XiaoMi-AI文件搜索系统
World File Search System加权和
大脑通信ain通信
脑外伤后的认知障碍仍然难以预测。这部分是因为至关重要的轴突损伤很难在临床上测量。MRI的进展允许在创伤性脑损伤后检测到轴突损伤，但最敏感的方法尚不清楚。在这里，我们比较了扩散张量成像，神经突取向分散体以及密度成像以及脑萎缩的大量测量在创伤性脑损伤后识别白物异常中的性能。30例中度 - 重度创伤性脑损伤的患者在慢性期和20个年龄匹配的对照中具有T1加权和扩散MRI。处理速度，执行功能和记忆的神经心理学测试用于检测认知障碍。观察到神经突密度指数和方向色散指数的广泛异常，具有不同的空间模式。分数各向异性和平均扩散率也表明白人质量结构的广泛异常。神经突密度指数与处理速度显着相关。较慢的加工速度也与皮质脊髓段中较高的平均扩散率有关。与扩散指标相比，脑损伤后较低的白色体积具有更大的作用大小；但是，体积对认知性能的变化不敏感。体积最敏感地检测组之间的变化，但不是确定与认知关系的特定特定的。较低的神经突密度指数可能是检查较慢的处理速度的有用指标。分数各向异性和平均扩散率的异常是最敏感的扩散度量。然而，神经突的指数和方向色散指数在空间上可能更为特定。
优化储能系统配置...
随着风电、光伏等可再生能源的大规模接入，在增加间歇性可再生能源利用的同时，还需要维持电力系统电压的稳定性。储能技术的快速发展使得部署储能系统 (ESS) 来支持电压调节成为可能。本文开发了一种 ESS 优化方法来估算支持配电网电压调节的分布式 ESS 的最佳容量和位置。首先对集成了 PV 和 ESS 的网络电气元件进行建模，以模拟网络的电压曲线。然后采用改进的多目标粒子群优化 (PSO) 算法来最小化整个网络和时间范围内总节点电压与标称水平的偏差与反映相关投资的 ESS 能量容量的加权和。改进的 PSO 算法根据每个粒子与种群中已知最佳粒子的距离自适应地调整与每个粒子相关的惯性权重，并引入小距离的交叉变异操作以避免陷入局部最优解。然后采用动态密集距离排列更新非劣解集并指向潜在的全局最优解，以保持最优Pareto解集的规模和均匀性。为减轻决策者偏好的影响，采用基于信息熵的与理想解相似度排序技术从Pareto解集中选择最优的ESS接入方案和容量组合。基于附加高压电源进口的IEEE 24节点系统对所提出的ESS优化方法进行了测试。模拟了没有ESS以及随机或优化ESS放置的网络电压曲线，以说明优化的ESS在正常运行下进行电压调节和在高压输电故障期间支持应急电源的有效性。
临床图像可视化面部扭曲......
一名 58 岁的男子，有 31 个月的病史，他曾看到别人的脸部扭曲，用他的话来说，看起来像“恶魔”。他来我们实验室进行评估。患者表示，他遇到的每个人脸上都有这种扭曲——面部特征严重拉伸，前额、脸颊和下巴有深深的凹槽，但他报告说，在看房子或汽车等物体时没有扭曲。患者说，即使脸部扭曲，他仍然能够认出他们是谁。值得注意的是，他报告说，在屏幕或纸上查看面部图像时没有扭曲。扭曲并没有伴随对他遇到的人（例如他的家人或朋友）身份的妄想信念。患者有双相情感障碍和创伤后应激障碍病史。此外，他在 43 岁时头部严重受伤，导致住院治疗。他在 55 岁时还可能曾一氧化碳中毒，这发生在他出现扭曲症状的 4 个月前。医生没有给他开任何药物。他自称没有使用过任何违禁物质。初步评估显示，患者身体状况良好，没有痛苦；他有些轻微的腰背部不适。他说，扭曲最初让他非常痛苦，但他已经习惯了。神经心理学测试表明，一般认知功能没有明显异常；简易精神状态检查评分为 30/30。他没有视力缺陷（双眼 10/10）或色觉缺陷（Ishira 板：25/25；Farnsworth-Munsell 100 色相测试：平均辨别力）。基于计算机的面部感知测试表明，他有面部身份识别轻度障碍，但面部表情识别正常。现阶段未进行实验室检查。全脑 T1 加权和 T2 加权 MRI 扫描显示一个圆形病变（T1 暗，T2 亮），测量
一种用于双线性回归的频域机器学习方法...
