XiaoMi-AI文件搜索系统
World File Search System加速老化
识别基于统计分布的加速老化测试期间LFP/C电池的机理一致性
这项研究建立了一种新的方法，可以研究加速的衰老测试是否可以在短时间内准确地对现实的细胞衰老进行建模，同时还可以维持所涉及的衰老机制的一致性。作为效率和一致机制之间的权衡，加速衰老的应用需要仔细选择应力因素，以确定操作范围和与衰老相关的应激因素的重要性。基于为43个月的日历老化测试和10个月循环老化测试设计的三个级别的主要应力因素，这项工作旨在应力排名，并指示用于商业LFP/C电池的合适的操作间隔，并采用了两种最受欢迎的电池寿命分布，即电池，即logormormal and weibull。锂离子电池的统计分布是通过非线性混合效应（NLME）模型的排放能力损失来实现的。结果证明，对数正态是首选模型，并且随着更深的衰老，尤其是在日历老化中，右链的Weibull变得更加明显。得出了由一致加速因子引导的分布参数的进化定律。基于寿命样本的NLME模型的似然比参数bootstrap方法始终产生，以高于47.5℃的温度来测试条件，而循环衰老的平均收费（SOC）高于72.5％的平均电荷（SOC）会导致不同的生活行为。相比之下，SOC水平和较高温度的组合不会导致日历老化机制的变化。温度是最显着的应力，其次是温度耦合的循环深度和SOC水平。此方法可以提供参考，以制定合理的测试计划，以检测电池的性能以更准确地预测其生活。
重度抑郁症患者的大脑功能加速老化：来自中国参与者大规模 fMRI 分析的证据
重度抑郁症 (MDD) 是最常见的精神健康状况之一，因其与脑萎缩和死亡的关系而受到深入研究。最近的研究表明，预测年龄和实际年龄之间的偏差可以作为大脑加速衰老的标志，以表征 MDD。然而，目前的结论通常是基于从白人参与者收集的结构性 MRI 信息得出的。这种生物标志物的普遍性需要通过具有不同民族/种族背景的受试者和不同类型的数据进一步验证。在这里，我们利用 REST-meta-MDD，这是一个从中国多个队列参与者收集的大规模静息态 fMRI 数据集。我们基于 1101 名健康对照开发了一个堆叠机器学习模型，该模型可以从 fMRI 估计受试者的实际年龄，并且非常准确。然后将训练好的模型应用于来自 24 个地点的 1276 名 MDD 患者。我们观察到，与对照组相比，MDD 患者的大脑预测年龄差异 (brain-PAD) 高出 +4.43 岁 (p < 0.0001, Cohen ' sd = 0.31, 95% CI: 2.23 – 3.88)。在 MDD 亚组中，我们观察到与未使用药物的患者相比，服用抗抑郁药物的患者的大脑 PAD 具有统计学上显著的 +2.09 岁 (p < 0.05, Cohen ' sd = 0.134525)。通过三种不同的机器学习算法进一步检查观察到的统计关系。在中国参与者身上观察到的阳性大脑 PAD 证实了 MDD 患者存在大脑衰老加速的情况。利用功能性大脑连接进行年龄估计从新的维度验证了现有的发现。
