展。主动脉，肺部，二尖瓣或三尖和TTD瓣膜病之间没有关联。次级甲状旁腺功能亢进症是二尖瓣回归中唯一重要的解释变量（OR 2.59 [CI95％：1.09–6.18]； P = 0.031）。结论：我们发现CKD患者的气体病变的高频，尤其是二尖瓣和主动脉。TTD和Valvopathy之间没有关联。
在首发队列中验证的精神病大脑亚型与疾病缓解相关：来自 PHENOM 联盟的结果
Dominic B. Dwyer 1,2,3,31✉，Ganesh B. Chand 4,5,31，Alessandro Pigoni 6,7，Adyasha Khuntia 1,8，Junhao Wen 4，Mathilde Antoniades 4，Gyujoon Hwang 4，Guray Erus 4，Guray Erus 4，Guray Erus 4，Jim dosh kah，dhy s. Eva Meisenzahl 12，Stephen J. Wood 2,3,13，Chuanjun Zhuo 14，Aristeidis Sotiras 15，Russell T. Shinohara 4,16，Haochang Schu 16，Fanger Schuber 4 7，Pedro Rosa 17，Paris A. Lalousis 18，Paris a.Lalousis 18，Racher Uptherler 21 Moiore n.kab n.kab n尼尔森2,3，拉奎尔·E·古尔21，鲁本·gur 21，玛丽琳·ritchie 21，萨特角，萨特角22，34，罗宾·默里24，玛尔塔·迪·福特迪24，西蒙妮·塞福利尼24在F. Geraldo 12。
心力衰竭结局在当代范围内患者队列中的左心室射血分数
1乌普萨拉大学医学科学系，入口40，5楼，75185，瑞典乌普萨拉； 2乔治全球卫生研究所，新南威尔士大学，悉尼，新南威尔士州，澳大利亚； 3瑞典Huddinge Karolinska Institutet神经生物学，护理科学与社会的家庭医学系； 4瑞典Falun Dalarna University的卫生与社会研究学院； 5瑞典斯德哥尔摩Karolinska Institutet的Danderyd医院临床科学系； 6糖尿病中心，瑞典斯德哥尔摩地区学术专家中心； 7心血管，肾脏和代谢，医疗部，生物制药，阿斯利康，哥德堡，瑞典； 8心血管，肾脏和代谢，医疗部，生物制药，阿斯利康，斯德哥尔摩，瑞典； 9 Sence Research AB，瑞典Uppsala；瑞典乌普萨拉大学肾脏医学科学系10； 11瑞典斯德哥尔摩Karolinska Institutet的Solna医学系心脏病学部门；和12 Capio S：瑞典斯德哥尔摩TGörans医院
基于机器学习分类器的光伏阵列中的电故障分析和检测
摘要：由于其固有的优势，例如零污染，灵活性，可持续性和高可靠性，太阳能光伏发电引起了重大的兴趣。确保PV功率设施的有效运行在精确的故障检测中取决于。这不仅可以增强其可靠性和安全性，而且还可以优化利润并避免昂贵的维护。但是，使用通用保护设备的PV系统直流电（DC）侧的故障检测和分类带来了重大挑战。这项研究深入研究了对光伏（PV）阵列中复杂断层的探索和分析，尤其是那些表现出类似I-V曲线的阵列，这是PV故障诊断的重大挑战，在先前的研究中未充分解决。本文探讨了支持向量机（SVM）和极端梯度提升（XGBoost）的设计和实施，重点是它们有效地识别小型PV阵列中各种故障状态的能力。这项研究扩大了将优化算法的使用，特别是蜜蜂算法（BA）和粒子群优化（PSO），目的是提高基本SVM和XGBoost分类器的性能。优化过程涉及完善机器学习模型的超参数，以实现故障分类的卓越精度。发现蜜蜂算法的弹性和效率的有说服力的案例。使用用于优化SVM和XGBOOST分类器以检测PV阵列中的复杂故障时，蜜蜂算法显示出显着的精度。相比之下，使用PSO算法进行细调的分类器表现出相对较低的性能。这些发现强调了蜜蜂算法在光伏系统中故障检测中提高分类器准确性的潜力。
与半导体二维电子系统的超导量子点接触的混合分裂栅极阵列中的量化电导率
