XiaoMi-AI文件搜索系统
World File Search System因素数量
引用：Hong X，Zhang X，You L等。脂联素与新诊断的2型糖尿病的关联与OBE
抽象目标脂联素与葡萄糖代谢和传统糖尿病风险因素（肥胖，高血压和血脂异常）密切相关。我们的目的是探索脂联素水平与新诊断的2型糖尿病（T2DM）和根据T2DM风险因素分类的亚组中的糖尿病。设置太阳YAT-SEN大学的Sun Yat-Sen Memorial Hospital。参与者3680名（1753名男性和1927年妇女）从2018年12月至2019年10月从广州和中国的18-70岁开始招募。主要和次要结果度量T2DM定义为空腹血浆葡萄糖（FPG）≥7.0mmol/L或HbA1c≥6.5％，而前糖尿病的定义为6.1 mmol/l≤fpg<7.0 mmol/l或5.0 mmol/l或5.7≤hba1c<6.5.5％。导致T2DM风险因素数量增加，高四分之一脂联素水平的人群的比例逐渐降低（P <0.001）。低水平的脂联素与≥1T2DM风险因素的人群中的糖尿病和糖尿病前显着相关，而其关联在所有三个T2DM风险因素的人群中并不始终如一。For instance, participants were more likely to have diabetes or prediabetes with low levels of adiponectin when they had ≥ one T2DM risk factor (quartile 2 vs. 1: OR 0.71 [95%CI: 0.56–0.89]; P=0.003; quartile 3 vs. 1: OR 0.57 [95%CIs: 0.44–0.72]; P<0.001; and quartile 4 vs. 1：或0.52 [95％顺式：0.40-0.67]；结论脂联素与糖尿病和糖尿病前期的糖尿病和糖尿病前期较少，而T2DM风险因素很少，而其关系逐渐与T2DM危险因素的积累逐渐减弱，尤其是在患有肥胖症，高血压，高血压和双血脂血症等疾病的人群中。
利用人工智能提高运动成绩
本专题旨在为研究人员和从业人员提供一个机会，展示机器学习和人工智能在体育领域的最新进展。体育技术相对较新的扩展使得收集的数据量以及测量和记录的属性范围和种类激增。这场数据海啸既带来了负担，也带来了机会来回答教练和运动员面临的一些至关重要的问题。我如何才能更有效地训练，如何才能更有竞争力，如何才能避免受伤？在许多情况下，传统统计技术的适用性已经耗尽，机器学习方法已被应用、调整和开发，以分析体育数据。1995 年，Lapham 和 Bartlett 认为人工智能 (AI) 具有支持和改善体育决策、加快分析过程以腾出专家时间和资源的潜力。从那时起，人们就提倡使用机器学习 (ML) 来构建此类决策支持系统 (Robertson, 2020)。ML 可以应用于体育运动，带来许多好处，包括：自动或半自动收集数据、将数据（预）处理为有意义的信息、了解哪些信息对健康和表现很重要，最后，帮助教练和运动员做出复杂的决定。精英教练和运动员经常利用他们的经验、知识和直觉来做出成功的决定。然而，一些关键的决策非常困难，因为要考虑的因素数量及其相互作用太复杂。如果有合适的数据，机器学习方法可用于创建支持复杂决策的模型。本研究主题中的许多文章代表了现有 ML 方法的适应性和新 ML 方法的开发，这些方法解决了体育运动中实际且重要的问题并带来了许多上述好处。在改进数据收集和处理方面，Hosp 等人。创建了一个深度学习工具来自动对足球守门员的感知表现专业水平进行分类，而 van Dijk 等人。描述了他们在惯性测量单元数据处理方面的进步如何产生有关轮椅运动中身体位置的更准确信息。此外，Schmid 等人。Anzer 和 Bauer创建了一个工具来自动识别美式足球中基于战术模式的球员轨迹，并使用这些自动注释来创建防守方案和表现的模拟。制定评估个人和团队表现的新措施是本研究主题中大多数研究的重点。
利用人工智能提高运动成绩
本专题的目的是为研究人员和从业人员提供一个机会，展示机器学习和人工智能在体育领域的最新进展。体育技术在最近几年的扩展使得收集的数据量以及测量和记录的属性范围和种类激增。这种海量的数据既带来了负担，也带来了机会来回答教练和运动员面临的一些至关重要的问题。我如何才能更有效地训练，如何才能更有竞争力，如何才能避免受伤？在许多情况下，传统统计技术的适用性已被耗尽，机器学习方法已被应用、调整和开发来分析体育数据。1995 年，Lapham 和 Bartlett 描述了人工智能 (AI) 具有支持和改善体育决策的潜力，并加快了分析过程，为专家腾出了时间和资源。从那时起，人们就提倡使用机器学习 (ML) 来构建这样的决策支持系统 (Robertson, 2020)。机器学习可以应用于体育运动，带来诸多好处，包括：自动或半自动收集数据、将数据（预）处理为有意义的信息、了解哪些信息对健康和表现很重要，以及最终帮助教练和运动员做出复杂的决策。精英教练和运动员经常利用他们的经验、知识和直觉做出成功的决定。然而，一些关键的决定非常困难，因为要考虑的因素数量及其相互作用太复杂。如果有合适的数据，机器学习方法可用于创建支持复杂决策的模型。本研究主题中的许多文章代表了对现有机器学习方法的调整和新机器学习方法的开发，这些方法解决了体育运动中实际且重要的问题并带来了许多上述好处。在改进数据收集和处理方面，Hosp 等人创建了一个深度学习工具来自动对足球守门员的感知表现专业水平进行分类，而 van Dijk 等人则创建了一个深度学习工具来自动对足球守门员的感知表现专业水平进行分类。描述了他们在惯性测量单元数据处理方面的进步如何产生有关轮椅运动中身体位置的更准确信息。此外，Schmid 等人创建了一个工具来自动识别美式足球中基于战术模式的球员轨迹，并使用这些自动注释来创建防守方案和表现的模拟。开发新的措施来评估个人和团队表现是本研究主题中大多数研究的重点。Anzer 和 Bauer