XiaoMi-AI文件搜索系统
World File Search System据预测
利用非脑和多模态脑成像数据预测健康和病理衰老过程中未来的认知能力下降
a 瑞士苏黎世大学心理学系可塑性研究方法 b 瑞士苏黎世大学和苏黎世联邦理工学院苏黎世神经科学中心 (ZNZ) c 瑞士苏黎世大学大学研究优先计划“健康老龄化动力学” d 法国帕莱索巴黎萨克雷大学、Inria、CEA e 德国莱比锡马克斯普朗克人类认知和脑科学研究所神经病学系 f 加拿大魁北克省蒙特利尔蒙特利尔大学老年医学研究所功能神经影像科 g 美国德克萨斯州奥斯汀德克萨斯大学戴尔医学院计算神经影像实验室 h 美国密歇根州底特律韦恩州立大学老年学研究所和心理学系 i 加拿大蒙特利尔康考迪亚大学心理学系 j 大脑与运动研究所认知神经解剖学实验室épinière，法国巴黎 k 德克萨斯大学心理学系，美国德克萨斯州奥斯汀
使用可穿戴的24小时体育活动数据预测睡眠质量：健身跟踪方法
摘要：本研究提出了一种独特的方法，可以使用Apple Watch（例如Apple Watch）在24小时内收集的体育活动数据来估算睡眠质量。我们使用机器学习模型，即随机森林和极端的梯度提升，研究生理参数（例如心率和活动水平）与睡眠模式之间的联系。用户可以使用所产生的个性化见解来了解日常活动如何影响他们，从而提高其睡眠质量。根据我们的研究，可穿戴技术和预测分析可以改善一般健康状况。关键字：Apple Watch，可穿戴技术，机器学习，体育锻炼，健身跟踪和睡眠质量预测1.的介绍确实，预测最近日常活动的睡眠质量仍然很困难，而非常大的可穿戴设备提供了包含睡眠和体育锻炼的信息。人们监控其健康和健康的方式发生了范式转变。可穿戴设备（例如Fitbit，Apple Watch和Garmin）提供有关健康指标的实时数据，例如心率，步骤计数和能量消耗[1] [2]。这些可穿戴设备以及其他参数以及其他参数监控心率，步骤，能量使用和睡眠方式。有很多原因导致睡眠质量和睡眠时间有利于整体健康状况。此外，显然可以将睡眠不足与许多健康问题联系在一起，并严重影响有关整体福祉的风险：心血管疾病，肥胖，糖尿病和认知能力下降。睡眠不佳会导致心血管疾病，肥胖和糖尿病[7]。尽管可穿戴设备提供了有关睡眠和体育锻炼的大量信息，但根据他们的日常活动来预测睡眠的质量仍然具有挑战性。尽管今天可用的健身监视应用程序提供了有关睡眠长度，舞台分解和中断的数据；他们没有为用户提供预测性见解，以提高未来的睡眠质量。本研究解决了使用24小时内收集的体育活动数据准确预测睡眠质量的问题。我们旨在开发一个健康应用程序，该应用程序利用用户的24小时体育活动数据来通过机器学习模型来预测睡眠质量。该应用程序将利用可穿戴设备的数据来捕获诸如步骤计数，静止和主动心率，燃烧的卡路里，心率变异性（HRV），氧饱和度和VO2 Max等测量值。应用程序使用机器学习模型，例如随机森林和极端梯度提升（XGBoost），以找到与不同睡眠质量水平（优秀，中性或差）相对应的模式。
迈向精确肿瘤学：使用临床数据预测头部和颈部癌的死亡率和无复发生存
摘要 - 由于其异质性和高死亡率，头部和颈部鳞状细胞癌（HNSCC）在临床肿瘤学上提出了重大挑战。本研究旨在利用临床数据和机器学习（ML）原则来预测HNSCC患者的关键结果：死亡率和无复发生存。利用来自癌症成像档案的数据，实施了广泛的管道，以确保强大的模型培训和评估。合奏和包括XGBoost，随机森林和支持向量在内的单个分类器被用来开发预测模型。该研究确定了影响HNSCC死亡率结果并实现预测准确性和Roc-AUC值超过90％的关键临床特征。支持向量机在无复发生存方面表现出色，召回率为0.99，精度为0.97。关键的临床特征，包括机能控制，吸烟和治疗类型，被确定为患者预后的关键预测指标。这项研究强调了使用ML驱动的见解来提高Prog-Prog-准确性并优化HNSCC中的个性化治疗策略的医学影响。索引术语 - HHNSCC，精确肿瘤学，机器学习，临床结果，无复发生存，死亡率预测，个性化医学。
对心理的被动传感：利用可穿戴技术的数据预测情绪状态
摘要。抑郁症和焦虑是世界上最常见的精神健康障碍，导致了大量发病和死亡。过去的治疗主要集中在治疗抑郁症和焦虑症上。但是，迫切需要检测慢性压力状态并可能使用即时的个性化干预措施进行干预。现代技术彻底改变了我们被动测量各种生物学和生理信号的能力。在我们的日常生活中，我们从手机，可穿戴技术，手表甚至计算机和汽车中产生大量的电子数据。在此分析中，我们专注于使用Fitbit的可穿戴数据来被动地预测日常情绪状态（例如，悲伤/紧张/焦虑与快乐）。我们使用弹性净回归机器学习算法的日常使用来自38名参与者的每日FITBIT数据和约1200天的数据来预测情绪状态（例如，悲伤/紧张/焦虑与快乐）。我们能够使用交叉验证的机器学习算法准确地预测这些状态，并确定了每个情绪状态的特征。在此概念验证分析中，我们表明，预测日常情绪状态是可行的，并且不仅可能有助于检测日常情绪状态，还可以提高被动意识并提供及时的干预措施。
cliz：使用自适应微调数据预测为气候数据集优化有损压缩
摘要 - 从尖端的超级计算机中获得支持极大的科学模拟，气候研究在过去几十年中取得了显着发展。，在有效地存储和传输大规模的气候数据之间，出现了新的关键挑战。在本文中，我们开发了CLIZ，这是一种有效的在线错误控制有损压缩方法，具有优化的数据预测和对气候数据集跨各种气候模型的编码方法。一方面，我们探索了如何利用气候数据集的特定属性（例如蒙版信息，维度置换/融合和数据周期性模式）以提高数据预测准确性。另一方面，Cliz采用了一种新型的多霍夫曼编码方法，可以显着提高编码效率。因此显着提高了压缩比。我们根据具有不同模型的多个实地世界气候数据集评估了CLIZ与许多其他最先进的错误控制损耗压缩机（包括SZ3，ZFP，SPERR和QOZ）。实验表明，Cliz在气候数据集上的表现优于第二好的压缩机（SZ3，SPERR或QOZ1.1）的压缩比的压缩率高20％-200％。cliz可以将两个远程Globus终点之间的数据传输成本显着降低32％-38％。索引术语 - 错误控制的损耗压缩，气候数据集，分布式数据存储库/数据库
