XiaoMi-AI文件搜索系统
World File Search System异常的
血脂异常的检测，评估和管理
加拿大艾伯塔省艾伯塔省艾伯塔省大学儿科史卷室儿童医院儿科心脏病学系； B加拿大魁北克蒙特利尔分校儿科儿科心脏病学系； c加拿大新斯科舍省哈利法克斯的达尔豪斯大学儿科儿科内分泌学系； D儿童心脏中心，不列颠哥伦比亚省儿童医院和不列颠哥伦比亚大学，加拿大不列颠哥伦比亚省温哥华； E舒利希医学和牙科学院医学系，加拿大安大略省伦敦； f加拿大魁北克蒙特利尔蒙特利尔大学儿科系；加拿大魁北克蒙特利尔的G Recherche Chu Sainte-Justine； H加拿大魁北克蒙特利尔市社会和预防医学系公共卫生学院； I麦克马斯特大学儿科，肥胖和糖尿病研究中心，加拿大安大略省汉密尔顿；加拿大魁北克蒙特利尔麦吉尔大学儿科j； K多伦多分校多伦多分校，加拿大多伦多分校儿科医学系； L Dalla Lana公共卫生学院，加拿大安大略省多伦多分校； M Labatt家庭心脏中心，病童医院，多伦多大学，多伦多大学，加拿大安大略省多伦多大学
传输保护系统异常的网络物理安全分析
输电系统中的组件，随着自动化的不断发展，正变得越来越数字化。这些数字系统容易受到漏洞/攻击，利用这些漏洞可能会对电网性能造成重大影响。控制中心报告的多个警报可能是由于保护系统中的故障（预期操作）或故障（异常/意外操作）造成的。通过相量测量单元 (PMU) 等传感器获得的态势感知和通过网络系统获取的数据为开发系统的持续网络物理监控提供了机会。请注意，控制中心不会连续报告继电器数据。本文介绍了一种基于网络物理数据分析的技术来监控输电保护系统并检测恶意活动。首先，使用长短期记忆 (LSTM) 对 PMU 数据进行持续监控以检测数据异常，包括坏数据或缺失数据。然后，使用半监督深度自动编码器模型，利用感兴趣的 PMU 数据进行故障诊断。在本研究中，通过操纵保护设备的设置/逻辑设计来建模网络异常，并使用基于岭回归的分类器和特征工程管道来检测网络异常。然后利用深度自动编码器模型和基于岭回归的分类器的结果进行详细调查，以找出观察的根本原因
一项初步研究显示，在认知健康但脑脊液淀粉样蛋白/tau 异常的个体中，任务切换揭示了脑心脏电生理特征异常
认知灵活性是指个人在任务之间切换的能力。它是一项核心执行功能，可以通过任务切换范式进行测试（Sauseng 等人，2006 年；Verstraeten 和 Cluydts，2002 年）。在任务切换过程中，与任务重复试验（低负荷）相比，任务切换试验（高负荷）所需的努力通常更大，这种现象称为切换成本（Hsieh 和 Allport，1994 年）。在任务切换范式中，与任务重复试验相比，任务切换试验的响应时间 (RT) 通常更长。切换试验所需的认知努力比重复任务所需的认知努力更大，这一研究相对较少（Wu 等人，2015 年）。早期 AD 中任务切换的表现会下降（Hutchison 等人，2010 年）。此外，任务切换与注意力控制紧密相关，注意力控制受切换/重复试验比例的调节（Schneider，2015 年）。
o r i g i n a l a rt i c l e与症状相关的差异神经影像标志物患有call体异常的儿童
我们旨在通过总结临床评估中报道的神经系统症状，并将其与回顾性收集的结构/扩散脑磁共振成像（MRI）衡量相关性，以确定患有call体疾病患者（DCC）患者的症状相关神经影像标志物（DCC）。所研究的大多数症状/疾病都与CC异常有关。总脑（TB）量与语言，认知，肌肉张力和代谢/内分泌异常有关。尽管白质（WM）体积与研究的症状无关，但灰质（GM）体积与认知，行为和代谢/内分泌疾病有关。右半球（RH）皮质厚度（CT）与语言异常相关，而左半球（LH）CT与癫痫有关。虽然Rh Gyrifacient Index（GI）与所研究的任何症状无关，但LH GI与认知障碍唯一相关。DCC患者的患者和对照组之间的GM体积和LH/RH CT显着更大，而WM体积和LH/RH GI在对照组中的明显更大。TB的体积和组织微观结构的扩散指数没有显示两组之间的差异。总而言之，我们的基于大脑MRI的措施成功地揭示了与许多症状的差异联系。具体来说，LH GI异常可以是DCC患者的预测因子，这与患者的症状唯一相关。此外，CC异常患者的结核病体积正常和整体组织微观结构，具有GI指示的可能恶化的机制以扩展/折叠大脑。
