XiaoMi-AI文件搜索系统
World File Search System多模式
使用视网膜成像和尿液量数据诊断慢性肾脏疾病数据：多模式深度学习方法
1韩国基因组学中心（KOGIC），ULSAN国家科学技术研究所（UNIST），ULSAN，韩国共和国2韩国4大韩民国Gyongi-do，Cha Bundang医学中心的韩国4眼科系5 Spidercore Inc.大韩民国首尔大学医学院，北司尔大学医学院视觉研究研究所9内分泌学和代谢部，Yessonsi大学医学院内科学系，大韩民国首尔10号ICT SAIFEDS，CHUNG-ANG COMELY SECORT，CHUNG-ANG RESEAL，SEOL SEEL，KEEA SEROPAL，KEEL IAEC MEDICAN SERVICE，SEORITIAD，SEOUNTE，SEOUNTE，SEOUNTE，SEOUTE，CHECAINT of SEORITY，SEORISE of KERIASIT of SEORITY，CHERIASIT大韩民国Gyeonggi-do 13医疗保健大数据中心，Cha Bundang Medical Center，Gyonggi-Do，大韩民国14 Daechi Yonsese Eye Clinic，韩国首尔 *这些作者同样贡献了
神经病学诊所中的多模式数字行为表型分析：Neurobooth 平台的开发和前两年的数据收集
定量分析人类行为对于客观描述神经系统表型、早期发现神经退行性疾病以及开发更敏感的疾病进展测量方法以支持临床试验和将新疗法转化为临床实践至关重要。复杂的计算建模可以支持这些目标，但需要大量信息丰富的数据集。这项工作引入了 Neurobooth，这是一个可定制的平台，用于时间同步的多模态人类行为捕获。在两年的时间里，集成到临床环境中的 Neurobooth 实施促进了从 470 名个人（82 名对照者和 388 名患有神经系统疾病的人）的多个行为领域收集数据，这些个人参加了总共 782 次会议。多模态时间序列数据的可视化表明，在一系列疾病中都存在丰富的表型体征。这些数据和开源平台为增进我们对神经系统疾病的理解和促进治疗方法的发展提供了潜力，并且可能是研究人类行为的相关领域的宝贵资源。
心脏骤停患者的非侵入性多模式神经监测：中国重症监护病房的调查
©作者2025。Open Access本文在创意共享属性下获得许可 - 非商业 - 非洲毒素4.0国际许可证，该许可允许以任何中等或格式的任何非商业用途，共享，分发和复制，只要您与原始作者提供适当的信誉，并为您提供了符合创造性共识许可的链接，并提供了持有货物的启动材料。您没有根据本许可证的许可来共享本文或部分内容的适用材料。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-nc-nd/4。0/。
生成AI：多模式建模的数学基础...
•了解生成AI的基本概念和原理。•掌握与生成建模有关的核心机器学习概念。•解释各种生成模型（gan，vaes，扩散模型等）之间的差异。•使用流行框架（例如Tensorflow，Pytorch）实施和训练生成模型。•应用生成的AI技术来解决不同域中的问题（例如，图像生成，文本
对Riemannian歧管上的复杂EEG数据分布进行建模朝外检测和多模式分类
摘要 - 目的：riemannian几何形状用于脑部计算机界面（BCIS）已在纪念百年中获得了动力。针对Riemannian BCIS提出的大多数机器学习技术都会考虑一个人的数据分布是单峰的。但是，由于高数据可变性是脑电图（EEG）的关键限制，因此该分布可能是多模式的，而不是单峰。在本文中，我们提出了一种新型的数据建模方法，用于考虑在EEG协方差矩阵的Riemannian歧管上考虑复杂的数据分布，旨在提高BCI可靠性。方法：我们的方法，riemannian光谱聚类（RISC），代表使用基于地质距离提出的模拟测量的图形上的eeg协方差矩阵分布，然后通过光谱群集将图形节点组成。这允许在歧管上建模单峰和多模式分布。RISC可以用作设计名为Outier检测的离群检测器Riemannian光谱聚类（ODEN-RISC）和名为多模式的多模式分类器Riemannian Spectral spectral clustering（MCRISC）的基础。以数据驱动方式选择Odenrisc/Mcrisc的所有必需参数。越过，无需预先设置离群检测的阈值和多模式分类的模式的数量。结果：实验评估表明，与现有方法相比，Odenrisc可以更准确地检测EEG异常值，而Mcrisc进行了标准的单峰分类器，尤其是在高变异性数据集上。结论：预计Odenrisc/Mcrisc将有助于使现实生活中的BCI在实验室外和神经学应用程序外应用更强大。明显：RISC可以用作强大的EEG Outier检测器和多模式分类器。
OmniHd-Scenes：用于自动驾驶的下一代多模式数据集
