XiaoMi-AI文件搜索系统
World File Search System数据集
scrnaseq：公共单细胞RNA-seq数据集的收集
螺丝包装。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。3。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。4个backercelldata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。5 5 Bachmarydata。。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>6 Baronpancreasdata。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>7 Bhaduri Organica Suitata。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 8个对接Anescdata。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div>7 Bhaduri Organica Suitata。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>8个对接Anescdata。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div>8个对接Anescdata。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。9 BunishSpcdata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。10 CampbellbrainData。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。11 Chenbraindata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。12个反机分子。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。13 Darmanisbraindata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。14 erccspikeinconenentations。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。15 Ernstsermatogentesisdata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。16提取。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>18 Gilaihdihscdata。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>20 Grunhscdata。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>21 grunpancreasdata。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>22 Heorganatlasda。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>23 Hermannstattotonesissdata。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>24 Hucortexdata。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>25 Jessabraindata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。27 Kolodziejczykescdata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。28 Kotliarovpbmcdata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。29 Lamannobraindata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。30 Lawlorpancreasdata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。32 Ledergormyelomadata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。33 lengescdata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。34个列表。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。35个列表。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。35星期一。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。36 MacCoretinadata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。37 mairpbmcdata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。38 MarquesbrainData。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。39 Messmerescdata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。40 Muraropancreasdata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。41 Netorowahscdata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。42 Nowawskiciceortexdata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。44 Paulhscdata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。45波兰人。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。46 Pollngliadata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。47个重新效果。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。48重新处理。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。49 RichardCelldata。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 5149 RichardCelldata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。51
