XiaoMi-AI文件搜索系统
World File Search System多模式
多模式个性化执行功能干预（E
摘要 简介 患有先天性心脏病 (CHD) 的儿童有执行功能 (EF) 障碍的风险。迄今为止，干预措施对患有复杂 CHD 的儿童和青少年的 EF 效果有限。因此，我们开发了一种新的多模式和个性化 EF 干预 (E-Fit)。本研究旨在测试这种称为“E-Fit”的干预措施对患有复杂 CHD 和 EF 障碍的儿童的可行性。 方法与分析 这是一项单中心、单盲、随机对照可行性研究，探索 E-Fit 干预措施。我们旨在招募 40 名 10-12 岁患有 CHD 的儿童，他们接受了婴儿体外循环手术并表现出临床相关的 EF 障碍（在任何执行功能行为评定量表问卷总结量表上的 T 分数≥60）。多模式干预是通过焦点小组和德尔菲方法开发的，涉及患有 CHD 的儿童和青少年、他们的父母和老师以及健康专业人员。干预措施由三个要素组成：使用 CogniFit Inc 2022 进行基于计算机的 EF 训练，每周在家进行三次；每周进行 EF 远程策略辅导和模拟游戏。计算机和策略训练的内容根据儿童的 EF 困难进行个性化设置。对照组遵循以前的日常习惯，每周四次完成关于他们日常活动的日记。参与者将以 1:1 的比例随机分配。可行性通过参与者和提供者对参与者对干预的依从性和接触性的评分、招募率和对计划预期效果的评估来衡量。伦理与传播 已获得当地伦理委员会对研究的批准（BASEC-Nr：2021-02413）。父母提供书面知情同意书。试验的主要成果将通过会议演示、同行评审出版物和直接向参与家庭传播。此外，这些结果将为是否进行随机对照试验以调查有效性的决定提供参考。试验注册号 NCT05198583。
使用机器学习从多模式数据唤醒检测
©作者2023。Open Access本文是根据Creative Commons Attribution 4.0 International许可获得许可的，该许可允许以任何媒介或格式使用，共享，适应，分发和复制，只要您对原始作者和来源提供适当的信誉，请提供与创意共享许可证的链接，并指出是否进行了更改。本文中的图像或其他第三方材料包含在文章的创意共享许可中，除非在信用额度中另有说明。如果本文的创意共享许可中未包含材料，并且您的预期用途不受法定法规的允许或超过允许的用途，则您需要直接从版权所有者那里获得许可。要查看此许可证的副本，请访问http：//创建ivecommons。org/licen ses/by/4。0/。
胰腺发育的多模式跨物种比较
1糖尿病与再生研究研究所（IDR），赫尔姆霍尔茨·慕尼黑，Neuherberg，7德国。 8 2德国诺伊尔伯格的德国糖尿病研究中心（DZD）。 9 3计算生物学研究所（ICB），德国Neuherberg的Helmholtz慕尼黑。 10 4卢德维希·马克西米利安大学医院中风和痴呆研究所，德国慕尼黑慕尼黑大学。 12 5德国慕尼黑慕尼黑技术大学数学系。 13 6美国旧金山分校，加利福尼亚大学细胞和组织生物学系。 14 7糖尿病中心，加利福尼亚大学，美国旧金山。 15 8 Eli和Edyth的再生医学与干细胞研究中心，美国16加州大学，美国旧金山。 17 9美国辛辛那提市18号辛辛那提儿童医院医疗中心发育生物学系。 19 10干细胞和器官医学中心（习惯），辛辛那提儿童医院20医学中心，美国辛辛那提21 11 11核心设施基因组学，赫尔姆霍尔茨慕尼黑，德国诺伊尔伯格，德国。 22 12牲畜生物技术主席，分子生命科学系，生命学院23科学学院，慕尼黑技术大学，德国弗拉维斯。 24 13美国辛辛那提儿童医院医疗中心内分泌科。 25 14分子动物育种和生物技术基因中心主席，德国慕尼黑慕尼黑慕尼黑大学路德维希·马克西米利26号。 