XiaoMi-AI文件搜索系统
World File Search System探索性
人工智能驱动的移动应用程序：一项探索性研究
近年来，基于人工智能技术的移动应用呈现出惊人的发展势头。一般而言，人工智能应用是指将人工智能融入其功能和服务的任何应用。人工智能框架的快速发展使得企业人工智能技术能够转移到移动设备上，大大促进了智能手机应用中人工智能应用的采用。在本文中，我们对 56,682 个已发布的人工智能应用进行了最广泛的实证研究，旨在从数据集特征、开发问题以及用户反馈和隐私三个角度促进利益相关者对现实世界人工智能应用的理解。为此，我们构建了一个自动化的人工智能应用识别工具 AI Discriminator，它基于应用剖析和关键字匹配从 7,259,232 个移动应用中检测出符合条件的人工智能应用。在第一阶段，我们进行数据集分析，探索AndroZoo大型存储库以识别现实世界的AI应用程序及其核心特征，包括类别流行度、框架分布、更新速度等。随后，我们找出AI应用程序开发中的关键问题，旨在为开发人员提供模型保护等一些关键领域的实用见解。最后，我们关注已发布的AI应用程序的用户评论和用户隐私保护。从技术角度来看，我们的研究结果通过呈现缺乏加密的情况揭示了已发布的AI应用程序中嵌入的模型保护不足。从用户的角度来看，我们指出客户敏感数据面临很高的泄露风险，这引发了对用户敏感数据被未经授权的访问利用的担忧。我们的大规模研究为利益相关者提供了对已发布的AI应用程序进展的关键见解，启发未来对面向移动的AI技术的研究，以进一步提高其执行性能和用户体验。
汽车行业中的探索性案例研究
本研究调查了供应链参与者之间知识共享的作用，在促进其采用行业4.0技术方面，确定了阻碍或促进这种知识共享的因素。借鉴了深入的单个案例研究，其中包括对德国汽车行业的一家制造公司的19次访谈，以及焦点公司供应链中的五个供应商和客户，该研究确定了以下知识共享方法，以促进采用行业4.0：1）。 2）上游知识流； 3）战略定位； 4）与应用相关性。这些AP促进者被证明受公司相关因素和关系因素的影响。采用基于知识的公司的观点，本研究通过研究知识共享在采用行业4.0中的作用，不仅是从单个焦点公司的角度来解决了当前研究的差距，而且还研究了供应链中上游和下游供应商和客户的角度。在提出知识共享的方法中，基于公司现有资源促进行业4.0的实施时，本研究也与从业人员直接相关。
重新利用全身麻醉的脑电图监测来建立大脑老化的生物标志物：一项探索性研究
重新利用全身麻醉的脑电图监测来建立大脑老化的生物标志物：一项探索性研究 David Sabbagh* a,b 、Jérôme Cartailler a,c 、Cyril Touchard c 、Jona Joachim c 、Alexandre Mebazaa a,c 、Fabrice Vallée a,b,c 、Étienne Gayat a,c 、Alexandre Gramfort b 、Denis A. Engemann* b,d,ea 巴黎大学，INSERM，U942 MASCOT，F-75006，法国巴黎 b 巴黎萨克雷大学，因里亚，CEA，帕莱索，法国 c 麻醉和重症监护医学系，AP-HP，Hôpital Lariboisière，F-75010，法国巴黎 d 马克斯·普朗克人类认知和脑科学研究所，系神经病学， D-04103，德国莱比锡和罗氏制药研究与早期开发、神经科学和罕见疾病、罗氏巴塞尔创新中心、F.霍夫曼 - 罗氏有限公司，瑞士巴塞尔 通讯：* david.sabbagh@inria.fr，denis.engemann@roche.com 背景：EEG 是监测麻醉深度的常用工具，但很少在生物医学研究中重新使用。本研究旨在探索在麻醉期间重新利用 EEG 来了解在失去意识的情况下大脑衰老的生物标志物。 方法：我们以大脑年龄估计为例。使用机器学习，我们重新分析了 323 名接受丙泊酚和七氟醚治疗的患者的 4 电极 EEG。