XiaoMi-AI文件搜索系统
World File Search System图特
免疫检查点抑制剂相关心肌炎的心电图特征
抽象背景心肌炎是免疫检查点抑制剂（ICI）使用的高度病态并发症，其表征不充分。QRS持续时间和QTC间隔是在其他心脏条件下延长的标准心电图测量。但是，没有关于它们在ICI心肌炎中效用的数据。来自国际注册表的方法，在多个时间点（ICI前，在心肌炎之前，在心肌炎之前，在ICI上，在ICI上，在ICI上，在140例心肌炎病例和179例对照中，都将ECG参数进行了比较。还测试了ECG值与重大不良心脏事件（MACE）之间的关联。结果QRS持续时间和QTC间隔在心肌炎之前和对照组之间相似。与心肌炎（97±19 ms）之前的ICI（93±19 ms）或基线相比，QRS持续时间延长了心肌炎（分别为110±22 ms，p <0.001和p = 0.009）。相比之下，与脊髓炎前基线相比，心肌炎时的QTC间隔没有增加（422±27 ms，p = 0.42）。延长的QRS持续时间增加了随后的MACE的风险（HR 3.28，95％CI 1.98至5.62，p <0.001）。调整后，QRS持续时间每增加10毫秒的增加，MACE的几率增加了1.3倍（95％CI 1.07至1.61，p = 0.011）。相反，男性之间的QTC间隔与MACE之间没有关联（HR 1.33，95％CI 0.70至2.53，P = 0.38）或女性（HR 1.48，95％CI 0.61至3.58，P = 0.39）。结论ICI心肌炎中QRS持续时间增加，与MACE风险增加有关。使用这种广泛可用的心电图参数可能有助于ICI心肌炎诊断和风险分层。
利用振荡脑电图特征对视觉审美偏好进行生态解码——一项小型综述
在当今的数字信息时代，人类对视觉制品的接触已达到前所未有的几乎无处不在的程度。其中一些文化制品被提升到艺术品的地位，这表明人们对这些物品有着特殊的欣赏。对许多人来说，对此类艺术品的感知与审美体验 (AE) 相吻合，而审美体验可以对健康和幸福产生积极影响。AE 由复杂的认知和情感心理和生理状态组成。对 AE 背后的神经动力学有更深刻的科学理解将允许开发被动脑机接口 (BCI)，该接口提供个性化的艺术呈现，以改善 AE，而无需明确的用户反馈。然而，视觉神经美学领域的先前实证研究主要研究非自然实验室条件下 AE 的功能性磁共振成像和事件相关电位相关性，这可能不是实用神经美学 BCI 的最佳特征。此外，直到最近，AE 在很大程度上被定义为美丽或愉悦的体验。然而，这些概念并未涵盖所有类型的 AE。因此，这些概念的范围太窄，无法实现跨个体和跨文化的个性化和最佳艺术体验。这篇叙述性迷你评论总结了基于振荡脑电图 (EEG) 的视觉神经美学的最新进展，并绘制了开发生态有效的神经美学被动 BCI 系统的路线图，该系统可以优化 AE 及其有益后果。我们详细介绍了已报道的 AE 振荡 EEG 相关性，以及用于对 AE 进行分类的机器学习方法。我们还强调了神经美学的当前局限性，并提出了改进 AE 的 EEG 解码的未来方向。
预后意义和神经网络衍生的心电图特征的关联
结果：总共包括1 808 584例患者。在派生队列中，3个现象群具有显着不同的死亡率。调整已知的协变量后，现象B与现象A相比，长期死亡率增加了20％（危险比，1.20 [95％CI，1.17-1.23]； P <0.0001; P <0.0001; phanogroup A死亡率，2.2％; femogroup B死亡率，6.1％）。在单变量分析中，我们发现现象B在所有队列中的死亡风险都明显更大（所有5个同类群中的对数秩P <0.01）。