磁共振成像 (MRI) 可以非侵入性地绘制大脑的代谢氧消耗 (CMRO 2 )，这对于理解和监测健康和疾病状态下的神经功能至关重要。然而，由于缺乏稳健的方法，对 MRI 氧代谢的深入研究迄今为止受到阻碍。一种绘制 CMRO 2 的 MRI 方法基于在氧气和二氧化碳的呼吸调节期间同时获取脑血流 (CBF) 和血氧水平依赖 (BOLD) 加权图像。虽然这种双校准方法在研究环境中显示出良好的前景，但当前的分析方法在存在噪声的情况下不稳定和/或计算要求高。在本文中，我们提出了一种机器学习实现，用于对双校准 fMRI 数据进行多参数评估。所提出的方法旨在解决稳定性、准确性和计算开销问题，消除使用 MRI 研究氧代谢的重大障碍。该方法利用获取的灌注和 BOLD 加权数据的时间频率变换，从中选择适当的特征向量来训练机器学习回归器。实施的机器学习方法之所以被选中，是因为它们对噪声具有鲁棒性，并且能够映射复杂的非线性关系（例如 BOLD 信号加权和血氧之间存在的关系）。极端随机树 (ET) 回归器用于估计静息血流量，多层感知器 (MLP) 用于估计 CMRO 2 和氧提取分数 (OEF)。带有加性噪声的合成数据用于训练回归器，模拟数据涵盖广泛的生理合理参数。在模拟和体内数据（n = 30）中，将实施的分析方法的性能与已发表的方法进行了比较。所提出的
将生物多样性数据中的差距和偏见视为缺失的数据问题
大生物多样性数据集具有较大的分类，地理和时间范围，具有监测和研究的巨大潜力。此类数据集对于评估物种种群和分布的时间变化尤为重要。可用数据中的差距，尤其是空间和时间差距，通常意味着数据不能代表目标人群。这阻碍了大规模推论，例如关于物种的趋势，并可能导致放错了保护作用。在这里，我们概念化了生物多样性监视数据的差距是缺少的数据问题，该数据为不同类型的生物学数据集的挑战和潜在解决方案提供了一个统一的框架。我们将典型的数据差距类型表征为不同类别的缺少数据类别，然后使用丢失的数据理论来探讨有关物种趋势和影响事件/丰富性的因素的含义。通过使用此框架，我们表明，当影响采样和/或数据可用性与影响物种的因素重叠时，可能会由于数据差距而产生的偏差。，但数据集本身没有偏见。结果取决于生态问题和统计方法，该方法确定了围绕哪些变异来源考虑的选择。我们认为，使用监视数据进行长期物种趋势建模的典型方法特别容易受到数据差距的影响，因为这种模型不倾向于说明驱动缺失的因素。为了确定解决此问题的一般解决方案，我们回顾了实证研究并使用仿真研究来比较一些最常使用的方法来处理数据差距，包括亚采样，加权和插补。所有这些方法具有减少偏差的潜力，但可能以增加参数估计的不确定性成本。加权技术可以说是迄今为止生态学中最不使用的，并且具有减少参数估计的偏差和方差的潜力。无论方法如何，降低偏见的能力都取决于对数据差距的知识和数据的可用性。在处理数据收集和分析工作流的不同阶段的数据差距时，我们使用此评论概述了必要的考虑。
将生物多样性数据中的差距和偏见视为缺失的数据问题
大生物多样性数据集具有较大的分类，地理和时间范围，具有监测和研究的巨大潜力。此类数据集对于评估物种种群和分布的时间变化尤为重要。可用数据中的差距，尤其是空间和时间差距，通常意味着数据不能代表目标人群。这阻碍了大规模推论，例如关于物种的趋势，并可能导致放错了保护作用。在这里，我们概念化了生物多样性监视数据的差距是缺少的数据问题，该数据为不同类型的生物学数据集的挑战和潜在解决方案提供了一个统一的框架。我们将典型的数据差距类型表征为不同类别的缺少数据类别，然后使用丢失的数据理论来探讨有关物种趋势和影响事件/丰富性的因素的含义。通过使用此框架，我们表明，当影响采样和/或数据可用性与影响物种的因素重叠时，可能会由于数据差距而产生的偏差。，但数据集本身没有偏见。结果取决于生态问题和统计方法，该方法确定了围绕哪些变异来源考虑的选择。我们认为，使用监视数据进行长期物种趋势建模的典型方法特别容易受到数据差距的影响，因为这种模型不倾向于说明驱动缺失的因素。为了确定解决此问题的一般解决方案，我们回顾了实证研究并使用仿真研究来比较一些最常使用的方法来处理数据差距，包括亚采样，加权和插补。所有这些方法具有减少偏差的潜力，但可能以增加参数估计的不确定性成本。加权技术可以说是迄今为止生态学中最不使用的，并且具有减少参数估计的偏差和方差的潜力。无论方法如何，降低偏见的能力都取决于对数据差距的知识和数据的可用性。在处理数据收集和分析工作流的不同阶段的数据差距时，我们使用此评论概述了必要的考虑。
