XiaoMi-AI文件搜索系统
World File Search System标准差
患有发展性计算障碍的儿童大脑中数字处理和记忆区域的结构协方差增加
注：首先通过 Kolmogorov-Smirnov 检验对各个组进行正态分布检验。对于正态分布数据，平均值、标准差 ( SD ) 和 p 值基于双样本 t 检验。如果在一个或两个组中违反了正态性假设，则列出中位数和四分位距 (IQR)，并执行 Mann-Whitney U 检验（用 U 表示）。对于名义数据，对性别执行 Fisher 精确检验（用 F 表示），对惯用手执行似然比（用 L 表示）。
使用庞加莱图评估狗心率变异性分析的指标
摘要：使用庞加莱图进行心率变异性分析可用于评估自主神经系统功能。然而，对庞加莱图定量指标的解释仍然存在争议。因此，很少有研究验证过这些定量指标在兽医学中的有效性。本研究旨在使用狗的药理学模型验证庞加莱图指标的可靠性。本研究使用了四只健康的比格犬。每只狗分别接受普萘洛尔、阿托品和普萘洛尔-阿托品治疗，以阻断交感神经、副交感神经和交感-副交感神经功能。庞加莱图的定量指标是根据在给药前后收集的 300 次心电图数据计算得出的，并进行统计分析。庞加莱图的定量指标，如垂直于长轴的标准差（SD1）、沿长轴的标准差（SD2）、SD1×SD2等，在给药后，无论是副交感神经阻断模型还是交感神经-副交感神经阻断模型，均明显下降，但各组间SD1/SD2无明显差异。庞加莱图反映了犬自主神经系统的变化，在犬中，SD1、SD2、SD1×SD2可检测出副交感神经活动被抑制的状态。
如何使用 chatGPT？
源于在教育中使用人工智能可以利用布鲁姆 2-Sigma 效应 (Bloom, 1984)（基本上是指研究发现学习者在接受个性化辅导时取得了相当于两个标准差的显著进步），人工智能可以为学生提供获得个性化支持的独特机会。尽管多年来人们对 AIED（教育中的人工智能）进行了深入讨论，但其有效性的有力证据仍然很少（欧洲理事会，2022 年）。因此，在使用人工智能的同时，在我们的教学中做出合理的教学决策至关重要。
摩根大通战略收入机会基金
图表来源：摩根大通资产管理公司；数据截至 2024 年 12 月 31 日。I 股成立日期为 2008 年 10 月 10 日。适用 I 股类别的最低资格要求；有关详细信息，请参阅招股说明书。过往表现并不保证未来结果。1 排名：1 年期（168/277）、3 年期（63/263）、5 年期（119/249）、10 年期（86/198）。风险通过标准差来衡量——标准差是衡量经理回报与其平均值或均值的方差：1 年期（4/277）、3 年期（1/263）、5 年期（9/249）、10 年期（2/198）。夏普比率衡量基金相对于其风险的回报。风险调整后的回报数字越高越好。排名：1 年期。 （150/277）、3 年期（89/263）、5 年期（104/249）、10 年期（21/198）。2 彭博巴克莱美国综合指数是一种非管理指数，代表美国证券交易委员会 (SEC) 注册的应税和美元计价证券，涵盖美国投资级固定利率债券市场，指数成分包括政府和公司证券、抵押贷款转手债券和资产支持证券。表现：1 年期（1.25）、3 年期（-2.41）、5 年期（-0.33）、10 年期（1.35），自成立以来（3.00）。
高分辨率图像纹理作为鸟类物种丰富度的预测指标
我们测试了图像纹理作为新墨西哥州半干旱景观中鸟类物种丰富度的预测指标。鸟类物种丰富度是通过 1996 年至 1998 年在 42 个地块（每个 108 公顷）内的 12 个点进行的 10 分钟点计数总结出来的。我们在 1996 年获取的一组数字正射影像上，在八种不同的窗口大小中计算了 14 个一阶和二阶纹理测量值。对于 42 个地块中的每一个，我们都总结了多个窗口大小内每个纹理值的平均值和标准差。使用线性回归模型评估了图像纹理和平均鸟类物种丰富度之间的关系。单一图像纹理测量（例如标准差）可以描述物种丰富度高达 57% 的变异性。结合多种纹理测量或将海拔与单一纹理测量相结合可以描述鸟类物种丰富度高达 63% 的变异性。结合两种纹理测量和粗糙栖息地类型的模型可以描述鸟类物种丰富度 76% 的变异性。这些结果表明，图像纹理分析是一种非常有前途的工具，可用于描述半干旱生态系统的栖息地结构和预测物种丰富度模式。与依赖分类图像的方法相比，该方法具有多项优势，包括成本效益、纳入栖息地内植被变异性以及消除与边界划分相关的错误。© 2006 Elsevier Inc. 保留所有权利。
高分辨率图像纹理作为鸟类种类的预测指标...
