XiaoMi-AI文件搜索系统
World File Search System新聚类
使用聚类和2D区域生长方法剥去MRI
我们开始特定的质心，并执行2D区域的生长过程，直到它触及另一个质心为止。然后将第二个质心用于进一步的区域生长。我们重复了这个2D区域的生长过程，该过程将所有质心连接起来，在大脑周围具有轮廓，边框厚度约为5像素宽度。然后，我们在轮廓周围形成滑动线。在每个像素上，位于水平线中的像素的平均值并具有质心的值±3的值，最接近平均值作为边界点固定。在每个像素的轮廓周围都重复这一点。连接在每个水平线上选择的点，从而为大脑提供了线边界。该边界被用作标记，并且封闭面罩内部的区域给出了大脑部分。
本文综述了结构磁共振成像在常见神经精神类疾病中的应用
[3] LIBOWITZ MR,WEI K,TRAN T,et al.Regional brain volumes relate to Alzheimer's disease cerebrospinal fluid biomarkers and neuropsychometry:A cross-sectional,observational study[J].PLoS One,2021,16(7):e0254332.[4] 王含春 , 汪群芳 , 罗长国 , 等 .磁共振薄层扫描结合人工智能脑结构分割技术分析海马体积辅 助诊断脑小血管病认知功能障碍 [J].全科医学临床与教育 ,2024,22(3):208-211.[5] 姜华 , 宛丰 , 吕衍文 , 等 .2 型糖尿病伴认知功能障碍患者基于体素的脑形态学 MRI 研究 [J].中 国 CT 和 MRI 杂志 ,2018,16(4):22-25.[6] 景赟杭 , 郭瑞 , 常轲 , 等 .2 型糖尿病性认知功能障碍脑结构 MRI 成像研究进展 [J].延安大学学 报（医学科学版） ,2024,22(1):88-91,107.[7] 郭浩 , 和荣丽 .磁共振成像对老年性痴呆患者海马解剖结构的评估价值研究 [J].磁共振成 像 ,2022,13(8):75-79.[8] 罗财妹 , 李梦春 , 秦若梦 , 等 .阿尔茨海默病谱系患者的海马亚区体积损害特征 [J].中风与神经 疾病杂志 ,2019,36(12):1097-1101.[9] 冯伦伦 , 金蓉 , 曹城浩 , 等 .阿尔茨海默病患者认知功能减退的海马亚区结构改变分析 [J].临床 放射学杂志 ,2022,41(10):1819-1824.[10] WEI Y,HUANG N,LIU Y,et al.Hippocampal and Amygdalar Morpho logical Abnormalities in Alzheimer,s Disease Based on Three Chinese MRI Datasets[J].Curr Alzheimer Res,2020,17:1221-1231 ． [11] ESTEVEZ S S,JIMENEZ H A,ADNI G.Comparative analy sis of methods of volume adjustment in hippocampal volumetry for the diagnosis of Alzheimer disease[J].Neuroradiol,2020;47(2):161-5.[12] 曾利川 , 王林 , 廖华强 , 等 .结构与功能磁共振成像在轻度认知障碍及阿尔茨海默病中的应 用 [J].中国老年学杂志 ,2021,41(13):2902-2907.[13] KODAM P,SAI S R,PRADHAN S S,et al.Integrated multi-omics analysis of Alzheimer's disease shows molecular signatures associated with disease progression and potential therapeutic targets[J].Sci Rep,2023,13(1):3695.[14] 黄建 , 王志 .复杂网络分析技术在阿尔兹海默症患者脑结构和功能影像中的应用进展 [J].中 国医学物理学杂志 ,2024,41(8):1053-1055.[15] JELLINGER K A.The pathobiological basis of depression in Parkinson disease:challenges and outlooks[J].J Neural Transm(Vienna),2022,129(12):1397-1418.[16] BANWINKLER M,THEIS H,PRANGE S,et al.Imaging the limbic system in Parkinson's disease-A review of limbic pathology and clinical symptoms[J].Brain Sci,2022,12(9):1248.[17] 程秀 , 张鹏飞 , 王俊 , 等 .小脑结构与功能磁共振成像在帕金森病中的研究进展 [J].磁共振成 像 ,2022,13(4):146-149.[18] CUI X,LI L,YU L,et al.Gray Matter Atrophy in Parkinson's Disease and the Parkinsonian Variant of Multiple System Atrophy:A Combined ROI-and Voxel-Based Morphometric Study[J].Clinics(Sao Paulo),2020,75:e1505.[19] LOPEZ A M,TRUJILLO P,HERNANDEZ A B,et al.Structural Correlates of the Sensorimotor Cerebellum in Parkinson's Disease and Essential Tremor[J].Mov Disord,2020,35(7):1181-1188.[20] 鲍奕清 , 王二磊 , 邹楠 , 等 .帕金森病伴疲劳患者的大脑功能与结构磁共振成像研究 [J].临床 放射学杂志 ,2024,43(8):1265-1270.[21] 邹楠 , 王二磊 , 张金茹 , 等 .帕金森病伴疼痛患者大脑皮层厚度改变的结构 MRI 研究 [J].磁共 振成像 ,2024,15(5):13-18,23.[22] 屈明睿 , 高冰冰 , 苗延巍 .帕金森病伴抑郁在脑边缘系统结构及功能改变的 MRI 研究进展 [J].磁共振成像 ,2023,14(12): 127-131.
