XiaoMi-AI文件搜索系统
World File Search System持续时间
影响者的无关性：在社交网络模型中，具有重新激活和免疫力的信息传播持续时间呈指数级增长
网络上的信息传播模型处于人工智能研究的前沿。此类模型的动态通常遵循流行病学中的随机模型，不仅用于模拟感染，还用于模拟各种现象，包括计算机病毒的行为和病毒式营销活动。在这种情况下，一个核心问题是如何有效地检测宿主图中最具影响力的顶点，以使感染存活时间最长。在包含顶点重新感染的过程中，例如 SIS 过程，理论研究确定了参数阈值，其中过程的存活时间迅速从对数转变为超多项式。这些结果与起始配置相关的直觉相矛盾，因为该过程总是会快速消亡或几乎无限期地存活。这些结果的一个缺点是，到目前为止，尚未对包含短期免疫（或创意广告疲劳）的模型进行这样的理论分析。我们通过研究 SIRS 过程（一个更现实的模型，除了重新感染外，还包含短期免疫）来缩小文献中的这一差距。在复杂网络模型中，我们确定了使过程能够以指数级增长存活的参数范围，并得到了随机图的严格阈值。这些结果的基础是我们的主要技术贡献，揭示了 SIRS 过程在具有大型扩展子图的图（例如社交网络模型）上存活时间的阈值行为。
Nirmatrelvir/利托那韦可缩短高危患者亚群中 COVID-19 症状的持续时间
mITT1=修改后的意向治疗 1；阴性=不存在 SARS-CoV-2 抗体；NMV/r=尼玛瑞韦/利托那韦；阳性=存在 SARS-CoV-2 抗体。NMV/r 组和安慰剂组之间的显著差异用星号表示：* P ≤ 0.05、** P ≤ 0.001 和 *** P ≤ 0.0001。使用 Cox 比例风险模型分析每个亚组内治疗对持续缓解时间的影响，该模型以治疗和地理区域为独立变量，以基线 SARS-CoV-2 血清学状态和基线病毒 RNA 水平（< 4 vs ≥ 4 log 10 拷贝/mL）和基线症状出现持续时间（从症状出现到现在的时间，≤ 3 vs > 3 天）作为协变量。
粪便微生物组的组成和在不同持续时间和储存条件下冷冻保存的犬凳的多样性
最近已经建立了针对患有胃肠道和代谢性疾病的人类的新鲜粪便银行，并正在持续努力建立第一家兽医新鲜冻结的凳子银行。新鲜的冷冻储存的粪便提供了提高能力和可访问性高质量最佳供体粪便材料的优势。尚未在狗中报道过冷冻犬粪在粪便微生物组组成和多样性方面的稳定性，这为这项研究提供了基础。我们假设，与在冷冻前评估的基线样品相比，将粪便微生物组成和健康狗的多样性保持稳定，持续12个月。粪便样品，手动匀浆，冷冻保存在20％的甘油中并等分，在液氮中冷冻，并在-20°C或-80°C下储存3、6、6、9和12个月。在基线和存储期间后，在粪便DNA提取之前将等分试样融化并用单丙嗪治疗。在治疗组中比较了长阅读16S-RRNA扩增子测序，细菌群落组成和多样性。我们证明，从20个显然健康的狗中收集的新鲜固定犬凳可以在-80°C中存储长达12个月，而微生物群落组成和多样性的变化很小，并且在-80°C的储存量最小，而在-20°C下的存储量优于存储。我们还发现，狗之间的差异对社区组成和多样性的影响最大。某些细菌类群的相对丰度，包括已知的短链脂肪酸生产者，随着特定的储存温度和持续时间的差异很大。需要进一步的工作来确定细菌群落组成和多样性不同的粪便供体材料以及持续时间的多样性是否可能导致临床疗效的差异，以造成粪便微生物群移植的特定临床指示。
氢的持续时间存储和网格平衡服务
•到2050年，全球电力需求增加了一倍•间歇发电> 2050年总容量的70％•目前提供备份的天然气峰值•很快，天然气机队将无法弥补任何不足。•LDE和氢将提供很大一部分短缺•储备能力，替换，反应能力，惯性，频率和电压法规等应用，代表主要市场•氢需求在欧洲净 - 零
长期持续时间存储示范请求信息
随着加利福尼亚州加速可再生能源以实现脱碳目标的部署，电网将继续发展，以容纳更多可再生能源，LDE的重要性将继续增长，以帮助维持网格可靠性。因此，CEC正在追求新兴LDES技术的演示和部署，该技术使用商业锂离子（Li-Ion）技术的替代方案。这些非LI技术可以帮助加利福尼亚实现其雄心勃勃的目标，即在2035年之前部署19.5吉瓦（GWS）的储能和52 GWS。为了满足这一具有挑战性的目标，CEC正在与行业合作伙伴合作，以使该州的储能组合多样化。在2022-2023和2023-2024财政年度中，CEC分别获得了1.4亿美元的一般资金和1.9亿美元的温室耗气资金（GGRF），以通过LDES计划来支持这一工作。CEC使用初始LDES计划资金授予将部署五种独特的非LI LDE技术的赠款协议。为了使未来的竞争力，非LI技术系统的尺寸必须为20-40兆瓦时（MWH），并旨在在未来3 - 6年内扩展到200-400 MWH或更多。
新英格兰储能持续时间研究
未来可能会或可能不会出现。虽然我们认为这些假设对于准备我们的分析而言是合理的，但它们取决于我们或任何其他人无法控制的未来事件。实际的未来结果可能与这些预测中评估的结果存在重大差异。没有人能保证所使用的假设和方法将被证明是正确的，或预测将与实际运营结果相符。我们不对任何特定未来结果的可能性作出任何陈述，并且不能也不会对遭受的损失承担责任。
糖尿病性视网膜病的短期持续时间作为预测因子...