我们应用最近发表的参考方法，将稳定麻醉的空间光谱特征纳入基于 EEG 的年龄预测中。当 95% 的总功率低于 8Hz 至 13Hz 之间的频率时，认为麻醉稳定。结果：我们考虑使用丙泊酚麻醉的中度风险患者（ASA <= 2）来探索预测性 EEG 特征。平均 alpha 波段功率（8-13Hz）可以提供年龄信息。然而，通过分析所有电极的整个功率谱（MAE = 8.2y，R2 = 0.65），可以实现最先进的预测性能。临床探索表明，大脑年龄与术中爆发抑制系统相关——通常与与年龄相关的术后认知问题有关。令人惊讶的是，高危患者（ASA = 3）的大脑年龄与爆发抑制呈负相关，这表明存在未知的混杂效应。二次分析显示，大脑年龄 EEG 特征是丙泊酚麻醉所特有的，这反映在七氟醚下的预测性能有限和跨药物泛化能力差。结论：全身麻醉中的脑电图可能实现最先进的脑年龄预测。然而，麻醉药物之间的差异会影响麻醉中脑电图再利用的有效性。为了释放脑电图监测在缺乏意识的情况下用于临床和健康研究的潜在潜力，收集具有精确记录的药物剂量的更大数据集将是关键的促成因素。关键词：全身麻醉、脑电图 (EEG)、脑老化、机器学习、爆发抑制、丙泊酚、七氟醚
甜度感知的探索性研究：决策树
摘要：使用隐性反应来确定消费者对不同刺激的反应正成为一种流行的方法，但仍需要进行研究以了解用于收集数据的不同技术的输出。在目前的研究中，收集了不同刺激（气味、味道、风味样本）的脑电图 (EEG) 反应和自我报告的喜好和情绪，以更好地了解甜度感知。人工智能分析用于对隐性反应进行分类，识别决策树以通过激活的感觉系统（气味/味道/风味）和刺激的性质（“甜”与“非甜”气味；“甜味”、“甜味”和“非甜味”；以及“甜刺激”与“非甜刺激”）。在自我报告的对刺激的喜好和刺激引起的情绪之间存在显著差异，但未发现显性数据和隐性数据之间的明确关系。本研究总结了与 EEG 相关研究以及 EEG 数据分析的有趣数据，尽管关于如何正确利用隐性测量技术及其数据仍有许多未知之处。
采用氢能存储系统的策略：澳大利亚的一项探索性研究
摘要：从集中式化石燃料系统向分散式可再生电力系统的转变将为减少碳排放做出重大贡献。然而，由于可再生能源的间歇性，需要存储来对动态负载做出适当的响应，并在发电量低的时期利用多余的发电量。本文研究了固定式氢能存储系统在微电网和分布式能源系统中的使用。在澳大利亚进行了一项基于混合方法的探索性研究。采访了十位澳大利亚行业专家，以确定氢能存储系统的要求、障碍、方法和建议的用例。这项研究表明，电解器、燃料电池和存储介质的当前成本以及当前较低的往返效率是阻碍氢能存储系统的主要因素。有限的行业和实践经验是实施氢存储系统的障碍。政府支持可以帮助在早期采用者和推动者中扩大氢能存储系统的规模。此外，合作和知识共享可以降低风险，让更多利益相关者参与进来。竞争和创新最终可以降低成本，增加氢存储系统的使用率。
68Ga-FAPi-46 PET 生物分布与实体癌患者免疫组织化学 FAP 表达的相关性：一项前瞻性转化探索性研究的中期分析
1 加利福尼亚州洛杉矶加州大学洛杉矶分校大卫格芬医学院分子与医学药理学系 Ahmanson 转化治疗诊断学部；2 加利福尼亚州洛杉矶加州大学洛杉矶分校琼森综合癌症中心；3 加利福尼亚州洛杉矶加州大学洛杉矶分校泌尿肿瘤研究所；4 加利福尼亚州洛杉矶加州大学洛杉矶分校大卫格芬医学院医学统计核心系；5 加利福尼亚州洛杉矶加州大学洛杉矶分校大卫格芬医学院病理学与实验室医学系；6 加利福尼亚州洛杉矶加州大学洛杉矶分校大卫格芬医学院外科系外科肿瘤学部；7 弗吉尼亚大学工程与应用科学学院生物医学工程系和弗吉尼亚大学医学院 Robert M. Berne 心血管研究中心，弗吉尼亚州夏洛茨维尔
脑机接口启动颈部经皮脊髓刺激治疗：一项探索性案例研究