27 15创新医学模型中心（CIMM），路德维希·马克西米利安大学，德国慕尼黑28号。 32 *对33 的通信1糖尿病与再生研究研究所（IDR），赫尔姆霍尔茨·慕尼黑，Neuherberg，7德国。8 2德国诺伊尔伯格的德国糖尿病研究中心（DZD）。9 3计算生物学研究所（ICB），德国Neuherberg的Helmholtz慕尼黑。10 4卢德维希·马克西米利安大学医院中风和痴呆研究所，德国慕尼黑慕尼黑大学。12 5德国慕尼黑慕尼黑技术大学数学系。13 6美国旧金山分校，加利福尼亚大学细胞和组织生物学系。14 7糖尿病中心，加利福尼亚大学，美国旧金山。15 8 Eli和Edyth的再生医学与干细胞研究中心，美国16加州大学，美国旧金山。17 9美国辛辛那提市18号辛辛那提儿童医院医疗中心发育生物学系。19 10干细胞和器官医学中心（习惯），辛辛那提儿童医院20医学中心，美国辛辛那提21 11 11核心设施基因组学，赫尔姆霍尔茨慕尼黑，德国诺伊尔伯格，德国。22 12牲畜生物技术主席，分子生命科学系，生命学院23科学学院，慕尼黑技术大学，德国弗拉维斯。24 13美国辛辛那提儿童医院医疗中心内分泌科。25 14分子动物育种和生物技术基因中心主席，德国慕尼黑慕尼黑慕尼黑大学路德维希·马克西米利26号。 27 15创新医学模型中心（CIMM），路德维希·马克西米利安大学，德国慕尼黑28号。 32 *对33 的通信25 14分子动物育种和生物技术基因中心主席，德国慕尼黑慕尼黑慕尼黑大学路德维希·马克西米利26号。27 15创新医学模型中心（CIMM），路德维希·马克西米利安大学，德国慕尼黑28号。32 *对3329 16生命科学学院Weihenstephan，慕尼黑技术大学，德国Freising。30 17德国慕尼黑慕尼黑技术大学医学院。31 18这些作者同等贡献：汉娜·斯皮策（Hannah Spitzer）的凯牛杨（Kaiyuan Yang）。
多模式健康数据整合的联合学习
学生，B.E.糖尿病是一种危险的疾病，人体无法正确控制血液中的糖量，因为它没有足够的胰岛素。也称为糖尿病（DM），它是葡萄糖代谢改变的最常见表现，它既是心血管危险因素，又是心血管疾病。它与长期微血管并发症有关。有几种不同类型的糖尿病：2型糖尿病，1型糖尿病，糖尿病脂肪和妊娠糖尿病。本文评估了疾病的所有范围，并提供了有关糖尿病的重要信息。关键字：糖尿病，糖尿病，世界卫生组织，糖尿病性酮症酸中毒（DKA），糖尿病杂物（DI），胰岛素，葡萄糖
事物数据，大规模数据集的多模式集合......
摘要 要理解物体表征，需要对视觉世界中的物体进行广泛、全面的采样，并对大脑活动和行为进行密集测量。在这里，我们展示了 THINGS-data，这是一个多模态的人类大规模神经成像和行为数据集集合，包括密集采样的功能性 MRI 和脑磁图记录，以及针对多达 1,854 个物体概念的数千张照片的 470 万个相似性判断。THINGS-data 的独特之处在于其丰富的注释对象范围，允许大规模测试无数假设，同时评估先前发现的可重复性。除了每个单独的数据集承诺的独特见解之外，THINGS-data 的多模态性还允许组合数据集，从而比以前更广泛地了解物体处理。我们的分析证明了数据集的高质量，并提供了五个假设驱动和数据驱动的应用程序示例。 THINGS-data 是 THINGS 计划 ( https://things-initiative.org ) 的核心公开发布版本，旨在弥合学科之间的差距和认知神经科学的进步。
利用多模式功能扩展车内应用