我们测试了图像纹理作为新墨西哥州半干旱景观中鸟类物种丰富度的预测指标。鸟类物种丰富度是根据 1996 年至 1998 年在 42 个地块（每个 108 公顷）内的 12 个点进行的 10 分钟点计数总结出来的。我们对 1996 年获取的一组数字正射影像在八种不同的窗口大小中计算了 14 个一阶和二阶纹理测量值。对于 42 个地块中的每一个，我们总结了多个窗口大小内每个纹理值的平均值和标准差。使用线性回归模型评估了图像纹理与平均鸟类物种丰富度之间的关系。单一图像纹理测量（例如标准差）描述了物种丰富度高达 57% 的变异性。将多种纹理测量或高程与单一纹理测量相结合，可描述鸟类物种丰富度高达 63% 的变异性。结合两种纹理测量和粗略栖息地类型的模型可描述鸟类物种丰富度 76% 的变异性。这些结果表明，图像纹理分析是一种非常有前途的工具，可用于表征栖息地结构和预测半干旱生态系统物种丰富度模式。与依赖分类图像的方法相比，该方法具有多种优势，包括成本效益、纳入栖息地内植被变异性以及消除与边界划分相关的错误。© 2006 Elsevier Inc. 保留所有权利。
高分辨率图像纹理作为鸟类物种丰富度的预测指标
我们测试了图像纹理作为新墨西哥州半干旱景观中鸟类物种丰富度的预测指标。鸟类物种丰富度是通过 1996 年至 1998 年在 42 个地块（每个 108 公顷）内的 12 个点进行的 10 分钟点计数总结出来的。我们在 1996 年获取的一组数字正射影像上，在八种不同的窗口大小中计算了 14 个一阶和二阶纹理测量值。对于 42 个地块中的每一个，我们都总结了多个窗口大小内每个纹理值的平均值和标准差。使用线性回归模型评估了图像纹理和平均鸟类物种丰富度之间的关系。单一图像纹理测量（例如标准差）可以描述物种丰富度高达 57% 的变异性。结合多种纹理测量或将海拔与单一纹理测量相结合可以描述鸟类物种丰富度高达 63% 的变异性。结合两种纹理测量和粗糙栖息地类型的模型可以描述鸟类物种丰富度 76% 的变异性。这些结果表明，图像纹理分析是一种非常有前途的工具，可用于描述半干旱生态系统的栖息地结构和预测物种丰富度模式。与依赖分类图像的方法相比，该方法具有多项优势，包括成本效益、纳入栖息地内植被变异性以及消除与边界划分相关的错误。© 2006 Elsevier Inc. 保留所有权利。
街头外展活动是否吸引了预期的目标人群？退伍军人健康管理局无家可归者服务计划中的临床经验
摘要 目标：临床街头外展计划服务于无家可归的人们，这些人患有更多的医学和精神疾病，并且面临更大的社会和经济挑战。然而，外展计划在实践中可能难以让这些最脆弱的人参与进来。方法：使用退伍军人健康管理局 (VHA) 无家可归者运营管理系统 (HOMES) 2018 年至 2019 年 (N = 101,998) 的数据，比较通过街头外展联系到的无家可归退伍军人与自我推荐或诊所推荐的退伍军人的社会人口统计学、临床和财务特征。