XiaoMi-AI文件搜索系统
World File Search System据预测
人工智能模型（整倍体预测算法）可以根据延时数据预测胚胎倍性状态
摘要背景：对于延时摄影技术（TLT）与胚胎倍性状态之间的关联，目前尚未完全阐明。TLT具有数据量大、非侵入性的特点。如果想从TLT准确预测胚胎倍性状态，人工智能（AI）技术是一个不错的选择。但目前AI在该领域的工作需要加强。方法：研究共纳入2018年4月至2019年11月的469个植入前遗传学检测（PGT）周期和1803个囊胚。所有胚胎图像均在受精后5或6天内通过延时显微镜系统捕获，然后进行活检。所有整倍体胚胎或非整倍体胚胎均用作数据集。数据集分为训练集、验证集和测试集。训练集主要用于模型训练，验证集主要用于调整模型的超参数和对模型进行初步评估，测试集用于评估模型的泛化能力。为了更好的验证，我们使用了训练数据之外的数据进行外部验证。从2019年12月至2020年12月共155个PGT周期，523个囊胚被纳入验证过程。结果：整倍体预测算法（EPA）能够在测试数据集上预测整倍体，曲线下面积（AUC）为0.80。结论：TLT孵化器已逐渐成为生殖中心的选择。我们的AI模型EPA可以根据TLT数据很好地预测胚胎的倍性。我们希望该系统将来可以服务于所有体外受精和胚胎移植（IVF-ET）患者，让胚胎学家在选择最佳胚胎进行移植时拥有更多非侵入性辅助手段。关键词：AI，倍性状态，延时，PGT，预测
CluSem：基于精确聚类的集成方法，从多通道脑电图数据预测运动想象任务
a 联合国际大学计算机科学与工程系，孟加拉国达卡巴达联合城，邮编 1212 b 斐济国立大学电气与电子工程学院，斐济苏瓦 c 格里斯大学集成与智能系统研究所，澳大利亚昆士兰州布里斯班 d 日本理化学研究所综合医学科学中心 e 斐济南太平洋大学 f 罗格斯大学计算机科学系，新泽西州卡姆登，邮编 08102，美国 g 罗格斯大学计算与综合生物学中心，新泽西州卡姆登，邮编 08102，美国
根据预测激活和抑制药物-靶标相互作用
。CC-BY-NC-ND 4.0 国际许可，根据 提供（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者，此版本于 2021 年 3 月 20 日发布。；https://doi.org/10.1101/2021.03.18.436088 doi：bioRxiv 预印本
使用多模态数据预测学习者在自适应评估中的努力行为
除了所需的知识之外，还有许多因素影响学习者在某项活动上的表现。学习者在任务上的努力被认为与他们的教育成果密切相关，反映了他们参与该活动的积极性。然而，努力不是直接可观察到的。多模态数据可以提供对学习过程的额外见解，并可能允许努力估计。本文提出了一种在自适应评估环境中对努力进行分类的方法。具体来说，在自适应自我评估活动期间，使用日志和生理数据（即眼动追踪、脑电图、腕带和面部表情）捕捉了 32 名学生的行为。我们对多模态数据应用 k 均值来聚类学生的行为模式。接下来，我们根据发现的行为模式，使用隐马尔可夫模型 (HMM) 和维特比算法的组合，预测学生完成即将到来的任务的努力。我们还将结果与其他最先进的分类算法（SVM、随机森林）进行了比较。我们的研究结果表明，HMM 可以比其他方法更有效地编码努力与行为之间的关系（由多模态数据捕获）。最重要的是，该方法的实际意义在于，通过建立行为之间的关系，派生出的 HMM 还可以精确定位向学习者实时提供预防/规范反馈的时刻
使用自编码器进行电磁头部跟踪的数据预测...