使用机器学习基于地理位置的犯罪数据预测
表5。优化的决策树的性能和验证精度............. 28表6。Classification report of decision tree......................................................29 Table 7.决策树的混乱矩阵................................................................................................................................................................................................................................................................................................................................................................................................................................................................... 29表8。优化的模型参数值和验证精度......................................................................................................................................................................................................................................................... 31
使用机器学习从现场数据预测电动汽车能源
摘要 - 这项研究解决了准确预测电动汽车能源消耗（EV）的挑战，这对于减少范围焦虑和进步的充电和能量优化至关重要。尽管当前预测方法（包括经验，基于物理和数据驱动的模型）的局限性，但本文介绍了一种新颖的基于机器学习的预测框架。它整合了物理知识的功能，并将离线全球模型与特定于车辆的在线改编相结合，以提高预测准确性并评估不确定性。我们的框架经过来自现实世界中电动汽车车队的数据的广泛测试。虽然领先的全球模型，即分位数回归神经网络（QRNN）的平均误差为6.30％，但在线适应进一步降低至5.04％，两者都超过了现有模型的性能。此外，对于95％的预测间隔，在线改编的QRNN将覆盖范围提高到91.27％，并将预测间隔的平均宽度减少到0.51。这些结果证明了利用基于物理的特征和基于车辆的在线适应来预测EV能源消耗的有效性和效率。
scNode：时间单细胞转录组数据预测的生成模型
在不同时间点上单细胞基因表达的测量可以研究细胞降低。然而，由于与单细胞实验相关的资源限制和技术挑战，研究人员只能在离散和稀疏采样的时间点上介绍基因表达。此缺失的时间点信息阻碍了下游细胞发育分析。我们提出了SCNode，这是一个端到端的深度学习模型，可以在未观察到的时间点上在硅单细胞基因表达中进行预测。scnode将变异自动编码器（VAE）与神经常规微分方程（ODE）集成在一起，以使用连续和非线性潜在空间预测基因表达。重要的是，我们结合了一个动态正规化项，以学习一个潜在空间，该空间在预测未观察到的时间点上的单细胞基因表达时具有稳健的分布变化。我们对三个现实世界scrna-seq数据集的评估表明，SCNODE比最新方法具有更高的预测性能。我们进一步证明，SCNODE的预测有助于在缺失的时间点范式下的细胞轨迹推断和学习的潜在空间在沿发育细胞路径的相关基因的硅扰动分析中有用。数据和代码可在https://github.com/rsinghlab/scnode上公开获得。
宏观经济数据预测模型的构建和优化
摘要： - 人力资本首先被视为宏观经济发展中的生产成分，但内源性生长理论最终取代了这一观点。大多数早期研究都使用计量经济学模型来研究GDP预测。由于机器学习模型可以有效地解决非线性相互作用，因此该研究通过使用机器学习方法来检查链接提供了新的视角。使用最佳的机器学习技术，特别是支持向量机器，创建了经济发展的预测模型。为了改善SVM预测，使用贝叶斯方法和多个内核函数优化了超级参数。三个统计指标 - 确定系数，平均绝对误差和均方根误差用于评估模型的有效性。
研究文章 使用魁北克卫生管理数据预测自杀风险的可解释人工智能模型
1 加拿大魁北克省拉瓦尔大学智力与知识研究所 (IID)、2 加拿大魁北克省魁北克省国立公共卫生研究所 (INSPQ)、3 加拿大魁北克省蒙特利尔大学精神病学和成瘾学系、4 加拿大魁北克省蒙特利尔大学心理健康研究所研究中心、5 加拿大渥太华加拿大公共卫生署健康促进和慢性疾病预防处监测和应用研究中心、6 加拿大蒙特利尔大学公共卫生学院社会与预防医学系、7 加拿大蒙特利尔蒙特利尔心理健康大学研究所研究中心、8 加拿大哈利法克斯达尔豪西大学医学院社区健康和流行病学系