![arXiv:2201.05478v1 [cs.IT] 2022 年 1 月 14 日](/simg/7\767772c360b0c88894fbc7549429abaf653c3081.webp)
arXiv:2201.05478v1 [cs.IT] 2022 年 1 月 14 日
2010 年引入了与量子力学的相似之处，其中就包括量子计算 (QC)，这消除了这两个领域之间的许多实际区别 (van Rijsbergen, 2004) (Widdows, 2004)。因此，使用量子方法大量利用信息的想法非常有吸引力，但仍然受到物理实现的实际情况的影响。数学、科学、计算和信息理论交叉处的至少一个二元性也使其变得复杂。这涉及抽象、原始定义和公理的概念，可以直接用向量本身来解释。向量作为在某个抽象空间内具有量级和方向的结构化数学对象，可以表示一组足以描述纯态系统的特征。在这方面，它表现为原始，不需要进一步的证明或分解，只需通过有助于限定和量化的维度 (基) 和标量即可。然而，向量是由沿其投影的一组潜在无限的离散点构成的，因此它们同样是非原始的。因此，根据定义，它们也（可能）由至少一种混合状态描述（Widdows，D. 和 Kitto K. 和 Cohen T.，2020）——外部向量积的概率加权和，在量子力学中称为密度矩阵。因此，要全面理解使用向量描述的任何系统，需要了解原始和非原始解释。为了使这种理解具体化，任何真正原始部分的定义都必须可以从第一原理推导出来：也就是说，它们应该是可证明的公理，以便任何进一步的分解都会使它们的合理性变得毫无意义。反过来，这需要精确定义任何基和区间，在这些基和区间上可以定义单个原始元素，以及闭合它们的极限。因此，本文提出了一种使用部分三元组构造（称为 Corolla）在基于向量的信息系统中实现公理表示和组合的新方法。该方法根据基元所涵盖的指称语义以及它们提供的直接相关有向关系来正式定义基元。
COVID-19疫苗在预防后
摘要目的是研究COVID-19疫苗接种与COVID后19心脏和血栓栓塞并发症的风险之间的关联。我们使用来自英国，西班牙和爱沙尼亚的电子健康记录的国家疫苗接种运动进行了交错的队列研究。疫苗推出分为四个阶段，并具有预定义的入学期。每个阶段都包括所有有资格接种疫苗的人，在开始日期没有以前的SARS-COV-2感染或COVID-19疫苗。疫苗接种状态被用作时间变化的暴露。结果包括心力衰竭（HF），静脉血栓栓塞（VTE）和动脉血栓形成/血栓栓塞（ATE）（ATE）在SARS-COV-2感染后四个时间窗中记录：0-30、31-90、91-90、91-180和181-365天。倾向得分重叠加权和经验校准分别用于最大程度地减少观察到的和未观察到的混杂。细灰模型估计分布危险比（SHR）。随机效应荟萃分析是在交错的人群和数据库中进行的。结果该研究包括1017万疫苗接种和1039万未接种疫苗的人。疫苗接种与急性（30天）和急性后的COVID-19 VTE，ATE和HF的风险降低有关：例如，荟萃分析SHR为0.22（95％CI 0.17至0.29），0.53（0.53（0.44至0.44至0.63）和0.45至0.45至0.45至0.53至0.53），均为0-30-CARS，均为0-30 cars，以供SARS，sars-cars in 0-CARS，均为0-33 91–180天SHR分别为0.53（0.40至0.70），0.72（0.58至0.88）和0.61（0.51至0.73）。结论COVID-19疫苗接种降低了COVID后19心脏和血栓栓塞结果的风险。这些影响对于急性共互联-19结局更为明显，与突破性与未接种疫苗接种的SARS-COV-2感染后的已知降低疾病严重程度降低一致。
