XiaoMi-AI文件搜索系统
World File Search System图聚类
用于重建NGS的聚类模型之间的性能比较来自技术重复
为了提高单个DNA测序结果的性能，研究人员经常使用同一个人和各种统计聚类模型的重复来重建高性能呼叫仪。在这里，考虑了基因组Na12878的三个技术重复，并比较了五个模型类型（共识，潜在类，高斯混合物，kamila - 适应性的K-均值和随机森林），涉及四个性能指标：敏感性，精度，精度，准确性和F1评分。与不使用组合模型相比，i）共识模型提高了精度0.1％； ii）潜在类模型带来了1％的精度改善（97％ - 98％），而不会损害灵敏度（= 98.9％）； iii）高斯混合模型和随机森林提供了更高精确度（> 99％）但敏感性较低的呼叫； iv）卡米拉提高了精度（> 99％），并保持高灵敏度（98.8％）；它显示出最好的总体表现。根据精确和F1得分指标，比较了组合多个呼叫的非监督聚类模型能够改善测序性能与先前使用的监督模型。在比较模型中，高斯混合模型和卡米拉提供了不可忽略的精度和F1得分的改进。因此，可能建议将这些模型用于呼叫集重建（来自生物或技术重复），以进行诊断或精确医学目的。
基于改进的k-neareb邻居和欧几里得聚类分割的锂电池表面缺陷的新方法
急剧降低加工效果。对于选择参数D，我们必须考虑点云数据收集的密度。当距离太小时，可以选择致密点，但是某些缺陷点会损失；当距离太大时，很难选择所有离群值D需要达到平衡的距离（图8b）。和最后，要确定体素网格的密度ρ从边缘去除稀疏体素，这反映了体素网格k-邻域中点云的密度（图8C）。因此，在此仿真示例中，提出的算法的参数配置如下：n = 12，d = 1，ρ= 0.5。
森林流：预测Lyman-α森林聚类从线性到非线性尺度
在大范围内，Lyman-α森林提供了对宇宙膨胀历史的见解，而在小尺度上，它对生长历史，暗物质的性质和中微子质量的总和施加了严格的限制。这项工作引入了ForestFlow，这是一个新颖的框架，它弥合了大型和小规模分析之间的差距，这些分析传统上依赖于不同的建模方法。使用条件归一化的流量，ForestFlow预测了两种lyman-α线性偏见（Bδ和Bη）和六个参数，描述了三维频谱功率谱（P 3D）的小规模偏差（p 3D），从线性理论作为体体和核学中培养基的功能。随后将它们与Boltzmann求解器相结合，以对P 3D和从其衍生的任何其他统计数据进行一致的预测，从任意大的尺度到非线性制度。在30个固定和分配的宇宙流体动力学模拟的套件中训练，跨越z = 2至4.5的红移，森林流在描述P 3D和一维闪光功率谱（p 1d）中获得了3和1.5％的精度，从线性量表到k = 5 mpc- = 5 mpc- = 5 mpc-k. = 5 mpc-k. = 4 mpc- = 4 mpc = 4 Mpc = 4 mpc = 4 mpc。由于其条件参数化，森林流对电离历史和两个λCDM模型扩展（大量中微子和曲率）显示出相似的性能，尽管训练集中都不包含这些扩展。该框架将对DESI调查的Lyman-α森林测量结果进行全面宇宙学分析。
社会互动的时间聚类交易疾病传播和知识扩散
非药品措施，例如预防隔离，远程工作，学校和工作场所关闭，锁定等。从流行病控制的角度表现出了有效性。但是，它们也对社会生活和人际关系，工作训练和社区参与产生重大负面影响。特别是，，复杂的思想，工作和学校合作，创新的发现以及弹性的规范形成和维护，通常需要开发和协同协同协调的两个或多个聚会的面对面互动。 在这项研究中，我们提出了一种替代杂种解决方案，该解决方案可以平衡流行病扩散的放缓与维护面对面相互作用的保存，我们测试了模拟疾病的模拟和知识在接触网络上同时扩散的知识。 我们的方法涉及对人口的两步分区。 首先，我们调整节点聚类的水平，创建“社交气泡”，而每个气泡内部的接触增加，外部较少，同时保持每个网络中的平均触点数。 第二，我们通过对特定社交气泡的节点进行配对来调整时间聚类的水平。 我们的结果表明，混合方法可以在流行病控制和复杂的知识扩散之间实现更好的权衡。 我们模型的多功能性使调整和精炼聚类水平可以根据疾病或知识扩散过程的可能变化的特征来最佳实现所需的权衡。，复杂的思想，工作和学校合作，创新的发现以及弹性的规范形成和维护，通常需要开发和协同协同协调的两个或多个聚会的面对面互动。在这项研究中，我们提出了一种替代杂种解决方案，该解决方案可以平衡流行病扩散的放缓与维护面对面相互作用的保存，我们测试了模拟疾病的模拟和知识在接触网络上同时扩散的知识。我们的方法涉及对人口的两步分区。首先，我们调整节点聚类的水平，创建“社交气泡”，而每个气泡内部的接触增加，外部较少，同时保持每个网络中的平均触点数。第二，我们通过对特定社交气泡的节点进行配对来调整时间聚类的水平。我们的结果表明，混合方法可以在流行病控制和复杂的知识扩散之间实现更好的权衡。我们模型的多功能性使调整和精炼聚类水平可以根据疾病或知识扩散过程的可能变化的特征来最佳实现所需的权衡。
用于重建NGS的聚类模型之间的性能比较来自技术重复