背景：糖尿病性视网膜病（DR）是糖尿病肾脏疾病（DKD）的危险因素。DR的持续时间，尤其是DR的短期持续时间是否与DKD的发展和发展有关。材料和方法：进行了回顾性研究和两样本的孟德尔随机分析（MR）分析。肾脏疾病是由尿白蛋白与促甲酸比例（ACR）和估计的肾小球滤过率（EGFR）定义的。DR是由专家眼科医生诊断的，使用数字眼镜摄像头。二进制和顺序逻辑回归分析。利用有限的立方样条来检测非线性关联。从Finngen和UK Biobank Consortia中提取了DR-和DKD相关的单核多态性（SNP）的摘要统计数据。 结果：包括2674例2型糖尿病（T2DM）和2型糖尿病肾脏疾病（T2DKD）患者。 随着ACR的升高和EGFR的下降，DR的患病率和平均持续时间增加。 在生命的第五年，DR患者的肾功能显着降低。 二进制和序数逻辑回归表明，DR持续时间的每1年增加与DKD的发展风险增加19％，ACR升高16％，肾功能下降的率为21％。 MR估计表明，DR与DKD发展有因果关系，优势比为2.89。 结论：DR和DR的持续时间是DKD发展和发展的独立危险因素。摘要统计数据。结果：包括2674例2型糖尿病（T2DM）和2型糖尿病肾脏疾病（T2DKD）患者。随着ACR的升高和EGFR的下降，DR的患病率和平均持续时间增加。在生命的第五年，DR患者的肾功能显着降低。二进制和序数逻辑回归表明，DR持续时间的每1年增加与DKD的发展风险增加19％，ACR升高16％，肾功能下降的率为21％。MR估计表明，DR与DKD发展有因果关系，优势比为2.89。结论：DR和DR的持续时间是DKD发展和发展的独立危险因素。DR的短期持续时间可能与DKD的发展有关。DR对DKD具有统计学上的显着影响。
睡眠持续时间及其随时间的变化与脑血管病、淀粉样蛋白、Tau 蛋白和神经退行性病理的影像生物标志物之间的关联
结果：PET 成像样本中，受试队列包括 271 名参与者（年龄 53.6 ± 8.0 岁；51% 为男性），MRI 样本中，受试队列包括 2,165 名参与者（年龄 61.3 ± 11.1 岁；45% 为男性）。未观察到横断面睡眠持续时间与神经影像学指标之间完全校正的关联。在完全调整模型中，与持续睡眠 7 - 8 小时的人群相比，随着时间的推移，睡眠时间延长的人群过渡到睡眠时间较长的人群的 FW 分数更高（从短到平均 β [SE] 0.0062 [0.0024]，p = 0.009；从短到长 β [SE] 0.0164 [0.0076]，p = 0.031；从平均到长 β [SE] 0.0083 [0.0022]，p = 0.002），而那些从平均睡眠时间过渡到长睡眠时间的人群的 WMH 负担也更高（β [SE] 0.29 [0.11]，p = 0.007）。在完全调整的模型中，与持续睡眠 7 - 8 小时的人相比，持续睡眠 ≥ 9 小时的参与者观察到了相反的关联（较低的 WMH 和 FW）（β [SE] - 0.43 [0.20]，p = 0.028；β [SE] - 0.019 [0.004]，p = 0.020）。在完全校正模型中，睡眠时间每增加一小时（持续，β [SE] 0.12 [0.04]，p = 0.003；β [SE] 0.002 [0.001]，p = 0.021）及睡眠持续时间大幅增加（≥ 2 小时 vs 0 ± 1 小时变化；β [SE] 0.24 [0.10]，p = 0.019；β [SE] 0.0081 [0.0025]，p = 0.001），均与更高的 WMH 负担和 FW 分数相关。睡眠持续时间变化与 PET 淀粉样蛋白或 tau 蛋白结果无关。
根据恒定电压充电持续时间
摘要：必须精确地确定锂离子电池的健康状况（SOH），以确保包括电动汽车中的储能系统的安全功能。尽管如此，通过分析日常情况下的全电荷 - 放电模式来预测锂离子电池的SOH可能是一项艰巨的任务。通过分析放松阶段特征来进行此操作，需要更长的闲置等待期。为了面对这些挑战，本研究根据恒定电压充电阶段观察到的特征提供了一种SOH预测方法，并深入研究了有关恒定电压充电期间所包含的有关电池健康的丰富信息。创新，这项研究表明，使用恒定电压（CV）充电时间作为SOH估计模型的健康特征的统计数据。特定的新特征，包括恒定电压充电的持续时间，CV充电序列时间的香农熵以及持续时间增量序列的香农熵，是从CV充电相数据中提取的。然后，通过弹性净回归模型执行电池的健康估计。实验得出的结果验证了该方法的效率，因为它的平均平均绝对误差（MAE）仅为0.64％，最大根平方误差（RMSE）为0.81％，平均确定系数（R 2）为0.98。上述陈述可以证明所建议的技术对SOH的估计具有很高的精度和可行性。