自动导向车辆的新的Ultra类
您的目标是什么？自主或精益生产？选择自动导向车辆时，必须根据生产过程考虑数字标准。自治问题或灵活性主题通常被关注与用户的讨论。灵活性过多或太少会降低生产效率并提高成本。更重要的问题是：您的制作目标是什么？精益过程？最大可用性？最大的灵活性和自主权？Utrack是生产有效运输的基准。与自主AGV相比，该系统已经在整个投资期内，努力和成本最低。
最优量子电路切割及其在聚类汉密尔顿模拟中的应用
我们研究在量子计算中用随机局部操作取代纠缠操作的方法，但代价是增加所需的执行次数。首先，我们考虑“类空间切割”，其中纠缠单元被随机局部单元取代。我们提出了一种量子动力学的纠缠测度，即乘积范围，它基于两份 Hadamard 检验来限制此替换程序的成本。用先前工作的术语来说，此过程在许多情况下产生具有最小 1 范数的准概率分解，这解决了 Piveteau 和 Sutter 的一个悬而未决的问题。作为应用，我们给出了一种改进的聚类汉密尔顿模拟算法。具体而言，我们表明可以以相互作用的代价消除相互作用，该代价是它们强度乘以演化时间之和的指数，而在弱相互作用的极限下为零。我们还给出了使用“类时间切割”用测量和准备通道替换导线的成本的改进上限。我们证明了估计输出概率时匹配的信息理论下限。
确定空中交通管制员的熟练程度使用聚类识别客观指标
摘要：空中交通管制 (ATC) 是一项复杂且要求严格的工作，只有训练有素的专业人员才能胜任。培训 ATC 候选人具有挑战性，因为受训人员会受到教员的主观评估，而教员的工作方式会带有偏见。为了客观地确定控制专业知识，本研究对现有数据集采用了聚类技术，其中课程和专业管制员参与了中等保真度模拟实验。结果确定了一组八项指标，形成了两个独特而稳定的专业知识集群。随后的敏感性分析能够揭示每个课程参与者与专家集群的距离（或接近程度），以及这些参与者在哪些指标上偏离了专家。然而，在这个阶段，很难将这些结果转化为关于如何提高欠发达技能的具体建议。尽管这项探索性研究的样本量很小，结果的普遍性有限，但该方法似乎是确定描述 ATC 专业知识的客观因素的有希望的示范，值得进一步研究。
通过组稀疏聚类对混合数据进行稀疏 k 均值分类
虽然通过正则化程序进行特征选择的问题在监督学习环境中引起了极大关注，并在过去二十年中产生了大量文献，但直到很晚且相对较新的时候，它才有效地出现在无监督框架中。第一种方法是基于模型的，这些方法自然适合包括套索（L 1）和相关惩罚，并且可以引用 [1] 来了解 L 1 惩罚的 EM 程序（混合由方差相等的高斯分布组成）或 [2] 来详细回顾基于模型的高维数据聚类。在更通用的框架中，没有对底层分布做出任何假设，在 [3] 中引入了具有 L 1 惩罚的稀疏 k 均值算法，后来扩展到每个聚类内的特征选择，并通过一致性结果得到加强，[4] [5] [6]。我们还要提到，最近在 [7] 中引入了稀疏 k 均值算法对重叠变量组的推广。话虽如此，上面引用的所有方法本质上都是为数值数据设计的，而真实数据通常由数值和分类特征组成。上面的一些作者触及了分类特征的问题，提到了使用虚拟变量进行转换使其数字化的可能性。但是，这个处理步骤并不是那么直接，因为零一向量上的欧几里得距离并不特别适合与数值变量上的欧几里得距离混合。其他作者
基于脑电图的情绪识别的可能性聚类促进半监督学习