全球范围的关联研究表明，现象B的未来房颤率较高（优势比，2.89; p <0.00001），心室心动过速（优势比，2.00; p <0.00001），缺血性心脏病（优势比，1.44; p <0.00001; p <0.00001）; cardiy1 <0.00001）<，cardibath 一项单特征基因组的关联研究产生了4个基因座。 SCN10A，SCN5A和CAV1在心脏传导和心律不齐中具有作用。 ARHGAP24没有明确的心脏作用，可能是一个新颖的目标。一项单特征基因组的关联研究产生了4个基因座。SCN10A，SCN5A和CAV1在心脏传导和心律不齐中具有作用。ARHGAP24没有明确的心脏作用，可能是一个新颖的目标。
ES250 和 ES450 - 图特布莱恩特电力
Infinity Cube 最适合具有间歇性或高电流负载特性的设备，例如塔式起重机、载人升降机、配料机和焊机。其他常见应用包括偏远地区社区、建筑工地基本负载、起重机和土方设备等电气化工厂以及电网稳定应用。
数据驱动的人群水平脑电图特征检索及其在神经退行性疾病中的作用
阿尔茨海默病和路易体病等神经退行性疾病引起的电生理紊乱可通过头皮脑电图检测出来，并可作为疾病严重程度的功能性测量指标。传统的脑电图定量分析方法通常需要先验选择具有临床意义的脑电图特征，而且容易产生偏差，限制了常规脑电图在神经退行性疾病诊断和管理中的临床应用。我们提出了一种数据驱动的张量分解方法，用于提取代表闭眼清醒状态下常见的脑电图活动来源的前 6 个频谱和空间特征。作为梅奥诊所神经系统评估的一部分，11,001 名患者接受了 12,176 项常规、标准的 10-20 次头皮脑电图研究。根据这些原始脑电图，我们开发了一种基于后部 alpha 活动和眼球运动的算法，用于自动选择清醒闭眼时期并估计每个通道 1 到 45 Hz 之间的平均频谱功率密度 (SPD)。然后，我们创建了一个三维 (3D) 张量 (记录 × 通道 × 频率)，并应用典型多元分解来提取前六个因子。我们进一步确定了一组独立患者，他们符合阿尔茨海默病和路易体痴呆 (31) 导致的轻度认知障碍 (30) 或痴呆 (39) 的共识标准，以及年龄相似的认知正常对照 (36)。我们使用朴素贝叶斯分类方法评估了这六个因子区分这些亚组的能力，并评估了因子载荷与 Kokmen 心理状态简略测验评分、氟脱氧葡萄糖 (FDG) PET 摄取率和脑脊液阿尔茨海默病生物标志物测量值之间的线性关联。这些因子代表了具有生物学意义的大脑活动，包括后部 α 节律、前部 δ/θ 节律和中央顶叶 β，它们与患者年龄和脑电图节律失常等级相关。这些因素还能够以中等到高精度（曲线下面积 (AUC) 0.59–0.91）区分患者和对照组，以及区分阿尔茨海默病痴呆和路易体痴呆（AUC 0.61）。此外，相关的 EEG 特征与阿尔茨海默病亚组的认知测试表现、PET 代谢和 CSF AB42 测量值相关。这项研究表明，数据驱动的方法可以从人群水平的临床 EEG 中提取具有生物学意义的特征，而无需拒绝伪影或先验选择通道或频带。随着不断发展，这种数据驱动的方法可以通过协助早期识别轻度认知障碍和区分认知障碍的不同神经退行性原因来提高 EEG 在记忆护理中的临床效用。
图特卡湾泻湖孵化场 2024 年度管理计划
本年度管理计划 (AMP) 计划旨在满足 5 AAC 40.840 的要求。该计划必须组织和指导孵化场的运营，包括生产目标、亲鱼管理和孵化场返回的收获管理。该计划的制定必须考虑到孵化场的生产周期。生产周期从成年返回开始，然后是取卵，最后是放生鱼。如果孵化场许可证允许或紧急命令允许，则可以在管理计划之外采取行动。库克湾水产养殖协会 (CIAA) 或阿拉斯加鱼类和野生动物部 (ADF&G) 的季节性评估和项目变更可能会导致本 AMP 发生变化，以达到或保持计划目标。CIAA 将及时通知 ADF&G 私营非营利 (PNP) 孵化场计划协调员任何偏离 AMP 的情况。ADF&G PNP 协调员将就是否有必要进行修订、报告例外情况或其他行动提出建议。在 AMP 修正案获得部门和 CIAA 批准或豁免之前，不会实施任何变更或偏差。此政策适用于 AMP 涵盖的所有孵化场运营。