对每个单个蜂窝网络数据集的复杂性生成
随着移动设备成为人类存在和活动的代理，移动运营商收集的数据集（即呼叫详细记录（CDRS））被公认为是研究人类行为的常见工具，在多种研究中和行业中，社会学[1]，例如，流行病学[2]，运输[3]，交通[3]，[4]（CF>）图1a）。CDR描述了与操作员网络交互的每个移动设备生成的时期和地理参考事件类型（例如，呼叫，SMS，数据）（参见表I）。 它们包括城市，地区或乡村地区，通常涵盖长期（月或数年）；当今，没有其他技术提供同等的人均精确范围。 然而，现实世界中CDR对研究的剥削面临许多局限性（参见 §ii）。 首先，可访问性：CDRS数据集未公开可用，施加了严格的移动运营商协议。 第二，可用性：CDR通常以汇总形式（即分组的迁移率流和粗时空信息）提供，限制了相关分析的精确性。 第三，隐私：即使是匿名化的CDR，CDRS描述了用户习惯的敏感信息，这使他们的共享性硬化[5]。 第四，灵活性：限制访问CDRS的限制了高级研究，需要在人口规模，持续时间或地理覆盖范围内进行数据丰富。 本文介绍了实施CDR的自动生成，以解决上述挑战。表I）。它们包括城市，地区或乡村地区，通常涵盖长期（月或数年）；当今，没有其他技术提供同等的人均精确范围。然而，现实世界中CDR对研究的剥削面临许多局限性（参见§ii）。首先，可访问性：CDRS数据集未公开可用，施加了严格的移动运营商协议。第二，可用性：CDR通常以汇总形式（即分组的迁移率流和粗时空信息）提供，限制了相关分析的精确性。第三，隐私：即使是匿名化的CDR，CDRS描述了用户习惯的敏感信息，这使他们的共享性硬化[5]。第四，灵活性：限制访问CDRS的限制了高级研究，需要在人口规模，持续时间或地理覆盖范围内进行数据丰富。本文介绍了实施CDR的自动生成，以解决上述挑战。尤其是（1）我们通过建立这种生成的痕迹的范围并描述它如何为研究进展提供新的途径，详细介绍了这种解决方案的动机，（2）我们通过提出相关要求和挑战来分享对现实CDR生成的可行性研究。
celldex：参考单元类型数据集的索引
蓝图编码。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。2个数据库Munecellexpressiondata。。。。。。。。。。。。。。。。。。。。。。。。。。。3提取。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。5人类primarycellatlasdata。。。。。。。。。。。。。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>6 Meremara。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 8列表流。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 9摩纳哥imimedata。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div>6 Meremara。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>8列表流。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>9摩纳哥imimedata。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。。。。。。。。。。。。。。。。。。。10 Mousernaseqdata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。12 Novershternhematopoieticdata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。13个重新效果。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。16省力。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。16个系列参考。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。17个监视。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。18
国家儿科糖尿病审核核心数据集
简介本文档包含核心NPDA数据集的详细信息，该数据集将收集到2021年4月1日从2017/18审计年以来使用的数据集进行访问/约会。数据集已根据与NHS信息标准状态相关的指导进行修订。大多数数据项保持不变，但是有一个新项目，有些项目已重命名，或者对其响应选项进行了修改。项目来自最新的国家临床卓越研究所（NICE）有关糖尿病儿童和年轻人的管理指南（NG18）。其他项目还涵盖了最佳实践关税（BPT）要求。尽管最佳实践关税不适用于威尔士儿科糖尿病单元（PDU），但其要求被认为代表了威尔士的良好实践，并且是质量保证标准的一部分。数据集分为四个部分： - 患者信息 - 常规测量结果 - 年度审查/诊断 - 列出的每个数据项都提供了允许的住院入口值，以及在某些情况下将项目包含在数据集中和指导说明中的理由/参考。数据项名称将与CSV模板中的列标题相对应，以便从2021年4月开始向审计提交数据。在COVID-19大流行之后，实际上正在发生许多约会（通过电话/视频）。从下载中计算出的HBA1C也应仅在本地用于临床管理，而不会提交审计，因为它们不会保证IFCC。电话：020 7092 6137电子邮件：npda@rcpch.ac.uk诸如患者身高，体重和血压等项目需要可靠地捕获面对面的诊所就诊，因此，尽管可以远程记录这些诊所并支持您自己的记录并支持患者护理，但我们要求仅将经过医院验证的数据提交给NPDA。在其余项目中，提供护理过程或支票已通过视频或电话预约进行标准进行，您的团队认为与面对面交付相称，请继续将此信息输入审核。请查看针对每个项目的指南说明以获取更多信息。如果您对数据集有任何疑问，请随时与NPDA联系。
