XiaoMi-AI文件搜索系统
World File Search System取平均值
有限体积湍流中的能量通量波动
人们对远离平衡的系统中的整体空间平均涨落有浓厚的兴趣 1-4 ，其中流体湍流提供了一个引人注目的例子 5,6 。三维 3D 湍流的一个基本方面是能量从大尺度到小尺度的级联，随后在最小尺度上耗散。表征能量通量对于湍流建模尤为重要。众所周知，局部能量耗散率波动很大 6 。这项工作研究了从大尺度到小尺度的能量通量，在有限范围的局部区域内取平均值。如果系统处于稳定状态，则流体 B 中典型大小为 R 的子体积上的能量通量的空间平均值可简单地由耗散动能的速率给出。在这种情况下，通量必然为正，并从大尺度流向小尺度。然而，这种通量随时间的变化可能非常显著。事实上，已经多次证明，能量可以从小尺度向大尺度散射，导致能量通量为负值 7,8 。很自然地，可以预见这种影响应该取决于所研究子系统的尺度。这项工作的目标之一是量化在流动子域上测量的能量通量的波动，特别是它对子域大小的依赖性。在局部各向同性条件下，整体平均能量耗散率 ¯ 与给定尺度下纵向速度差的三阶矩 r 有关，
AMD 标准化测试方法 - nasemso
S4.2 病房声级测试期间应执行以下步骤： 1. 使用符合 ANSI S1.4《声级计规范》要求的仪表测量声级，对于 II 型仪表，将仪表设置为 A，以获得加权网络，“快速”仪表响应。 2. 将麦克风悬挂在车辆地板上方 23 英寸（584 毫米）处，横向和纵向位于病床的预期中心，因为它将固定在病房中。 3. 将救护车停放在混凝土或沥青路面上，停放位置应确保在被测车辆 50 英尺（15.2 米）范围内没有较大的反射面，例如其他车辆、招牌、建筑物或小山。 4. 关闭救护车所有门、窗和通风口。 5. 以最高速度运行病房内的空调和暖气鼓风机。 6. 将车辆变速器置于空档，并将发动机转速设置为救护车在平地以 55 英里/小时（88 公里/小时）的速度行驶时的转速。 7. 打开所有警告灯。 8. 将警报器调至最大音量模式。 9. 测量并记录最高声级。 10. 将发动机转速降低至怠速，然后降低至 55 英里/小时（88 公里/小时）的转速。 11. 测量并记录最高声级。 12. 重复操作，直到记录到两个最大声级，相差 2 分贝 (dB) 以内。 13. 对这两个最大声级读数取平均值。
了解标准化摄取值及其方法...
理解标准化摄取值、其方法和使用意义 古人仅依靠视觉来解释天空中的明亮物体。但随着技术的进步，人们可以量化恒星距离，从而获得绝对星等。类似地，在 PET 中，标准化摄取值 (SUV) 开始用作补充视觉解释的工具。摄取标准化为注射剂量/单位重量的分数，早在 1941 年就已开始使用 ( 1 )。它被指定为差异吸收率 (DAR)，并在 20 世纪 80 年代用于 PET ( 2 )。文献中偶尔会出现诸如微分（或剂量）摄取比率 (DUR) 和标准化摄取比率 (SUR) 之类的别名。SUV 是使用中的一类无量纲 Q（� 单位体积平均活性）比率的特殊成员：组织 Q � 标准化 Q。后者可以是对侧、背景、器官（例如肝脏、大脑等），特别是全身，因为 SUV � 组织 Q � 全身 Q（包括示踪剂排泄物）� 组织 Q � 每单位身体体积、重量或面积的注射剂量。对于（时间不变的）分母——而不是整个身体周围的感兴趣区域（ROI）或使用体积单位——有传统且方便的重量或体表面积用法，允许人们获得有量度的（以 mg/mL 或 m 2 /mL 为单位）结果。当对整个身体取平均值时，SUV（以 mg/mL 为单位）等于身体密度。SUV 通常被称为半定量分析，其受欢迎程度归功于方法的简单性，可与
使用深度学习检测颅内电极上的内侧颞叶癫痫样放电
目的：开发一种高性能算法来检测颅内电极记录中的内侧颞叶 (mTL) 癫痫样放电。方法：一位癫痫病专家从 46 名癫痫患者的颅内脑电图记录数据集中注释了 13,959 次癫痫样放电。利用该数据集，我们训练了一个卷积神经网络 (CNN) 来识别来自单个颅内双极通道的 mTL 癫痫样放电。对来自多个双极通道输入的 CNN 输出取平均值以生成最终的检测器输出。使用嵌套 5 倍交叉验证来评估算法性能。结果：在受试者工作特征曲线上，我们的算法实现了 0.996 的曲线下面积 (AUC) 和 0.981 的部分 AUC（特异性 > 0.9）。精确召回曲线上的 AUC 为 0.807。在假阳性率为每分钟 1 次的情况下，灵敏度达到 84%。35.9% 的假阳性检测对应于专家注释期间遗漏的癫痫样放电。结论：利用深度学习，我们开发了一种高性能、患者非特异性算法，用于检测颅内电极上的 mTL 癫痫样放电。意义：我们的算法有许多潜在应用，可用于了解 mTL 癫痫样放电对癫痫和认知的影响，以及开发专门减少 mTL 癫痫样活动的治疗方法。2019 年国际临床神经生理学联合会。由 Elsevier BV 出版，保留所有权利。