脑部 MRI 定量磁化率映射
人体研究中的 ROI 分析 两位获得委员会认证的神经放射科医生（SO 和 YF，拥有 20 年经验）一致将 ROI 放置在 QSM 图像的中心切片上的以下每个区域中：GP、壳核、尾状核、黑质、红核、齿状核和脉络丛的低信号强度区域。然后使用开源软件（ImageJ，版本 1.50；美国国立卫生研究院，马里兰州贝塞斯达）将 ROI 的位置应用于来自同一患者或志愿者的 CT 图像。我们还根据 CT 和 MRI 扫描（包括 QSM、T1 加权、T2 加权和 T2* 加权图像）和临床信息在出血和钙化病变上放置了 ROI。当抗磁性病变被顺磁性区域包围时，优先选择内侧抗磁性（钙化）部分放置ROI。对于每个有病变的患者，最多选择3个病变放置ROI。计算每个ROI的平均CT衰减值和平均QSM值（磁化率）。当平均QSM值为正值（顺磁性ROI）时，还计算最大和第95百分位CT衰减值以及最大和第95百分位QSM值，以更好地理解CT衰减值和磁化率的特征，这在表观扩散系数的分析中通常采用（18）。对于平均QSM值为负值的ROI（抗磁性ROI），计算最大和第95百分位CT衰减值以及最小和第5百分位QSM值。通过以下对 CT 衰减值与磁化率之间的相关性进行评估：顺磁性 ROI 的平均 CT 衰减值与平均 QSM 值、最大 CT 衰减值与最大 QSM 值、第 95 百分位 CT 衰减值与第 95 百分位 QSM 值；抗磁性 ROI 的平均 CT 衰减值与平均 QSM 值、最大 CT 衰减值与最小 QSM 值、第 95 百分位 CT 衰减值与第 5 百分位 QSM 值。
MKT3701A
Module Code : MKT3701A Module Title : Marketing Strategy: Analysis & Practice Semester : Semester 2, AY 2022/2023 Faculty : Dr Samer Elhajjar Department : Marketing Email : samer@nus.edu.sg URL : https://bschool.nus.edu.sg/marketing/faculty Overview This course builds on the topics explored in the Principles of营销课程通过专注于特定的营销策略（例如开发和推出创新产品，建立客户忠诚度）以及重要的营销工具和流程，并通过制定营销策略来加强营销功能的综合性质。营销领导者的一些成功因素包括构建营销问题或问题（框架），概述解决问题的步骤（过程），收集数据以及应用分析工具来告知问题（数据收集和分析），以及加权和集成信息以做出选择（决策）。因此，读数，讲座，课堂练习，模拟和案例的总体目标将集中在这些成功因素上。第一讲课将提供营销策略的概述，介绍营销策略的原理，并概述营销策略中所需的研究方法。接下来的讲座将对营销策略原则提供深入的介绍。最后，上次会议将重点放在执行营销策略上。我将使用“ Tell-Show-Do”序列为您提供动手实践经验，以使用课程材料来做出营销决策。第一部分使用讲座来介绍和讨论课程主题，第二部分包括案例分析。2。在上课前阅读分配的材料和讲座期间的积极参与将增加您从班级中获得的价值，并使其更有趣。模块目标结束时，学生应能够：1。探讨营销策略的原则。了解细分变量以及公司如何有效地针对和定位其产品。3。了解尖端产品创新，设计和产品生命周期创造的价值。4。了解如何制定有效的营销策略。课程材料教科书：Robert W. Palmatier和Shrihari Sridhar，营销策略：基于第一原理和数据分析，（Palgrave McMillian，2017年）。