结果：通过街头外展服务参与的退伍军人报告的过去一个月无家可归的天数（平均值 (M) = 11.18 天，标准差 = 13.8）明显多于诊所转介组（M = 6.75 天，标准差 = 11.1），并且更有可能在过去 30 天内无家可归（RR = 2.23）。两组之间几乎没有其他差异。结论：尽管文献中的流行病学证据表明无家可归的无家可归者在医疗、精神、社会和经济方面更脆弱，但我们的街头外展组在这些变量上的表现并不比诊所转介组或自我转介组差，除了无家可归的时间更长。外展工作者似乎接触了更多无家可归的人，但不一定接触那些有如此严重脆弱性的人。需要专门的外展计划资金、培训和支持来支持向问题最严重的人进行街头外展。
聚醚醚酮的计算机辅助设计及其在儿科可拆卸间隙保持器中的应用
背景：乳牙过早脱落是儿童牙科的常见问题，导致牙弓完整性被破坏。因此，用于维持空间的间隙保持器 (SM) 是必需的。然而，目前制作可拆卸间隙保持器 (RSM) 的方法存在一些局限性。方法：利用扫描技术结合激光医学图像重建获得牙列缺损的数字模型。使用 3Shape 软件设计数字 RSM。它们使用两种方法制造：聚醚醚酮 (PEEK) 和传统方法（每组 20 个 RSM）。对于定性评估，10 位专家使用 Likert 五点量表对 40 个 RSM 进行评分。用硅胶替换 RSM 组织表面和模型之间的间隙，并测量最大和平均距离以及标准差。使用三维变异分析来测量这些空间。使用学生 t 检验和 Satterthwaite t 检验来比较不同材料的空间差异。结果：PEEK RSMs与模型拟合度较好，定性评估中，PEEK组和常规组的专家平均评分分别为1.80±0.40和1.82±0.40，两组间差异无统计学意义（p=0.875）；定量评估中，PEEK数字RSMs和常规RSMs的平均间距分别为44.32±1.75μm和137.36±18.63μm，两组间差异有统计学意义（p<0.001），且两组间的最大间距和标准差均有显著差异。
高分辨率图像纹理作为鸟类物种丰富度的预测指标
我们测试了图像纹理作为新墨西哥州半干旱景观中鸟类物种丰富度的预测指标。鸟类物种丰富度是通过 1996 年至 1998 年在 42 个地块（每个 108 公顷）内的 12 个点进行的 10 分钟点计数总结出来的。我们在 1996 年获取的一组数字正射影像上，在八种不同的窗口大小中计算了 14 个一阶和二阶纹理测量值。对于 42 个地块中的每一个，我们都总结了多个窗口大小内每个纹理值的平均值和标准差。使用线性回归模型评估了图像纹理和平均鸟类物种丰富度之间的关系。单一图像纹理测量（例如标准差）可以描述物种丰富度高达 57% 的变异性。结合多种纹理测量或将海拔与单一纹理测量相结合可以描述鸟类物种丰富度高达 63% 的变异性。结合两种纹理测量和粗糙栖息地类型的模型可以描述鸟类物种丰富度 76% 的变异性。这些结果表明，图像纹理分析是一种非常有前途的工具，可用于描述半干旱生态系统的栖息地结构和预测物种丰富度模式。与依赖分类图像的方法相比，该方法具有多项优势，包括成本效益、纳入栖息地内植被变异性以及消除与边界划分相关的错误。© 2006 Elsevier Inc. 保留所有权利。