借助 TI 毫米波 (mmWave) 技术，AWR6843AOP 封装天线汽车雷达传感器使系统能够通过一个智能传感器执行多种应用。由于它是多模式的（即可以在不同模式下运行），因此可以对 AWR6843AOP 进行编程，使其根据车辆状态或乘员位置执行各种功能。可能性包括手势控制与入侵者检测相结合、手势控制与儿童存在检测相结合、乘员检测与生命体征检测相结合以及手势控制与生命体征检测相结合。执行多种应用的能力使用户能够更灵活地控制舒适度，并让用户安心地使用安全功能。
机器人操纵任务中的多模式VAE
摘要 - 在这项工作中，我们专注于机器人操纵领域中无监督的视力 - 语言映射。最近，已经为此任务提出了采用预训练的大语言和视觉模型的多种方法。但是，它们在计算上是要求的，需要仔细对产生的输出进行微调。更轻巧的替代方法是实现多模式变量自动编码器（VAE），可以提取数据的潜在特征并将其集成到联合代码中，这主要是在现有最终模型的图像图像或图像图纸上进行的。在这里，我们探讨了是否以及如何在模拟环境中使用多模式的VAE。基于获得的结果，我们提出了一种模型不变训练替代方案，该替代方法将模拟器中的模型性能提高了55％。此外，我们系统地评估了各个任务（例如对象或机器人位置可变性，干扰器数量或任务长度）所提出的挑战。因此，我们的工作也阐明了使用当前的多模式VAE的潜在益处和局限性，以根据视觉和语言对机器人运动轨迹进行无监督学习。索引术语 - 传感器融合，视觉学习，语义场景理解
通过多模式传感的安全机器人辅助敷料
摘要 - 由肉手辅助的调味料可以深刻地提高成年人身体残疾的生活质量。为了实现这一目标，机器人可以从视觉传感和力传感中受益。前者使机器人能够确定人体姿势和服装变形，而后者有助于在着装过程中保持安全性和舒适性。在本文中，我们引入了一种新技术，该技术利用视觉和力量方式来完成这项辅助任务。我们的方法首先在模拟中使用强化学习的身体尺寸，姿势和类型的服装训练基于视觉的着装政策。然后，我们学习一个针对行动计划的力动力学模型，以确保安全。由于模拟精确的力数据的局限性在与人体相互作用时，我们直接从现实世界数据中学习了力动力学模型。我们提出的方法结合了基于愿景的策略，通过在现实世界中训练了仿真的训练，通过解决限制的优化问题来推断行动，从而促进了促进敷料过程而不对人施加过多的力量，从而在现实世界中学到了力量动力学模型。我们在模拟和现实世界中的研究中评估了我们的系统，其中有240次敷料试验中的10名参与者，这表明它的表现极高。视频演示可在我们的项目网站1上找到。
多模式推理的问题意识视力变压器
视觉语言（VL）模型已获得了显着的重点，从而在多模式推理方面取得了显着进步。这些体系结构通常包括视觉编码器，大型语言模型（LLM）和一个将视觉特征与LLM的代表空间保持一致的投影模块。尽管他们成功了，但仍然存在一个关键的限制：愿景编码过程仍然与用户查询相关，通常是以与图像相关的问题的形式。因此，所得的视觉特征可能无法最佳地调整图像的特定元素。为了解决这个问题，我们介绍了QA-Vit，这是一种问题的多模式原因，这是一种问题，将问题意识直接嵌入到视觉编码器中。此集成导致动态视觉特征，重点是提出问题的相关图像方面。QA-VIT是模型 - 静态的，并且可以有效地将其置于任何VL体系结构中。广泛的经验证明了将我们的方法应用于各种多模式体系结构的有效性，从而导致跨不同任务的一致改进，并展示了其以增强视觉和场景文本理解的能力。
智能机器人的多模式融合和人机交互控制
方法：助行器为患者提供了弹药和指导力量的重量，以模仿一系列物理治疗师的运动，并创造自然，舒适且安全的环境。该系统由全向移动平台，BWS机制和骨盆支撑组成，以平滑骨盆的运动。使用人类意图，四个力传感器，两个操纵杆和一个深度感应摄像头来监视人机信息信息，并提出了一种多模式融合算法以提高精度。然后，系统分别通过相机，力传感器和操纵杆获得了标题E，骨盆姿势F和运动向量H，并通过特征提取和信息融合进行了对意图进行分类，并通过机器人的Kinematics通过机器人的Kinematics进行了最终输出运动速度。