胎儿脑异常的识别和分类
E. Saraswathi a、S.Kalaiarasi b 和 A. Sharmila Agnal ca,c 印度钦奈 SRM 科学技术学院计算机科学与工程系助理教授 b 研究学者/CSE，Saveetha 工程学院 文章历史： 收到日期：2021 年 1 月 10 日；修订日期：2021 年 2 月 12 日；接受日期：2021 年 3 月 27 日；在线发表日期：2021 年 4 月 20 日 _____________________________________________________________________________________________________ 摘要：在当今世界，不仅成人、儿童、青少年患有不同的疾病，而且尚未出生的婴儿也患有各种异常。我们听到很多案例，孩子出生时就患有某种残疾，由于发现和治疗残疾的延迟，残疾变成了永久性的。每千名妇女中，就有三名怀上了异常孩子。如果我们以某种方式在胎儿阶段检测到孩子的异常并据此进行手术和用药，那么就可以非常有效和高效地治疗异常。我们的论文讨论了使用各种深度学习技术和算法检测和分类胎儿大脑异常的相同概念。之前也有类似的研究，但其他人使用的技术包括机器学习，它有一些缺点，可以使用深度学习技术解决。深度学习比机器学习更高效、更有优势。在我们的检测方法中，我们借助 MRI（磁共振成像）技术首先捕捉胎儿的大脑图像。然后我们执行各种预处理步骤来提取 ROI（感兴趣区域）。然后我们使用特征提取和缩减技术来获得更清晰、更详细的胎儿图像。我们将图像与正常的胎儿大脑图像进行比较，以对异常进行分类和检测。我们使用深度学习技术的 CNN（卷积神经网络）分类器算法来实现高水平的准确性。 CNN 算法优于机器学习技术的 k 均值聚类和 SVM 分类器算法。我们的工作显示出比以前的模型更高的准确性，我们未来的工作将涉及增加分类和数据。关键词：MR 图像、CNN 分类器、胎儿脑、DWT、预处理、分割。
重力异常的量子信息理论
摘要我们表明，对于重力异常的二维理论而言，纠缠的标准概念并未定义，因为它们不接受希尔伯特空间的局部张量分支到局部希尔伯特空间中。定性地，如果有不同数量的状态在两个相反的方向上传播，则模块化流量不能在有限的区域始终如一和单位作用。我们通过将其分解为两个观察来确切化：首先，二维形式的保形场理论在空间上只有在没有异常的情况下，才能在空间上进行一致的量化。第二，局部张力分解始终导致定义一致，统一，能量的边界条件。作为推论，我们建立了对所有二维统一局部量子界理论的尼尔森 - 尼诺亚定理的概括：除非其引力静脉消失，否则在二维中没有连续的量子界面理论。我们还表明，结论可以通过减小的四个非趋势签名来推广到六个维度。我们主张这些点可用于理论上重新解释引力异常量子信息，作为对量子信息定位的基本障碍。
治疗血脂异常的药品临床评价指导原则
1 日本大阪临空综合医疗中心 2 日本东京大学医学院老年医学系 3 日本爱知县国立老年医学中心 4 日本宫崎县宫崎县宫崎市医学院病理学系 5 日本山梨县盐山市民医院儿科 6 日本福冈县九州大学医学院心血管医学系 7 日本大阪国立心脑血管中心研究所分子发病机制系 8 日本兵库县神户大学医学院内科心血管医学分部 9 日本栃木县自治医科大学医学系内分泌代谢分部 10 日本金泽医科大学心脏病学系 11 日本东京东丽工业公司 12杏林大学医学院，日本东京 13 名古屋大学医学院社区医疗保健和老年医学系，日本爱知县 14 日本大阪国立心脑血管中心研究所脂质学分子创新系 15 日本东京庆应义塾大学医学院预防医学和公共卫生系 16 日本东京东京女子医科大学心脏病学系 17 日本茨城县筑波大学医学院内科学系（内分泌和代谢） 18 日本东京帝京大学医学院内科学系 19 日本京都大学医学院临床创新医学系 20 日本千叶大学医学院内分泌学、血液学和老年医学系，日本千叶县 21 日本东京医科齿科大学医学医院医学遗传学系