量子点接触（QPC），这是具有量化电导的半导体二维电子系统中的收缩 - 是新型的Spintronic和拓扑电子电路的组合。QPC也可以用作量子纳米电路中的读数电子，电荷传感器或开关。与超导接触的短且无杂质的收缩是一种库珀对QPC类似物，称为超导量子点接触（SQPC）。由于维持其几何需求和接近统一的超导 - 触发器界面透明度的挑战，此类量子设备的技术发展已延长。在这里，我们开发了先进的纳米构造，材料和设备工程技术，并报告了纳米级混合SQPC阵列的创新实现，该阵列具有分开的栅极技术在半导体的2D电子系统中。我们利用了量子井的特殊门可调性，并证明了混合INGAAS-NB SQPC中电导量化的第一个实验观察。我们观察到在单个芯片中制造的多个量子纳米版本中的零磁场可重复的量化电导率，并系统地研究了在低和高磁场上SQPC的量子运输，以实现其在量子元学中的潜在应用，以实现极为准确的电压标准和缺陷量化技术。
算法用于预测未选择队列中心脏声音的瓣膜心脏病
目的：本研究旨在评估最先进的机器学习算法的能力，从一般人群中的数字心脏声音记录中检测瓣膜心脏病（VHD），其中包括无症状病例和疾病进展的中间阶段。方法：我们使用带有数字听诊器从Tromsø7研究中的2124名参与者中的数字听诊器收集的带注释的记录训练了一个复发性神经网络，以预测心脏声音的杂音。预测的杂音用于预测通过超声心动图确定的VHD。结果：检测到主动脉狭窄（AS）的存在，灵敏度为90.9％，特异性为94.5％，曲线（AUC）下的面积为0.979（CI：0.963 - 0.995）。至少在AUC为0.993（CI：0.989 - 0.997）中检测到的中等程度。中度或更大的主动脉和二尖瓣流体反流（AR和MR）的AUC值分别为0.634（CI：0.565 - 703）和0.549（CI：0.506 - 0.593），当临床变异添加为预测者时，临床变异时增加到0.766和0.677。AR的AUC分别为AR和MR，分别为0.756和0.711。共同筛查有症状的反流或狭窄的存在，导致AUC为0.86，为97.7％的AS病例（n = 44），并且检测到了所有12 ms病例。结论：该算法在检测到一般队列中表现出卓越的性能，超过了对选定同类群体的类似研究的观察结果。基于HS音频的AR和MR的检测较差，但有症状的病例的准确性要高得多，临床变量的包含可以显着提高模型的性能。
工作记忆存储组件在随机串联系列中的作用
人们不配备内部随机系列发电机。当被要求产生一个随机系列时，他们只是尝试重现已知随机过程的输出。但是，这项工作通常受到其工作记忆能力的限制。在这里，我们研究了类似随机的系列生成的模型，该模型解释了工作内存的存储和处理组件的参与。在两项研究中，我们使用了现代，强大的随机性来评估人类生成的序列。在研究1中，在实验设计中，最后生成的元素作为受试者间变量的可见性，我们测试了在工作记忆上减少认知负载是否会减轻生成系列的随机性水平的衰减。此外，我们研究了人类生成系列的随机性判断与算法复杂性之间的关系。结果表明，当人们不必仅依靠其工作记忆存储成分来维持活跃的过去选择时，他们就能延长其高素质的性能。此外，能够更好地区分更复杂模式的人同时产生了更多随机系列。在研究2中，在相关设计中，我们检查了工作记忆能力与产生类似随机系列的能力之间的关系。结果表明，工作记忆能力较长的个体也将产生更复杂的系列。这些发现突出了工作记忆在生成随机序列中的重要性，并提供了对这种认知过程的基本机制的见解。
一种开源自动分割算法，用于描述多中心肺癌队列中的心脏和子结构的发展和验证
a Department of Oncology, Odense University Hospital, Denmark b Department of Clinical Research, University of Southern Denmark, Denmark c Academy of Geriatric Cancer Research (AgeCare), Odense University Hospital, Denmark d Laboratory of Radiation Physics, Department of Oncology, Odense University Hospital, Denmark e Department of Cardiology, Odense University Hospital, Denmark f Northern Sydney Cancer Centre, Royal North Shore Hospital, St Leonards, NSW, Australia g Department丹麦丹麦H伦敦大学Aarhus大学医院肿瘤学，丹麦I大学AARHUS大学临床医学系Gentofte，丹麦M临床医学系，丹麦哥本哈根大学