AMD 标准化测试方法 - nasemso
S4.2 病房声级测试期间应执行以下步骤： 1. 使用符合 ANSI S1.4《声级计规范》要求的仪表测量声级，对于 II 型仪表，将仪表设置为 A，以获得加权网络，“快速”仪表响应。 2. 将麦克风悬挂在车辆地板上方 23 英寸（584 毫米）处，横向和纵向位于病床的预期中心，因为它将固定在病房中。 3. 将救护车停放在混凝土或沥青路面上，停放位置应确保在被测车辆 50 英尺（15.2 米）范围内没有较大的反射面，例如其他车辆、招牌、建筑物或小山。 4. 关闭救护车所有门、窗和通风口。 5. 以最高速度运行病房内的空调和暖气鼓风机。 6. 将车辆变速器置于空档，并将发动机转速设置为救护车在平地以 55 英里/小时（88 公里/小时）的速度行驶时的转速。 7. 打开所有警告灯。 8. 将警报器调至最大音量模式。 9. 测量并记录最高声级。 10. 将发动机转速降低至怠速，然后降低至 55 英里/小时（88 公里/小时）的转速。 11. 测量并记录最高声级。 12. 重复操作，直到记录到两个最大声级，相差 2 分贝 (dB) 以内。 13. 对这两个最大声级读数取平均值。
![arXiv:2109.06864v3 [gr-qc] 2022 年 8 月 20 日](/simg/6\69079e1ae0e9ce8f9d129451df6b61d8df85c9df.webp)
arXiv:2109.06864v3 [gr-qc] 2022 年 8 月 20 日
广义相对论的伟大预言之一是引力波的存在。对双黑洞合并产生的引力波的观测[1]开创了天文学和宇宙学的新纪元。讨论引力波时，一个基本问题是它们的能量。20 世纪 50 年代，人们曾对引力波是否携带能量存在争议。最终，Bondi 通过一个简单的思想实验解决了这一争议[2]。直到 Isaacson 等人的研究，人们才对引力波的能量进行了数学描述，在 Isaacson 的研究中，通过用短波近似对几个波长的波场梯度平方取平均值，得到了引力波的有效能量动量张量[3,4]。在极早期宇宙物理学应用中，感兴趣的涨落波长大于哈勃半径，Mukhanov、Abramo 和 Brandenberger 导出了有效能量动量张量 [5,6]。在这些被称为几何方法的方法中，引力场被分为背景部分和波部分，有效能量动量张量来自波对背景的反作用。另一种方法被称为场论方法，其中有效能量动量张量通过拉格朗日-Belinfante-Rosenfeld 程序导出 [7-9]。结果是伪张量的各种表达式 [10-17]。尽管文献中提出了不同的获取引力波能量的方法，但它们都存在一些缺陷。在几何方法中，需要对引力场进行人工划分，而在场论方法中，伪张量取决于坐标。此外，这两种方法都需要一个额外的复杂平均方案，才能获得有意义的引力场有效能量动量张量。对这些人工对象的依赖会导致一些模糊性。因此，不同的方法
通过优化和机器学习提高 P300 拼写器的性能
摘要 脑机接口 (BCI) 是一种允许人们绕过周围神经系统 (PNS) 的自然神经肌肉和激素输出与环境互动的系统。这些接口记录用户的大脑活动并将其转换为外部设备的控制命令，从而为 PNS 提供额外的人工输出。在这一框架中，基于 P300 事件相关电位 (ERP) 的 BCI 已被证明特别成功和强大，ERP 表示特定事件或刺激后从大脑记录下来的电反应。通过分类算法确定 EEG 特征中是否存在 P300 诱发电位。线性分类器（例如逐步线性判别分析和支持向量机 (SVM)）是 ERP 分类中最常用的判别算法。由于 EEG 信号的信噪比较低，因此在对信号进行分类之前，需要执行多个刺激序列（又称迭代）并取平均值。然而，虽然增加迭代次数可以提高信噪比，但也会减慢该过程。在早期的研究中，迭代次数是固定的（无停止环境），但最近文献中提出了几种提前停止策略，以便在满足某个标准时动态中断刺激序列，以提高通信速率。在这项工作中，我们探索了如何通过结合优化和机器学习来提高基于 P300 的 BCI 中的分类性能。首先，我们提出了一个新的决策函数，旨在提高无停止和提前停止环境中的分类性能（准确度和信息传输速率）。然后，我们提出了一个新的 SVM 训练问题，旨在促进目标检测过程。我们的方法在几个公开可用的数据集上被证明是有效的。