摘要 - 深度学习的快速进步加剧了对自动驾驶算法使用的全面数据的需求。高质量数据集对于开发有效数据驱动的自动驾驶解决方案至关重要。下一代自动驾驶数据集必须是多模式的，结合了来自高级传感器的数据，这些数据具有广泛的数据覆盖率，详细的注释和不同的场景表示形式。为了满足这一需求，我们提出了OmniHd-Scenes，这是一个大规模的多模式数据集，可提供全面的全向高清数据。OMNIHD-SCENES数据集结合了来自128束梁雷达，六个摄像机和六个4D成像雷达系统的数据，以实现完整的环境感知。数据集包含1501个夹子，每个夹子长约30秒，总计超过450K同步帧和超过585万个同步传感器数据点。我们还提出了一个新颖的4D注释管道。迄今为止，我们已经注释了200个剪辑，其中有超过514K精确的3D边界框。这些剪辑还包括静态场景元素的语义分割注释。此外，我们还引入了一条新型的自动化管道，以生成密集的占用地面真理，从而有效利用了非钥匙框架的信息。与拟议的数据集一起，我们为3D检测和语义占用预测建立了全面的评估指标，基线模型和基准。这些基准测试利用环绕摄像机和4D成像雷达来探索用于自动驾驶应用的具有成本效益的传感器解决方案。广泛的实验证明了我们的低成本传感器构型及其在不利条件下的鲁棒性的有效性。数据将在https://www.2077ai.com/omnihd-scenes上发布。
针对小学生的多模式学习活动
摘要 本文讨论了一种通过音乐和歌曲的融合来为儿童学习英语的创新方法。作者试图了解音乐如何影响学生的学习动机并提高他们的英语语言技能。这项研究的基础理论是加德纳的多元智能理论，该理论认为每个人都有不同的智力类型，包括语言智力。这项研究还将这一理论与多模态联系起来，多模态是一种利用不同媒体或学习方式来丰富教育过程的方法。初步研究结果表明，只要使用的方法多种多样且适合学生的需求，音乐可以成为提高语言技能的有效工具。关键词：英语、多模态、音乐、加德纳。简介
重症监护病房中残留意识的多模式预测：CONNECT-ME 研究
功能性磁共振成像 (fMRI) 和脑电图 (EEG) 可能揭示意识障碍 (DoC) 患者的残留意识，这反映在有关慢性意识障碍的文献中。然而，急性意识障碍很少被研究，尽管识别残留意识是重症监护病房 (ICU) 临床决策的关键。因此，前瞻性、观察性、三级中心队列、诊断性 IIb 期研究“使用脑电图和 fMRI 进行神经重症监护队列研究中的意识”(CONNECT-ME，NCT02644265) 的目的是评估 fMRI 和脑电图在 ICU 中识别急性意识障碍的残留意识的准确性。2016 年 4 月至 2020 年 11 月期间，对 87 名患有创伤性或非创伤性脑损伤的急性意识障碍患者进行了反复临床评估、fMRI 和脑电图检查。通过视觉分析、频带分析和支持向量机 (SVM) 意识分类器评估静息态脑电图和外部刺激下的脑电图。此外，还评估了典型静息态 fMRI 网络内和网络间静息态连接。接下来，我们使用研究入组时的 EEG 和 fMRI 数据，采用两种不同的机器学习算法（随机森林和带线性核的 SVM）来区分研究入组时和转出 ICU 时（或死亡前）处于微意识状态或更好（≥ MCS）的患者与昏迷或无反应觉醒状态（≤UWS）的患者。使用曲线下面积（AUC）评估预测性能。在 87 名 DoC 患者（平均年龄 50.0 ± 18 岁，43% 为女性）中，51 名（59%）在研究入组时≤UWS，36 名（41%）≥ MCS。31 名（36%）患者在 ICU 死亡，其中 28 名患者停止了生命维持治疗。 EEG 和 fMRI 可预测入选研究和转出 ICU 时的意识水平，最大 AUC 分别为 0.79（95% CI 0.77–0.80）和 0.71（95% CI 0.77–0.80）。基于组合 EEG 和 fMRI 特征的模型可预测入选研究和转出 ICU 时的意识水平，最大 AUC 分别为 0.78（95% CI 0.71–0.86）和 0.83（95% CI 0.75–0.89），阳性预测值和灵敏度均有所提高。总体而言，两种机器学习算法（SVM 和随机森林）的表现同样出色。总之，我们建议 ICU 中的急性 DoC 预测模型应基于 fMRI 和 EEG 特征的组合，而不管使用哪种机器学习算法。
链接的基因组学测序和质谱学多模式数据集以及用于微生物应变库中的简化天然产物的模型
预印本（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此版本的版权持有人于2025年1月21日发布。 https://doi.org/10.1101/2025.01.20.633932 doi：biorxiv Preprint
全面回顾元宇宙中的多模式 XR 应用、风险和道德挑战
摘要：本范围审查考察了元宇宙背景下扩展现实 (XR) 技术（包括虚拟现实 (VR)、增强现实 (AR) 和混合现实 (MR)）的广泛应用、风险和道德挑战。XR 正在彻底改变教育沉浸式学习、医疗和专业培训、神经心理学评估、治疗干预、艺术、娱乐、零售、电子商务、远程工作、体育、建筑、城市规划和文化遗产保护等领域。触觉、眼球、面部和身体追踪以及脑机接口等多模式技术的集成增强了用户参与度和交互性，在塑造元宇宙的沉浸式体验方面发挥着关键作用。然而，XR 的扩展引发了严重担忧，包括数据隐私风险、网络安全漏洞、网络晕动症、成瘾、分离、骚扰、欺凌和错误信息。这些心理、社会和安全挑战因密集的广告、舆论操纵和社会不平等而变得更加复杂，这些因素可能会对弱势个人和社会群体产生不成比例的影响。本评论强调迫切需要建立健全的道德框架和监管准则来应对这些风险，同时促进公平的获取、隐私、自主权和心理健康。随着 XR 技术与人工智能的日益融合，负责任的治理对于确保 Metaverse 的安全和有益发展以及 XR 在促进人类发展方面的更广泛应用至关重要。