为了提高单个DNA测序结果的性能，研究人员经常使用同一个人和各种统计聚类模型的重复来重建高性能呼叫仪。在这里，考虑了基因组Na12878的三个技术重复，并比较了五个模型类型（共识，潜在类，高斯混合物，kamila - 适应性的K-均值和随机森林），涉及四个性能指标：敏感性，精度，精度，准确性和F1评分。与不使用组合模型相比，i）共识模型提高了精度0.1％； ii）潜在类模型带来了1％的精度改善（97％ - 98％），而不会损害灵敏度（= 98.9％）； iii）高斯混合模型和随机森林提供了更高精确度（> 99％）但敏感性较低的呼叫； iv）卡米拉提高了精度（> 99％），并保持高灵敏度（98.8％）；它显示出最好的总体表现。根据精确和F1得分指标，比较了组合多个呼叫的非监督聚类模型能够改善测序性能与先前使用的监督模型。在比较模型中，高斯混合模型和卡米拉提供了不可忽略的精度和F1得分的改进。因此，可能建议将这些模型用于呼叫集重建（来自生物或技术重复），以进行诊断或精确医学目的。
三维导电聚合物微纳电极在脑类器官研究中的应用与展望
在脑类器官中[58]。 （f）TPP制造光子晶体微纳米传感单元[59]。 （g）成像在脑类器官中[58]。（f）TPP制造光子晶体微纳米传感单元[59]。（g）成像
自省信心可预测自我脑电图解码
图 2 状态之间的振荡差异（分神 - 专注，N = 25）随探测开始（0 秒）时间的变化。（a）时间频率分解在电极位置处取平均值。虚线黑色矩形表示反映显著差异的光谱时间聚类（p < .025，双侧聚类置换检验），灰色矩形表示趋势水平（.025 < p < .05）聚类。（b - d）α（8 - 13 Hz）、θ（4 - 7 Hz）和δ（2 - 3 Hz）光谱功率在聚类的电极位置处取平均值（黑条 = 显著，灰条 = 趋势）。（e）聚类内不同子窗口的聚类拓扑结构（黑色标记表示在每个时间窗口内至少 50% 的样本上存在的电极，白色电极标记趋势水平效应的拓扑结构）
疫苗接种犹豫中的空间聚类：社会影响和社会选择的作用
过去 30 年来，疫苗犹豫行为现象愈演愈烈，危及群体免疫的维持。这种行为往往在空间上聚集，形成一些未受保护的亚群体，这些亚群体可能成为疫情爆发的热点。目前尚不清楚的是导致疫苗接种行为空间聚集的社会机制，尤其是在景观尺度上。我们关注空间聚集的存在，旨在从机制上理解不同的社会过程如何引起这种现象。具体来说，我们提出了两个假设来解释空间聚集的存在：(i) 社会选择，即对疫苗犹豫的个体具有相同的社会人口统计特征，这些特征的聚集会在疫苗犹豫中产生空间聚集；(ii) 社会影响，即犹豫行为具有传染性，会在邻近社会传播，从而形成犹豫聚集。采用理论空间网络方法，我们探讨了这两个过程在一系列空间结构下在疫苗接种行为中生成空间聚类模式的作用。我们发现这两个过程都能够独立地产生空间聚类，并且社会动态的空间结构越复杂，其实现的疫苗犹豫行为的空间聚类就越高。总之，我们证明了这些过程导致了犹豫簇的独特空间配置，并且我们用关于美国疫苗犹豫、社会决定因素和社会连通性的细粒度经验数据验证了这两个过程的模型。最后，我们提出并评估了两种减少犹豫行为的新型干预策略的有效性。我们的生成建模方法以独特的经验数据为基础，为复杂的社会过程在驱动疫苗犹豫的空间异质性方面的作用提供了见解。
使用滑动窗纹理特征提取的脑肿瘤分割，然后是模糊的c均值聚类
在本文中，使用滑动窗口机理的混合方法，然后是模糊C，意味着针对自动化的脑肿瘤提取提出了聚类。所提出的方法包括三个阶段。第一阶段用于通过实施预处理技术，然后进行纹理特征提取和分类来检测肿瘤脑MR扫描。此外，此阶段还比较了不同分类器的性能。第二阶段由使用滑动窗口机理的肿瘤区域进行定位，其中大小的窗户扫描整个肿瘤MR扫描，窗户被归类为肿瘤或无肿瘤。第三阶段由模糊C组成，是指通过去除从阶段2获得的错误分类窗口来获得肿瘤的确切位置。2D单光谱解剖学特性MRI扫描被考虑进行实验。结果在灵敏度，特异性，准确性，骰子相似性系数方面表现出显着的结果。
使用谱聚类检测黎曼流形上的 BCI 的 EEG 异常值
摘要 — 自动检测和去除脑电图 (EEG) 异常值对于设计强大的脑机接口 (BCI) 至关重要。在本文中，我们提出了一种新的异常值检测方法，该方法适用于样本协方差矩阵 (SCM) 的黎曼流形。现有的异常值检测方法存在错误地将某些样本拒绝为异常值的风险，即使没有异常值，因为检测基于参考矩阵和阈值。为了解决这一限制，我们的方法黎曼谱聚类 (RiSC) 基于提出的相似性度量将 SCM 聚类为非异常值和异常值，从而检测异常值。这考虑了空间的黎曼几何，并放大了非异常值簇内的相似性并削弱了非异常值和异常值簇之间的相似性，而不是设置阈值。为了评估 RiSC 的性能，我们生成了受不同强度和数量的异常值污染的人工 EEG 数据集。比较 RiSC 与现有异常值检测方法之间的 Hit-False (HF) 差异，证实 RiSC 可以显著更好地检测异常值 (p < 0.001)。特别是，对于异常值污染最严重的数据集，RiSC 对 HF 差异的改善最大。