XiaoMi-AI文件搜索系统
World File Search System检测方法
基于CRISPR-CAS13A系统，为禽流感病毒建立快速的视觉检测方法
迅速，特定且敏感地检测禽流感病毒（AIV），这项研究建立了一种基于定期群散布的短palindromic重复序列（CRISPR）和CRISPR相关蛋白13A（Cas13a）的重组酶辅助扩增（RAA）的视觉检测方法。在这项研究中，根据AIV核蛋白（NP）基因的保守序列设计了特定的引物和CRRNA RNA（CRRNA）。raa技术用于放大目标序列，并通过侧流量尺（LFD）视觉检测到放大产物。评估了Raa-Crispr-Cas13a-lfd的特定峰，敏感性和可重复性。同时，使用该方法和聚合酶链反应（PCR） - 琼脂糖电泳方法检测临床样品，并计算了两种检测方法的重合速率。结果表明，RAA-CRISPR-CAS13A-LFD方法可以实现目标基因片段的特定扩增，并且可以通过LFD视觉观察到检测结果。同时，与感染性支气管炎病毒（IBV），传染性喉咙痛病毒（ILTV）和纽卡斯尔病毒病毒（NDV）没有交叉反应。灵敏度达到10 0拷贝/ µL，比PCR-琼脂糖电泳方法高1,000倍。临床测试的巧合率为98.75％，总反应时间约为1小时。在这项研究中建立的RAA-CRISPR-CAS13A-LFD方法具有快速，简单，强大的特异性和高灵敏度的优点，这为AIV检测提供了新的视觉方法。
立场检测方法的偏见和解释性
Sherbrooke大学是一家讲法语的机构，以其人类维度，创新的操作风格和与专业人士的合作而闻名。Sherbrooke大学欢迎来自全球102个国家和地区的31,700多名学生。该系由24位积极参与以下研究领域的教授组成：人工智能，生物信息学，健康信息学，人类计算机互动，成像和数字媒体科学等。NLP实验室专注于理解和生成与社会问题有关的各种学科中的文本。其工作包括对可恶内容的识别和缓解，对假新闻的检测，对社交网络表达的立场的分析以及基于神经体系结构的NLP模型中的偏见的解释性和降低。
cyclospora cayetanensis：透视（2020-2023），重点是流行病学和检测方法
摘要：环虫cayetanensis感染在全球范围很普遍，寄生虫已成为主要的公共卫生和食品安全问题。尽管重要的努力已致力于促进防止和减少环孢子虫病的发生率，但仍有一些知识差距阻碍了实施有效措施的实施，以防止用环孢子虫卵囊污染农产品和水。其中一些数据差距可以归因于以下事实：访问卵囊是C. cayetanensis研究中的一个限制因素。没有动物模型，体内或体外培养系统来传播促进C. cayetanensis研究所需的卵囊。因此，研究人员必须依靠有限的卵囊供应有限的卵囊，从自然感染的人类患者那里获得的卵囊可以极大地限制有关该寄生虫的知识。尽管C. cayetanensis卵囊的供应有限，但在过去的三年中仍发生了一些重要的进步。在菌株和物种的分子表征，基因组产生以及新型检测方法的发展方面取得了巨大进步。这种全面的观点总结了2020年至2023年发表的研究，并评估了我们学到的知识，并确定了需要进一步研究的那些方面。
一种基于SAR与光学图像数据融合的目标检测方法 孙慕涵, 周银清, 徐华平
tib.eu › viewer › content › targetFileName=...MSDF（多传感器数据融合）的概念和技术利用了...计算负担非常大，因此目标算法。
基于纹理特征的脑信号数据神经系统异常智能检测方法
