XiaoMi-AI文件搜索系统
World File Search System平均距离
聚醚醚酮的计算机辅助设计及其在儿科可拆卸间隙保持器中的应用
背景：乳牙过早脱落是儿童牙科的常见问题，导致牙弓完整性被破坏。因此，用于维持空间的间隙保持器 (SM) 是必需的。然而，目前制作可拆卸间隙保持器 (RSM) 的方法存在一些局限性。方法：利用扫描技术结合激光医学图像重建获得牙列缺损的数字模型。使用 3Shape 软件设计数字 RSM。它们使用两种方法制造：聚醚醚酮 (PEEK) 和传统方法（每组 20 个 RSM）。对于定性评估，10 位专家使用 Likert 五点量表对 40 个 RSM 进行评分。用硅胶替换 RSM 组织表面和模型之间的间隙，并测量最大和平均距离以及标准差。使用三维变异分析来测量这些空间。使用学生 t 检验和 Satterthwaite t 检验来比较不同材料的空间差异。结果：PEEK RSMs与模型拟合度较好，定性评估中，PEEK组和常规组的专家平均评分分别为1.80±0.40和1.82±0.40，两组间差异无统计学意义（p=0.875）；定量评估中，PEEK数字RSMs和常规RSMs的平均间距分别为44.32±1.75μm和137.36±18.63μm，两组间差异有统计学意义（p<0.001），且两组间的最大间距和标准差均有显著差异。
在七个环境下，在重组培养花生的重组近交系种群中，在七个环境下为数百种子重量的定量性状基因座（QTL）绘制定量性状基因座（QTL）（Arachis hypogaea L.）
摘要：耕种的花生（Arachis hypogaea L.）是全球重要的油和现金作物。一百个烟和种子的重量是花生产量的重要组成部分。在当前的研究中，为了揭开一百个pod重量（HPW）和百分子重量（HSW）的遗传基础，从JH5（JH5，大豆荚和种子重量和种子重量）之间的十字架开发了一个重组近交系（RIL）人群，并使用M130（小荚和种子重量）（小荚和种子重量），并用来识别QTLS和HPW和HPW。使用SSR，AHTE，SRAP，TRAP和SNP标记构建了一个集成的遗传链接图。该地图由3130个遗传标记组成，分配给20个染色体，并覆盖1998.95 cm，平均距离为0.64 cm。在此基础上，HPW和HSW的31个QTL位于7个染色体上，每个QTL占表型方差的3.7–10.8％（PVE）。其中，在多个环境下检测到了七个QTL，并且在B04和B08上发现了两个主要的QTL。值得注意的是，染色体A08上的QTL热点在2.74 cm的遗传间隔内包含7个QTL，其中包括0.36 MB物理图，包括18个候选基因。Arahy.d52S1Z，Arahy.ibm9rl，Arahy.W18Y25，Arahy.cplc2w和Arahy.14H.14H可能在调节花生荚和种子重量中发挥作用。这些发现可以促进进一步研究培养花生中影响豆荚和种子重量的遗传机制。
有机和无机兴奋剂的效果...
本文提出了使用摄像机使用Agisoft和CloudCompare软件创建工程对象的3D公制模型的可能性。传统的摄影测量技术并不总是与市场所需的生产紧迫性相匹配。复杂性，从而导致成本，时间和工作的繁琐。此处称为视频图表技术的摄像机技术的使用可与拍照相媲美，但是，它允许加快获取数据的过程，在许多情况下，这是任何B Anyb任何项目或研究的关键元素。进行了三个拍摄对象的3D建模质量的分析，这使作者可以完善获取图像以进行空间分析的过程。“视频图”的应用技术与拍照相当，但允许数据采集过程加快加速，在许多情况下，这是现场研究的关键要素。来自非金属摄像机的3D对象视频由Agisoft Metashape处理。为了能够评估视频图数据的准确性，使用了良好的激光扫描仪技术的数据进行比较。激光扫描仪数据已在Autodesk recap中进行了预处理。手动注册是通过三项扫描中的14分进行的。将两个3D模型导出到CloudCompare软件进行比较和进一步分析。对拍摄的三个对象的3D建模质量进行了分析，从而可以完善获取图像以进行空间分析的过程。本文介绍了使用非金属手机摄像机“视频图”的可能性，以使用Agisoft和CloudCompare软件创建工程对象的公制3D模型。在CloudCompare中进行了注册，云到云（C2C）和配置文件分析，以确定由视频图数据所产生的3D模型的不确定性确定为两个模型之间的分离距离。结果表明，激光扫描仪和视频图中的分离平均距离得出的3D模型点云为34厘米，XY平面的平均轮廓分离为25 cm，Z平面为1.9 cm。使用云到云PCV确定平均差84 cm。