最新脑机接口的目的是通过为每个受试者定制识别器来实现准确的情绪识别。在机器学习领域，基于图的半监督学习 (GSSL) 因其直观且在情绪识别方面具有良好的学习性能而受到越来越多的关注。然而，现有的 GSSL 方法对噪声或基于异常脑电图 (EEG) 的数据很敏感或不够稳健，因为每个受试者在相同场景中可能呈现噪声或异常 EEG 模式。为了解决这个问题，在本文中，我们发明了一种基于 EEG 的情绪识别的可能性聚类促进半监督学习方法。具体而言，它限制每个实例具有与其局部加权均值相同的标签成员值，以提高识别方法的可靠性。另外，在目标函数中引入了关于模糊熵的正则化项，通过增加样本判别信息量来增强隶属函数的泛化能力，提高了方法对噪声和异常值的鲁棒性。在三个真实数据集（即DEAP、SEED和SEED-IV）上的大量实验结果表明，所提方法提高了基于脑电信号的情绪识别的可靠性和鲁棒性。
基于 Wasserstein 距离的时间聚类用于电力系统容量扩展规划
摘要 — 随着可变可再生能源稳步融入欧洲电力系统，对容量扩展模型更高时间分辨率的需求也随之增加。当然，用于规划未来几十年电力系统的时间数据量与准确表示可再生能源变化所需的时间分辨率之间存在权衡。我们建议使用 Wasserstein 距离作为聚类差异的度量，用它来聚类需求、风能可用性和太阳能可用性数据。与欧几里得距离和最大距离相比，使用 Wasserstein 距离执行的层次聚类可使容量扩展规划 1) 更准确地估计系统成本和 2) 更有效地采用存储资源。数值结果表明，与欧几里得距离相比，成本估算提高了 5%，存储投资减少了相当于基准全时分辨率下安装容量的近 100%。
用于重建NGS的聚类模型之间的性能比较来自技术重复
为了提高单个DNA测序结果的性能，研究人员经常使用同一个人和各种统计聚类模型的重复来重建高性能呼叫仪。在这里，考虑了基因组Na12878的三个技术重复，并比较了五个模型类型（共识，潜在类，高斯混合物，kamila - 适应性的K-均值和随机森林），涉及四个性能指标：敏感性，精度，精度，准确性和F1评分。与不使用组合模型相比，i）共识模型提高了精度0.1％； ii）潜在类模型带来了1％的精度改善（97％ - 98％），而不会损害灵敏度（= 98.9％）； iii）高斯混合模型和随机森林提供了更高精确度（> 99％）但敏感性较低的呼叫； iv）卡米拉提高了精度（> 99％），并保持高灵敏度（98.8％）；它显示出最好的总体表现。根据精确和F1得分指标，比较了组合多个呼叫的非监督聚类模型能够改善测序性能与先前使用的监督模型。在比较模型中，高斯混合模型和卡米拉提供了不可忽略的精度和F1得分的改进。因此，可能建议将这些模型用于呼叫集重建（来自生物或技术重复），以进行诊断或精确医学目的。
基于改进的k-neareb邻居和欧几里得聚类分割的锂电池表面缺陷的新方法
急剧降低加工效果。对于选择参数D，我们必须考虑点云数据收集的密度。当距离太小时，可以选择致密点，但是某些缺陷点会损失；当距离太大时，很难选择所有离群值D需要达到平衡的距离（图8b）。和最后，要确定体素网格的密度ρ从边缘去除稀疏体素，这反映了体素网格k-邻域中点云的密度（图8C）。因此，在此仿真示例中，提出的算法的参数配置如下：n = 12，d = 1，ρ= 0.5。