静息态成人额颞叶痴呆与阿尔茨海默病脑电图特征提取鉴别技术的比较研究
摘要：早期阿尔茨海默病 (AD) 和额颞叶痴呆 (FTD) 具有相似的症状，这使其诊断和制定特定治疗策略变得复杂。我们的研究评估了多种特征提取技术，用于从脑电图 (EEG) 信号中识别 AD 和 FTD 生物标志物。我们开发了一种优化的机器学习架构，该架构集成了滑动窗口、特征提取和监督学习，以区分 AD 和 FTD 患者以及健康对照 (HC)。我们的模型具有 90% 的滑动窗口重叠度、SVD 熵用于特征提取和 K 最近邻 (KNN) 用于监督学习，在区分 AD 和 HC、FTD 和 HC 以及 AD 和 FTD 方面分别实现了 93% 和 91%、92.5% 和 93% 以及 91.5% 和 91% 的平均 F1 分数和准确率。特征重要性阵列是一种可解释的 AI 特征，它突出显示了有助于识别和区分 AD 和 FTD 生物标志物的脑叶。这项研究引入了一种使用 EEG 信号检测和区分 AD 和 FTD 的新框架，满足了对早期准确诊断的需求。此外，还记录了滑动窗口、多特征提取和机器学习方法对 AD/FTD 检测和区分的比较评估。
sparsedff：稀疏视图特征蒸馏
人类表现出非常出色的技能，可以在不同形状，姿势和外观的对象中传递操纵能力，这是一种植根于他们对不同实例之间语义对应关系的理解的能力。为了为机器人提供类似的高级理解，我们提出了Sparsedff，这是一种新颖的DFF，用于3D场景，利用大型2D视觉模型从稀疏的RGBD图像中提取语义特征，该域与固定设置的许多任务相关，尽管它与许多任务相关。sparsedff生成视图一致的3D DFF s，通过将图像特征映射到3D点云，从而有效地对灵活性操作进行了有效的灵感操作学习。Sparsedff的中心是一个特征改进网络，通过视图和特征连续性的点式缩写机制之间的对比损失进行了优化。这有助于最小化特征差异W.R.T.最终效应参数，桥接演示和目标操作。在现实世界中用灵巧的手验证，Sparsedff证明有效地有效地操纵刚性和可变形的对象，表明对象和场景变化之间具有显着的概括能力。
基于直方图特征提取和Canny边缘
阿尔茨海默病 (AD) 越来越影响老年人，是 65 岁以上人群的主要杀手。不同的深度学习方法用于自动诊断，但它们也存在一些局限性。深度学习是用于检测和分类医学图像的现代方法之一，因为深度学习能够自动提取图像的特征。然而，使用深度学习准确分类医学图像仍然存在局限性，因为提取医学图像的精细边缘有时被认为是困难的，并且图像中存在一些失真。因此，本研究旨在开发一种计算机辅助脑部诊断 (CABD) 系统，该系统可以判断脑部扫描是否显示出阿尔茨海默病的迹象。该系统采用 MRI 和特征提取方法对图像进行分类。本文采用阿尔茨海默病神经影像学计划 (ADNI) 数据集，包括用于阿尔茨海默病患者识别的功能性 MRI 和正电子版本断层扫描，这些扫描是为阿尔茨海默病患者和典型个体制作的。所提出的技术利用 MRI 脑部扫描来发现和分类特征，利用直方图特征提取 (HFE) 技术与 Canny 边缘相结合来表示卷积神经网络 (CNN) 分类的输入图像。此策略跟踪图像中梯度方向的实例。实验结果为 ADNI 图像分类提供了 97.7% 的准确率。