摘要。在航空电子设备中，飞行员使用头盔显示器 (HMD) 在护目镜上显示外部环境的同步视图和与飞机相关的重要参数。为了完美同步护目镜上的视图，必须同步外部环境的坐标以及飞行员头部运动的坐标。为了定位飞行员头部运动的坐标，称为头部跟踪的过程起着重要作用。头部跟踪可以使用不同的跟踪技术执行，例如光学跟踪、磁跟踪或惯性跟踪。在本文中，六自由度 (6-DoF) 磁运动跟踪装置 (Polhemus Patriot TM ) 用于在模拟器床上实时获取飞行员头部运动的坐标。在跟踪器采集过程中，由于铁磁性引起的磁场干扰，数据可能会丢失。为此，采用自修复神经模型 (SHNM) 来预测丢失的数据。用于恢复的数据有 5200 个 6-DoF 头部运动样本。SHNM 对三组不同的缺失数据的预测准确率超过 85%。将所提模型预测数据的准确率与反向传播神经网络 (BPNN) 模型进行了比较，结果发现 SHNM 模型的准确率优于 BPNN 模型
使用头戴式显示器的自修复神经模型进行电磁头部跟踪的数据预测
摘要：在航空电子设备中，飞行员使用头盔显示器 (HMD) 在护目镜上显示外部环境的同步视图和与飞机相关的重要参数。为了完美同步护目镜上的视图，必须同步外部环境的坐标以及飞行员头部运动的坐标。为了确定飞行员头部运动的坐标，称为头部跟踪的过程起着重要作用。头部跟踪可以使用不同的跟踪技术来执行，例如光学跟踪、磁跟踪或惯性跟踪。在本文中，六自由度 (6-DoF) 磁运动跟踪装置 (Polhemus Patriot TM ) 用于在模拟器床上实时获取飞行员头部运动的坐标。在跟踪器获取过程中，由于铁磁性引起的磁场干扰，数据可能会丢失。为此，我们采用自修复神经模型 (SHNM) 来预测缺失数据。用于恢复的数据有 5200 个头部运动的 6-DoF 样本。SHNM 可实现超过 85% 的准确率来预测三组不同的缺失数据。将所提模型预测数据的准确率与反向传播神经网络 (BPNN) 模型进行了比较，结果发现 SHNM 模型的准确率优于 BPNN 模型
使用创伤登记数据预测创伤性脑损伤患者的机械通气时间延长：机器学习方法
重度创伤性脑损伤 (TBI) 患者容易出现觉醒障碍，需要通过机械通气 (MV) 保护其气道 [1]。因此，他们比任何危重患者面临更高的长时间机械通气 (PMV) 风险 [2]。2007 年，《欧洲呼吸杂志》发表了机械通气撤机指南，描述了将患者脱离呼吸机的整个过程 [3]。尽管如此，由于文献中缺乏有力证据，在神经重症监护环境中并没有关于撤机过程的明确建议，这使得拔除患者气管插管的决定成为一个复杂的决定 [2]。虽然 MV 是一种挽救生命的干预措施，但它有许多并发症，如呼吸机引起的肺损伤、呼吸机相关性肺炎 (VAP)、延长住院时间和死亡率 [4, 5]。这些风险随着 PMV 而增加 [5, 6]。大约 30% 的危重患者需要 PMV [5, 7,8]。预计到 2020 年，每年将有超过 600,000 名患者需要 PMV [9]。已采取多种策略来减轻与 MV 相关的风险并预防 PMV，例如尽量减少镇静和每天进行自主呼吸试验 [10, 11]。因此，预测有 PMV 风险的患者至关重要，这有助于临床医生设计个性化的护理计划，以减轻 PMV 风险。这包括决定尽早使用气管切开术，这已被证明在仍需要 MV 时是有益的 [8, 12 – 14]。有多项研究旨在确定 PMV 的重要预测因素。然而，由于患者的临床特征和临床环境存在差异，仍然很难确定一组关键预测因素。此外，对于 PMV 的定义也没有共识。在已发表的文献中，PMV 周期从 5 小时到 1 年不等，其中 PMV 最常见的定义是 > 21 天[15]。