67P/Churyumov 彗星彗星鞘的形成——……
背景。众所周知，彗星的电离层会通过质量加载使太阳风偏转，但这种相互作用取决于彗星活动。我们使用罗塞塔离子成分分析仪研究了 67P 彗星上这一过程的细节。目的。本研究旨在比较罗塞塔号任务中两个不同时间段内太阳风和彗星离子的相互作用。方法。我们比较了两天（相隔四个月）的积分离子矩（密度、速度和动量通量）和速度分布函数。将速度分布函数投影到依赖于磁场方向的坐标系中，并在三个小时内取平均值。结果。第一种情况显示 H + 在离子矩和速度分布函数中都高度分散。He 2 + 离子有些分散，但分散程度较低，看起来更像 H 2 O + 拾取离子。第二种情况显示出质量加载的典型证据，其中太阳风物种发生偏转，但速度分布函数没有显著变化。结论。与 He 2 + 和 H 2 O + 拾取离子相比，第一种情况下的 H + 分布表明在 H + 回旋半径尺度上存在狭窄的彗星鞘。因此，具有较大回旋半径的 He 2 + 和 H 2 O + 大多能够穿过该彗星鞘。对动量通量张量的检查表明，第一种情况下的所有物种都具有显著的非回旋动量通量分量，该分量高于第二种质量加载情况。质量加载不能充分解释第一种情况下的分布函数和动量通量张量，因此我们假设这是弓形激波形成的证据。
NR4A3 基因编辑和 c-Jun 过表达协同作用，限制 ROR1 CAR-T 细胞衰竭并增强其体内外功能活性
(A) 在 5 位独立供体中，与对照未编辑 ROR1 CAR T 细胞和模拟未转导 T 细胞相比，在生产第 7 天，NR4A1 KO、NR4A2 KO 和 NR4A3 KO CD3+ ROR1 CAR T 细胞中的 NR4A 蛋白表达明显降低。星号表示 KO 和未编辑对照之间存在显着差异。 (B) 用表达 ROR1 的 H1975-NucLightRed (NLR) 靶细胞进行顺序刺激。通过测量总 NLR 强度来量化 H1975-NLR 靶细胞的裂解。在每轮刺激后重新接种后，NLR 强度相对于起始强度进行标准化。对来自 5 位独立供体的 CAR T 细胞取平均值。星号表示与 NR4A3 KO 相比，第五次刺激的最后一个时间点存在显着差异。 (C) 在 H1975 顺序刺激试验期间，刺激 1 和刺激 4 时干扰素 γ、白细胞介素 2 和肿瘤坏死因子 α (IFN-γ、IL-2 和 TNF-α) 的分泌。空心形状表示对 5 个独立供体进行测试的每个供体的三重孔的平均值。 (D) H1975 异种移植肿瘤模型示意图。来自 2 个测试供体中的 1 个代表性供体的 CAR T 细胞的抗肿瘤功效和存活率（n=5 只小鼠/组）。在去除每组 >20% 的小鼠后，肿瘤体积曲线被截断。星号表示与 NR4A3 KO 相比有显着差异。误差线表示平均值±平均值的标准误差 (SEM)。** P <0.005；*** P <0.001； **** 非配对 t 检验 (A、B、C)、Tukey 单向方差分析 (D，左) 或对数秩 Manel-Cox 检验 (D，右) 的 P < 0.0001。
配对试验分类：一种用于 MVPA 的新型深度学习技术
机器学习的许多最新发展都来自“深度学习”领域，即使用先进的神经网络架构和技术。虽然这些方法已经产生了最先进的结果，并在许多领域（例如图像分类和自然语言处理）占据了研究重点，但它们在脑电图 (EEG) 或其他人类神经科学数据集的分类中并没有比标准多元模式分析 (MVPA) 技术取得更大的进展。EEG 数据中的高维度和大量噪声，再加上可以从人类受试者样本中合理获得的示例（试验）数量相对较少，导致训练深度学习模型困难。即使模型在训练中成功收敛，尽管存在正则化技术，也会出现严重的过度拟合。为了帮助缓解这些问题，我们提出了一种新的“配对试验分类”方法，该方法涉及将 EEG 记录对分类为来自同一类或不同类。这样，我们可以通过配对试验的组合大幅增加训练示例的数量，这种方式类似于但不同于传统的数据增强方法。此外，配对试验分类仍然允许我们通过“字典”方法确定新示例（试验）的真实类别：将新示例与每个类别中的一组已知示例进行比较，并通过对每个类别中相同/不同的决策值求和来确定最终类别。由于单个试验是有噪声的，因此可以通过将新的单个示例与“字典”进行比较来进一步改进这种方法，其中每个条目都是几个示例（试验）的平均值。在可以对单个未知类别的多个样本取平均值的情况下，甚至可以实现进一步的改进，从而可以将平均信号与平均信号进行比较。