手臂和手部功能丧失是颈椎脊髓损伤 (SCI) 最严重的后果之一。尽管一些残留的功能性神经元通常会通过损伤部位，但 SCI 后的恢复极其有限。最近的努力旨在通过将基于运动的训练与经皮脊髓刺激 (tSCS) 和运动启动等技术相结合来增强传统康复。这些方法与皮质脊髓兴奋性升高以及基于活动的治疗后神经可塑性增强有关。在本研究中，我们研究了使用脑机接口 (BCI) 运动启动促进基于 tSCS 的运动训练的潜力。患有慢性 AIS 的颈椎 SCI 患者，感觉和运动完全性四肢瘫痪，参加了两阶段交叉干预，他们参加了 15 次强化 tSCS 介导的手部训练，每次 1 小时，每周 3 次，然后进行为期两周的洗脱期，再进行 15 次 tSCS 训练，每次训练前进行双手 BCI 运动启动。我们发现，使用针对力量、感觉和抓握力的分级重新定义评估，参与者的手臂和手部功能在研究的每个阶段都有显著改善：从基线时的 96/232 分，到单独进行 tSCS 训练后的 117/232 分，再到 BCI 启动和 tSCS 训练后的 131/232 分，反映了力量、感觉以及粗大和精细运动技能的提高。训练后，运动得分的提高和对尖锐感觉的感知能力的增强改善了从 C4 到 C5 的神经损伤水平，并且在最后一次训练课程后的四周内，改善情况通常得以维持。尽管无论是否存在 BCI 启动，功能改善都相似，但只有在 tSCS 训练之前进行启动时，双侧力量才会有适度改善，这或许表明运动启动对 tSCS 训练有益。
DIADEM：一项探索性优先研究计划和……
国家新闻稿 – 巴黎 – 2022 年 6 月 7 日 由 CNRS 和 CEA 共同领导的 DIADEM 1 探索性优先研究计划和基础设施 (PEPR) 旨在通过利用人工智能 (AI) 的力量加速创新材料的使用。该项目于 2022 年 6 月 7 日启动，由 PIA 4 资助，8 年预算近 8500 万欧元。它将专注于创建四个持久的平台，作为“示范”项目的基础，这些项目将使用创新方法展示关键材料。新材料的发现对于应对与能源、交通、能源转型、数字化转型和健康有关的社会挑战至关重要。然而，这些材料变得越来越复杂。人工智能 (AI) 在努力超越这种复杂性并在短时间内解决这些紧迫问题方面至关重要。基于这些新技术的 DIADEM PEPR 是一项雄心勃勃的加速计划，旨在设计并推向市场高性能材料，这些材料既耐用又由非关键和无毒的原材料制成，从而提高法国工业的竞争力，并促进法国的经济发展。 PEPR 的活动将基于分布在法国领土上的四个平台，以综合方式结合建模、数值模拟、人工智能方法、合成筛选技术和高通量表征。这些平台占 DIADEM 总预算的 40%。这些持久平台创造的协同效应将促进材料科学的创新能力。为了证明这一点，在其领域获得国际认可的科学家将基于这些平台开展“示范”项目。其中七个项目（平台和演示）已经启动，另外七个将于 9 月启动，另外三个将于 2022 年底启动。他们将展示感兴趣的材料以及战略技术的发展（3D 和 4D 打印、微流体、机器人化等），还将展示新方法的可行性。PEPR 将把近 40% 的预算用于 30 个项目，这些项目将从 2024 年开始通过三次面向广大法国社区的征集提案来选出，估计法国社区有近 4,000 名科学家。这些项目将依靠 PEPR 创建的平台，并将强调其国际性，尤其是欧洲合作。还将征集一项意向书，用于对法国科学家进行初步和专业培训，预算为 300 万欧元。
研究论文使用随机探索性搜索中心 Harris Hawks 优化器对混合能源系统进行优化定型，并提高利用率
由于传统能源资源的枯竭、温室气体排放、气候变化等，基于可再生能源 (RER) 的发电正成为当前和未来电力行业的主要来源。主要的 RER，包括太阳能、风能和小型水电，可在智能电网环境中提供可靠且可持续的解决方案。基于太阳能和风能的发电更为普遍，但性质各异，甚至无法非常有效地预测。因此，有必要整合两个或更多 RER 并开发混合能源系统 (HES)。HES 提供经济高效且可靠的电源，同时减少和/或几乎可以忽略不计的温室气体排放。出于经济和电力可靠性方面的考虑，组件的最佳尺寸对于开发最佳 HES 是必不可少的。近年来，元启发式进化算法已被广泛用于 HES 的最佳尺寸。