表 1 显示了先前发表的预测 PMV 的文献示例，重点介绍了患者特征、PMV 持续时间、使用的预测因子以及预测模型的性能指标。在最近的 Cochrane 系统评价中，发现早期气管切开术（从 MV 开始 < 10 天）与患者治疗结果的显著改善相关[17]。这一发现支持了 Young 等人先前的随机临床试验，他们发现早期气管切开术更换（< 10 天）对患者有益并且与改善结果相关[18]。除了良好的临床结果外，早期气管切开术还与改善经济结果相关，例如降低重症监护病房 (ICU) 费用[19]和缩短住院时间[17]。此外，研究发现，与需要长时间通气的气管内通气相比，早期气管切开术可显著改善患者的生活质量 (QOL) [20]。因此，如果考虑到早期摆脱 MV、早期气管切开术更换、改善生活质量和成本效益，将 PMV 定义为超过 10 天可能具有重要意义。大多数旨在预测 PMV 的先前发表的研究使用了传统的多变量技术，尤其是逻辑回归，并产生了低到中等的准确度（0.53-0.75），曲线下面积 (AUC) 在 0.65 和 0.75 之间 [8,14]。机器的实施
利用人工智能通过土壤和气候数据预测产量
为了预测作物产量，我们需要建立一个模型，该模型将考虑土壤类型、土壤质量、气候条件等各种因素，并预测特定地区特定作物的产量。使用以下步骤：步骤 1：收集数据收集数据是解决任何监督机器学习问题的最重要步骤。我们将收集马哈拉施特拉邦前几年的作物产量、气候条件和土壤类型的数据。步骤 2.1：探索数据建立和训练模型只是工作流程的一部分。事先了解数据的主要特征，我们可以建立一个更好的模型。这可能意味着获得更高的准确性。它也可能意味着需要更少的数据进行训练，或者更少的计算资源。各种可视化技术可用于检测训练数据中的各种相关性和模式，这可以进一步帮助创建一个准确的预测系统。
利用多通道脑电图数据预测脑机接口应用的运动想象任务
。CC-BY-NC-ND 4.0 国际许可，未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者（此版本于 2020 年 4 月 9 日发布。；https://doi.org/10.1101/2020.04.08.032201 doi：bioRxiv preprint
人工智能分析基因表达数据预测弥漫大 B 细胞淋巴瘤患者预后
目的：我们旨在利用深度学习技术识别弥漫性大 B 细胞淋巴瘤 (DLBCL) 中的新生物标志物。方法和结果：在 GSE10846 系列中执行多层感知器 (MLP) 分析，分为发现 (n = 100) 和验证 (n = 414) 集。根据其对结果预测 (死亡/存活) 的标准化重要性，从总共 54,614 个基因探针中选出前 25 个基因探针。通过基因集富集分析 (GSEA) 确认了与不良预后的关联。在验证集中，通过单变量 Cox 回归分析，ARHGAP19、MESD、WDCP、DIP2A、CACNA1B、TNFAIP8、POLR3H、ENO3、SERPINB8、SZRD1、KIF23 和 GGA3 的高表达与较差的结果相关，而 SFTPC、ZSCAN12、LPXN 和 METTL21A 的高表达与良好的结果相关。多变量分析证实 MESD、TNFAIP8 和 ENO3 为风险因素，而 ZSCAN12 和 LPXN 为保护因素。使用风险评分公式，这 25 个基因确定了两组具有不同生存率的患者，这些生存率与来源细胞的分子分类无关（5 年 OS，低风险 vs. 高风险）：分别为 65% vs. 24%（风险 = 3.2，P < 0.000001）。最后，与已知 DLBCL 标记物的相关性表明，MYC、BCL2 和 ENO3 的高表达与最坏结果相关。结论：通过人工智能，我们确定了一组具有预后相关性的基因。