血脂异常的基因检测：国家脂质协会的科学声明
美国马里兰州巴尔的摩市约翰霍普金斯大学遗传性心脏病中心遗传咨询师（Brown 博士）；美国宾夕法尼亚州丹维尔市盖辛格基因组医学研究所教授（Sturm 博士）；美国宾夕法尼亚州费城宾夕法尼亚大学佩雷尔曼医学院医学系转化医学和人类遗传学分部医学研究副教授（Cuchel 博士）；美国伊利诺伊州芝加哥市拉什大学护理学院成人健康和老年护理系名誉教授（Braun 博士）；美国俄勒冈州波特兰市俄勒冈健康与科学大学奈特心血管研究所和内分泌、糖尿病和临床营养分部医学教授、脂质动脉粥样硬化实验室和固醇分析实验室主任（Duell 博士）；美国纽约州纽约市纽约大学医学院医学临床助理教授（Underberg 博士）；美国佐治亚州亚特兰大埃默里大学脂质诊所和心血管风险降低项目主任（Jacobson 博士）；加拿大安大略省伦敦西部大学舒立克医学和牙科学院医学系和罗伯茨研究所医学和生物化学教授（Hegele 博士）
引文：Astley Hemingway SJ、Davies JK、Jirikowic T、Olson EM (2020) 观察到的大脑结构和功能异常的比例
迄今为止，很少有研究检查这些其他产前和产后暴露对 PAE 儿童神经发育结果的综合影响。一些研究记录了 PAE 与产前可卡因暴露之间的相互作用 [10-12]。Streissguth 等人 [13] 记录了 FASD 患者中经历较长时间不良产后经历（虐待、暴力、忽视）的个体的结果受损程度高于经历较短时间不良产后经历的个体。在文献综述中，Price 等人 [14] 确定了五项研究创伤对 PAE 儿童的综合影响的研究。在其中一项研究中，与仅经历其中一种不良暴露的儿童相比，同时患有 PAE 和创伤的儿童更有可能出现语言、注意力、记忆力、智力方面的缺陷，并且行为问题更严重 [15]。最近，Uban 等人 [16] 评估了社会经济地位 (SES) 对患有和不患有 PAE 的儿童神经结构发育的影响。正如预期的那样，正常发育的未患 PAE 的青少年表现出皮层下体积增加和 SES 增加。但出乎意料的是，在患有 PAE 的青少年中没有观察到 SES-大脑关联。研究 PAE 和其他产前和产后风险因素对神经发育的不利影响的两个关键挑战是 1) 找到这些不利暴露和经历的可靠记录；2) 接触到接受过相同全面、标准化神经心理学评估和 MR 成像方案的研究人群。PAE 以及其他产前和产后风险通常记录在过去的医疗、法律和社会服务记录中；FASD 诊断诊所通常会获取这些记录以准备 FASD 诊断评估。审查和记录这些其他风险一直是 FASD 4 位代码的优先事项，FASD 4 位代码是一种系统化的、经过验证的诊断系统。这些风险因素正式记录在 FASD 4 位代码中
检测工业中异常的三层方法...
摘要 — 本文介绍了一种基于物联网 (IoT) 网络和机器学习算法设计定制解决方案以检测不同工业应用中的罕见事件的通用方法。我们提出了一个基于三层（物理、数据和决策）的通用框架，该框架定义了可能的设计选项，以便可以超可靠地检测到罕见事件/异常。然后将这个通用框架应用于一个众所周知的基准场景，即田纳西伊士曼过程。然后，我们在与数据处理相关的三个线程下分析这个基准：采集、融合和分析。我们的数值结果表明：（i）事件驱动的数据采集可以显著减少样本数量，同时过滤测量噪声，（ii）互信息数据融合方法可以显著减少变量空间，（iii）用于数据分析的定量关联规则挖掘方法对于罕见事件的检测、识别和诊断是有效的。这些结果表明，集成解决方案的优势在于，该解决方案根据所提出的一般三层框架共同考虑了不同级别的数据处理，包括要采用的通信网络和计算平台的细节。