哈里斯霍克优化器 (HHO) 是一种最近设计的元启发式搜索方法，能够发现全局最小值和最大值。然而，由于其开发能力较弱，基本 HHO 算法的局部搜索相当慢，收敛速度也较慢。因此，为了加速 HHO 的开发阶段，本研究开发了一种新方法，即以随机探索性搜索为中心的哈里斯霍克优化器 (hHHO-ES)，用于优化 HES 的大小。针对各种众所周知的基准函数（包括单峰、多峰和固定维度），验证了建议的方法并将其与现有的优化方法进行了比较。随后，该方法被用于开发 HES，它将能够为电网供应稀缺的偏远地区提供电力。在一系列约束（例如系统组件的界限和可靠性）下，使用净现值 (NPC) 作为主要函数来制定目标函数。将获得的结果与和声搜索（HS）和粒子群优化（PSO）的结果进行了比较，发现其效果更佳。
机器学习方法的探索性应用，以优化对饮食失调症状的数字干预措施的预测
Dwyer，D。和Choi，K。（2021）。在预测精神病学治疗结果时，机器学习的希望。世界精神病学，20（2），154 - 170。https：//doi.org/10.1002/wps.20882 Chien，I.，Enrique，A.，Palacios，J.，Regan，T.，Keegan，T.，Keegan，D. （2020）。一种机器学习方法，以了解与互联网交付的心理健康相互作用的互动模式。JAMA Network Open，3（7），E2010791。https://doi.org/10。 1001/jamanetworkopen.2020.10791 Christodoulou，E.，Ma，J.，Collins，G.S.，Steyerberg，E.W. （2019）。 系统的综述显示机器学习对临床预测模型的逻辑回归没有任何绩效益处。 临床流行病学杂志，110，12 - 22。https：// doi。 org/10.1016/j.jclinepi.2019.02.004 Fitzsimmons-Craft，E。E. Jacobi，C.，Jo，B.，Trockel，M。T.和Wilfley，D。E.（2020）。 数字认知行为疗法的有效性 - 对大学女性饮食失调的指导自助干预：一项群集随机临床试验。 JAMA Network Open，3（8），E2015633。 https://doi.org/10.1001/jamanetworkopen.2020.15633 Flygare，O. BMC精神病学，20（1），1 - 9。https：// doi。 统计软件杂志，33（1），1 - 22。https://doi.org/10。1001/jamanetworkopen.2020.10791 Christodoulou，E.，Ma，J.，Collins，G.S.，Steyerberg，E.W.（2019）。系统的综述显示机器学习对临床预测模型的逻辑回归没有任何绩效益处。临床流行病学杂志，110，12 - 22。https：// doi。org/10.1016/j.jclinepi.2019.02.004 Fitzsimmons-Craft，E。E. Jacobi，C.，Jo，B.，Trockel，M。T.和Wilfley，D。E.（2020）。数字认知行为疗法的有效性 - 对大学女性饮食失调的指导自助干预：一项群集随机临床试验。JAMA Network Open，3（8），E2015633。https://doi.org/10.1001/jamanetworkopen.2020.15633 Flygare，O.BMC精神病学，20（1），1 - 9。https：// doi。统计软件杂志，33（1），1 - 22。预测互联网传递认知行为疗法后身体障碍障碍的预测因素：一种机器学习方法。org/10.1186/s12888-020-02655-4 Friedman，J.，Hastie，T。，＆Tibshirani，R。（2010）。通过坐标下降的通用线性模型的正规化路径。Hettige，N。C.