XiaoMi-AI文件搜索系统
World File Search System多流
从多流体动力学看 RHIC BES 上的定向流和超子极化
重离子碰撞计划的目标是，其质心能量在几 GeV 到几百 GeV 范围内，研究所产生的致密重子介质的性质，特别是它的状态方程 (EoS) 和传输系数。流体动力学方法对于实现这一目标至关重要，因为它可以相对轻松地纳入不同的状态方程。流体动力学方法在高能 √ s NN = 200 GeV 及以上的核 - 核碰撞中的应用非常成功。在那里，人们通常将动力学分为初始状态和后续流体阶段，其中发生初始硬散射，据称会导致介质的各向同性或有效流化，其中演化由流体动力学方程控制。然而，在模拟较低能量的重离子碰撞时，人们面临着一个挑战。入射原子核的洛伦兹收缩并不强，两个原子核完全穿过对方并发生所有初级 NN 散射需要几 fm / c 的时间。在发生第一次核子-核子散射的区域可能已经形成了稠密介质，而最后的核子仍在接近它们第一次相互作用的点。多流体动力学是一种优雅但现象学的方法，可以解释中能级原子核-核碰撞的复杂时空图景。在多流体方法中，人们将入射原子核近似为两个冷且富含重子的团块
使用结构 MRI 图像对阿尔茨海默病中的渐进性 MCI 进行分类的多流卷积神经网络
摘要 — 早期诊断阿尔茨海默病及其前驱期（也称为轻度认知障碍 (MCI)）至关重要，因为一些患有进行性 MCI 的患者会患上这种疾病。我们提出了一种多流深度卷积神经网络，该网络以基于块的图像数据为输入，以对稳定性 MCI 和进行性 MCI 进行分类。首先，我们将阿尔茨海默病的 MRI 图像与认知正常受试者的 MRI 图像进行比较，以使用多元统计检验识别不同的解剖标志。然后使用这些标志提取块，并将其输入到所提出的多流卷积神经网络中以对 MRI 图像进行分类。接下来，我们使用来自阿尔茨海默病图像的样本在单独的场景中训练架构，这些样本在解剖学上与进行性 MCI 图像和认知正常图像相似，以弥补进行性 MCI 训练数据的不足。最后，我们将训练好的模型权重转移到所提出的架构，以便使用进行性 MCI 和稳定 MCI 数据对模型进行微调。在 ADNI-1 数据集上的实验结果表明，我们的方法优于现有的 MCI 分类方法，F1 分数为 85.96%。
用于人体工程学研究的新型可穿戴多流数据采集和分析系统的验证
摘要：如今，人们对在日常生活场景中收集生理数据和人类行为的兴趣日益浓厚，与此同时，记录大脑和身体信号的无线设备也越来越多。然而，这些解决方案所特有的技术问题往往限制了现实生活中与大脑相关的全面评估。在这里，我们介绍了 Biohub 平台，这是一个用于多流同步采集的硬件/软件 (HW/SW) 集成可穿戴系统。该系统由现成的硬件和最先进的开源软件组件组成，它们高度集成到一个高科技低成本解决方案中，完整且易于在传统实验室外使用。它可以灵活地与多种设备配合使用，无论制造商是谁，并克服了记录设备可能有限的资源。通过表征 (i) 多流同步、(ii) 与医疗级高密度设备相比的实验室脑电图 (EEG) 记录的质量，以及 (iii) 真实驾驶条件下的脑机接口 (BCI)，对 Biohub 进行了验证。结果表明，该系统能够可靠地获取具有高时间精度的多数据流并记录标准质量的脑电信号，成为用于驾驶、远程康复和职业安全等高级人体工程学研究的有效设备。