一个摩托图像与REST数据集的低...
数据由脑电图（EEG）信号组成，该信号是通过从10位参与者（4位女性，右手，平均年龄±SD = 26.1±4.0年）中的低成本消费级设备来表达的，而没有任何以前在脑部计算机界面（BCIS）的经验的经验。BCI协议由两个条件符合，即握把手（Motor Imagery，MI）的动力学想象和静止/闲置状况。在每天的会话中，每个参与者都需要进行五次协议运行，约为1.5 h。首次运行，称为run0，将进行5个实际抓握运动的试验，以及在休息条件下的相同数量的试验。这是为了更好地解释协议，并鼓励参与者专注于执行运动的感觉。其余运行（Run1-Run4）均为识别，由每种以随机顺序呈现的条件进行20次试验。从覆盖感觉运动区域的15个电极注册了电脑活动，在SAM-
SFS-A68：公寓空间功能分割数据集
摘要。分析建筑模型的可用面积、建筑安全性或能源分析需要空间和相关对象的功能分类数据。自动化空间功能分类有助于减少输入模型准备工作量和错误。现有的空间功能分类器使用空间特征向量或空间连通性图作为输入。深度学习 (DL) 图像分割方法在空间功能分类中的应用尚未被研究。作为解决这一差距的第一步，我们提出了一个数据集 SFS-A68，它由 68 个公寓楼空间布局的数字 3D 模型生成的输入和地面真实图像组成。该数据集适用于开发用于空间功能分割的 DL 模型。我们使用该数据集训练和评估基于迁移学习和从头开始训练的实验空间功能分割网络。测试结果证实了 DL 图像分割对空间功能分类的适用性。
空间常见目标检测公共数据集
摘要 基于监督学习的目标检测算法是当前目标检测的主流算法，高质量的数据集是目标检测算法获得良好检测性能的前提，数据集的数量和质量越大，模型的泛化能力越强，也就是说数据集决定了模型学习的上限。卷积神经网络以强监督的方式优化网络参数，通过比较预测帧与人工标注的真实帧来计算误差，然后将误差传入网络进行不断优化。强监督学习主要依靠大量图像作为模型进行不断学习，因此图像的数量和质量直接影响学习的结果。本文提出了一个用于检测空间中常见目标的数据集STAR-24K（即超过24000幅图像的空间目标识别数据集）。由于目前没有公开可用的空间目标检测数据集，我们从 NASA（美国国家航空航天局）和 ESA（欧洲航天局）官方网站发布的图片和视频等一系列渠道中提取了一些图片，并将其扩展到 24,451 张图片。我们对流行的物体检测算法进行了评估以建立基准。我们的 STAR-24K 数据集在 https://github.com/Zzz-zcy/STAR-24K 上公开。关键词：公开数据集、空间目标检测、深度学习、计算机视觉。
基于 RSVP 的脑机接口基准数据集
本文报告了使用基于快速串行视觉呈现 (RSVP) 范式的脑机接口 (BCI) 系统获取的基准数据集。该数据集包含 64 名健康受试者 (sub1, ..., sub64) 在执行目标图像检测任务时的 64 通道脑电图 (EEG) 数据。对于每个受试者，数据包含两组（“A”和“B”）。每组包含两个块，每个块包括 40 次试验，对应 40 个刺激序列。每个序列包含 100 张以 10 Hz（每秒 10 张图像）呈现的图像。刺激图像是两类街景图像：有人的目标图像和没有人的非目标图像。目标图像在刺激序列中随机呈现，概率为 1 ∼ 4%。在刺激呈现过程中，要求受试者以主观的方式搜索目标图像并忽略非目标图像。为了保留所有原始信息，数据集是未经任何处理的原始连续数据。一方面，该数据集可用作基准数据集，用于比较基于 RSVP 的 BCI 中的目标识别算法。另一方面，该数据集可用于设计新的系统图并评估其 BCI 性能，而无需通过离线模拟收集任何新数据。此外，该数据集还为基于 RSVP 的 BCI 中的事件相关电位 (ERP) 和稳态视觉诱发电位 (SSVEP) 的表征和建模提供了高质量数据。该数据集可从 http://bci.med.tsinghua.edu.cn/download.html 免费获取。
PhyAAt：语音数据集的听觉注意生理学
对自然语音的听觉注意是一个复杂的大脑过程。从生理信号中对其进行量化对于改进和扩大当前脑机接口系统的应用范围很有价值，但这仍然是一项具有挑战性的任务。在本文中，我们展示了一个从对自然语音的听觉注意实验中收集的生理信号数据集。在这个实验中，向 25 名非母语参与者呈现了由不同听觉条件下的英语句子复述组成的听觉刺激，并要求他们转录这些句子。在实验期间，从每个参与者那里收集了 14 通道脑电图、皮肤电反应和光电容积图信号。根据正确转录的单词数量，获得呈现给受试者的每个听觉刺激的注意力分数。发现注意力分数和听觉条件之间存在很强的相关性（p << 0.0001）。我们还制定了涉及收集到的数据集的四个不同的预测任务，并开发了一个特征提取框架。使用具有光谱特征的支持向量机获得每个预测任务的结果，结果优于偶然水平。该数据集已公开，供进一步研究，同时公开了 Python 库 phyaat，以促进本文中提出的结果的预处理、建模和重现。数据集和其他资源在网页上共享 - https://phyaat.github.io 。
2土壤质量的定量指标：最低数据集
对评估土壤质量的兴趣是通过越来越意识到土壤是地球生物圈中至关重要的组成部分来刺激的（Glanz，1995）。土壤在食物和纤维的生产中以及通过充当水，空气，养分和化学物质的过滤器和环境缓冲液来实现环境的维持。土壤的质量和健康决定了农业可持续性（Acton＆Gregorich，1995年），环境质量（Pierzynski等，1994），以及由于种植，动物和人类健康的结果（Haberern，1992年）。过去的自然管理以满足人口增加的粮食和纤维需求，已经征税了自然过程的弹性，以维持全球能量和物质平衡（Doran等，1996）。在过去的十年中，由于土壤侵蚀，大气污染，耕作过多，过度放牧，清理，盐水和荒漠化，土壤生产能力的库存表明了地球植被土地上10％以上的严重降解（Lal，1994; Sanders，1992年）。来自联合国环境降解全球评估计划的研究结果表明，几乎40％的农业土地受到人类诱发的土壤降解的不利影响，并且6％以上的降级是通过其原始生产能力的程度，以至于其最初的生产能力仅通过大型资本投资而可能恢复，这是Oldemant Evertments的可能性（Oldemem Eloldemanemementems，1994年）。在世界许多地方，地面和地下水的质量因进度的土地管理实践而受到危害，因此C，N和水中的水循环在土壤中的不平衡。这些管理 -目前，农业被认为是美国非点源水污染最广泛的贡献者（Cast，1992a；国家研究委员会，1989年）。通过大气气体升高和水文循环的改变，全球气候变化和臭氧耗竭的当前威胁需要更好地了解土地管理对土壤过程的影响。土壤管理实践，例如耕作，种植模式，农药和肥料的使用会影响水质。