Takens 定理用于评估脑电图轨迹：脑动力学的区域变化 Arturo Tozzi（通讯作者） 非线性科学中心，系
使用 Takens 定理评估 EEG 轨迹：大脑动力学的区域变化 Arturo Tozzi（通讯作者） 美国德克萨斯州登顿市北德克萨斯大学物理系非线性科学中心 1155 Union Circle, #311427 Denton, TX 76203-5017 USA tozziarturo@libero.it Ksenija Jaušovec 马里博尔大学心理学系 ksenijamarijausovec@gmail.com 摘要 Takens 定理 (TT) 证明动态系统的行为可以在多维相空间内有效重建。这为检查时间序列数据的时间依赖性、维度复杂性和可预测性提供了一个全面的框架。我们应用 TT 来研究健康受试者 EEG 大脑动力学的生理区域差异，重点关注三个关键通道：FP1（额叶区域）、C3（感觉运动区域）和 O1（枕叶区域）。我们使用时间延迟嵌入为每个 EEG 通道提供了详细的相空间重建。重建的轨迹通过测量轨迹扩展和平均距离进行量化，从而深入了解传统线性方法难以捕捉的大脑活动的时间结构。发现三个区域的变异性和复杂性不同，显示出明显的区域差异。FP1 轨迹表现出更广泛的扩展，反映了与高级认知功能相关的额叶大脑活动的动态复杂性。参与感觉运动整合的 C3 表现出中等变异性，反映了其在协调感觉输入和运动输出方面的功能作用。负责视觉处理的 O1 显示出受限且稳定的轨迹，与重复和结构化的视觉动态一致。这些发现与不同皮质区域的功能特化相一致，表明额叶、感觉运动和枕叶区域具有自主的时间结构和非线性特性。这种区别可能对增进我们对正常大脑功能的理解和促进脑机接口的发展具有重要意义。总之，我们证明了 TT 在揭示脑电图轨迹区域变化方面的实用性，强调了非线性动力学的价值。关键词：脑电图分析；脑动力学；相空间重建；区域变化。引言人类大脑是一个复杂的非线性系统，善于通过动态交互处理大量信息（Khoshnoud 等人，2018 年；Zhao 等人，2020 年；Dai 等人，2022 年；Biloborodova 等人，2024 年）。脑电图 (EEG) 是一种非侵入性、高分辨率的脑活动研究方法。尽管如此，传统的线性分析技术往往无法表示脑电图信号复杂的非线性特征（Alturki 等人，2020 年）。为了解决这一限制，非线性动力学和混沌理论已成为理解大脑活动的有力框架，其中 Takens 定理（以下简称 TT）奠定了基础。TT 确定了动态系统的行为可以在多维相空间中使用来自观测数据的单个时间序列的时间延迟版本重建（Takens 1981）。在 EEG 分析中，TT 提供了一种强大的数学工具来研究时间演变，揭示了线性方法无法发现的特性（Rohrbacker 2009）。通过重建相空间，研究人员可以分析关键的 EEG 动态特性，例如时间依赖性、维度复杂性和可预测性（Kwessi 和 Edwards，2021）。这种方法已被证明可用于识别与各种认知和病理状况相关的神经动力学变化（Fell 等人，2000 年）。先前的研究强调了 TT 在分析脑电信号方面的有效性，尤其是在识别癫痫、阿尔茨海默病和精神分裂症等病理状况方面（Kannathal 等人，2005 年；Altındi ş 等人，2021 年；Cai 等人，2024 年；Al Fahoum 和 Zyout，2024 年）。然而，人们较少关注这种方法在正常条件下评估大脑动态区域变化的应用。不同的大脑区域表现出不同的电活动模式，反映了它们在认知、感觉和运动功能中的特殊作用。例如，额叶区域 (FP1) 与决策和工作记忆等高级认知过程有关。感觉运动皮层 (C3) 控制运动并整合感觉输入，而枕叶区域 (O1) 处理视觉信息。尽管这些区域的作用独特，但它们之间的相互作用有助于大脑的整体动态。2024)。然而，人们较少关注这种方法在正常情况下评估大脑动态区域变化的应用。不同的大脑区域表现出不同的电活动模式，反映了它们在认知、感觉和运动功能中的特殊作用。例如，额叶区域（FP1）与决策和工作记忆等高级认知过程有关。感觉运动皮层（C3）控制运动并整合感觉输入，而枕叶区域（O1）处理视觉信息。尽管它们的作用独特，但这些区域之间的相互作用有助于大脑的整体动态。2024)。然而，人们较少关注这种方法在正常情况下评估大脑动态区域变化的应用。不同的大脑区域表现出不同的电活动模式，反映了它们在认知、感觉和运动功能中的特殊作用。例如，额叶区域（FP1）与决策和工作记忆等高级认知过程有关。感觉运动皮层（C3）控制运动并整合感觉输入，而枕叶区域（O1）处理视觉信息。尽管它们的作用独特，但这些区域之间的相互作用有助于大脑的整体动态。