，Nguyen，T。B.，Yuan，C.，Rajakulendran，T.，Baddour，J.，Bhagwat，N.，Bani-Fatemi，A.，Voineskos，A.N. 使用社会文化和临床特征对精神分裂症中自杀式定位的分类：一种机器学习方法。 综合医院精神病学，47，20 - 28。https：//doi.org/10.1016/j.genhosppsy.2017.03.001 Hooker，S。（2021）。 超越“算法偏差是数据问题”。 模式，2（4），100241。 Jordan，M。I.和Mitchell，T。M.（2015）。 机器学习：趋势，敏感和前景。 Science，349（6245），255 - 260。https：//doi.org/10。 1126/science.AAA8415库恩。 （2021）。 caret：分类和回归培训。 r软件包ver- sion 6.0-88。 https://cran.r-project.org/package = Caret Lee，Y. N.，Zuckerman，H.，Chen，V。C.，Ho，R.，Rong，C。和McIntyre，R。（2018年）。 机器学习算法的应用以预测抑郁症的治疗结果：元分析和系统评价。 做Hettige，N。C.，Nguyen，T。B.，Yuan，C.，Rajakulendran，T.，Baddour，J.，Bhagwat，N.，Bani-Fatemi，A.，Voineskos，A.N.使用社会文化和临床特征对精神分裂症中自杀式定位的分类：一种机器学习方法。综合医院精神病学，47，20 - 28。https：//doi.org/10.1016/j.genhosppsy.2017.03.001 Hooker，S。（2021）。超越“算法偏差是数据问题”。模式，2（4），100241。Jordan，M。I.和Mitchell，T。M.（2015）。 机器学习：趋势，敏感和前景。 Science，349（6245），255 - 260。https：//doi.org/10。 1126/science.AAA8415库恩。 （2021）。 caret：分类和回归培训。 r软件包ver- sion 6.0-88。 https://cran.r-project.org/package = Caret Lee，Y. N.，Zuckerman，H.，Chen，V。C.，Ho，R.，Rong，C。和McIntyre，R。（2018年）。 机器学习算法的应用以预测抑郁症的治疗结果：元分析和系统评价。 做Jordan，M。I.和Mitchell，T。M.（2015）。机器学习：趋势，敏感和前景。Science，349（6245），255 - 260。https：//doi.org/10。1126/science.AAA8415库恩。（2021）。caret：分类和回归培训。r软件包ver- sion 6.0-88。 https://cran.r-project.org/package = Caret Lee，Y. N.，Zuckerman，H.，Chen，V。C.，Ho，R.，Rong，C。和McIntyre，R。（2018年）。机器学习算法的应用以预测抑郁症的治疗结果：元分析和系统评价。做情感障碍杂志，241，519 - 532。https：//doi.org/10.1016/j.jad.2018.08.073 Lekkas，D.，Price，G.，McFadden，J。，J。，＆Jacobson，J。，＆Jacobson，N.C。（2021）。机器学习到在线正念干预数据的应用：合规性评估中的底漆和经验示例。正念，12（10），2519 - 2534。https：//doi.org/10.1007/s12671-021-021-021-01723-4 Linardon，J.，J.，Messer，M.，Shatte，M.，Shatte，Shatte，Shatte，A.