神经系统疾病的诊断是现代医学面临的最大挑战之一，也是当前的一个主要问题。脑电图 (EEG) 记录通常用于识别各种神经系统疾病。EEG 会产生大量的多通道时间序列数据，神经科医生可以通过视觉分析这些数据来识别和了解大脑内的异常及其传播方式。这是一个耗时、容易出错、主观且令人精疲力尽的过程。此外，EEG 分类的最新进展主要集中在使用 EEG 数据将特定疾病的患者与健康受试者进行分类，这种方法成本效益不高，因为它需要多个系统来检查受试者的 EEG 数据以查找不同的神经系统疾病。这迫使研究人员推进他们的工作，并创建一个统一的分类框架，用于从 EEG 信号数据中识别各种神经系统疾病。因此，本研究旨在通过开发一种基于机器学习 (ML) 的数据挖掘技术来满足这一要求，以从 EEG 数据中对多种异常进行分类。纹理特征提取器和基于 ML 的分类器用于时频谱图图像以开发分类系统。首先，使用滤波技术从信号中去除噪声和伪影，然后进行归一化以降低计算复杂度。之后，将归一化信号分割成小的时间段，并使用短时傅里叶变换从这些时间段生成频谱图图像。然后使用两个基于直方图的纹理特征提取器分别计算特征，并使用主成分分析从提取的特征中选择显著特征。最后，使用四种不同的基于 ML 的分类器将选定的特征归类为不同的疾病类别。在四个实时 EEG 数据集上测试了所开发的方法。所得结果显示出对各种异常类型进行分类的潜力，表明可以利用它从脑信号数据中识别各种神经系统异常。
基于红外热成像的平板轨道上表面裂纹的定量检测方法
摘要：表面裂纹是高速导轨（HSR）平板轨道中的典型缺陷，可以导致结构性恶化并降低轨道系统的服务可靠性。但是，如何有效检测和量化表面裂纹的问题目前尚未解决。在本文中，采用了一种基于红外热成像的新型裂纹检测方法来量化轨道板板上的表面裂纹。在这种方法中，首次使用非缩放的Contourlet变换（NSCT）基于图像 - 增强算法处理的红外摄像头的轨道平板的热合器，并且裂缝是通过边缘检测算法的。接下来，为了定量检测表面裂纹，提出了一种像素安排方法，从而可以获得裂纹宽度，长度和面积。最后，在实验室测试中验证了所提出方法在不同温度下的检测准确性，在该测试中，倒入平板的比例模型，并使用温度控制的柜子来控制温度变化过程。结果表明，所提出的方法可以有效地增强图像中表面裂纹的边缘细节，并且可以有效地提取裂纹区域。裂纹宽度的量化的准确性可以达到99％，而裂纹长度和面积的量化的准确性为85％，这基本上满足了HSR-SLAB-TRACK-TRACK-TRACK检查的要求。这项研究可以打开基于IRT的轨道板检查在HSR操作中的可能性，以提高缺陷检测的效率。
建立了9种水溶性维生素的定量检测方法
维生素是维持正常生理功能所需的一类痕量物质。维生素可以大致分为水溶性和脂溶性维生素。水溶性维生素主要是B维生素。维生素缺乏症。例如，维生素B1缺乏会导致beriberi，维生素B12缺乏会导致巨型贫血。因此，维生素测试对于评估人体的营养状况和相关疾病的诊断具有重要意义。在这项研究中，使用Agilent Infinity LC临床版/K6460 TQ/LC MS系统来建立人血清中9种水溶性维生素的检测方法，以快速，全面地评估人体中含有水溶性维生素的状态。
转基因生物的检测方法（...
将生物的生物体视为转基因的生物（GMO），当将新的外国DNA片段或转基因插入以创建新的特征中时。生物技术领域目前正在快速发展，每天都会出现更多的特征和应用。由于对环境和生物体的关注，社会尚未接受这项技术。国家使用严格的生物安全方案来减少对此问题的恐惧，并使用多种机制检测DNA和GMO蛋白分子，以确保生物技术产品不含异物或以低于阈值的水平（如果存在）。基于这些样品中DNA和蛋白质的数量和质量，进行了这些检测。定量检测对于确定每个样品的转基因阈值至关重要。使用各种PCR（定性或定量）基于DNA的GMO检测是这些检测技术之一。确定在侧生物体中表达蛋白质多少的第二个最受欢迎的技术是基于蛋白质的检测。DNA微阵列，生物传感器，色谱和DNA测序均可用于查找GMO。准确和敏感的转基因生物检测技术的可用性使我们能够控制农作物，食物和成分来源中的转基因生物的存在。
研究进展方面的昆虫肠道微生物的功能和检测方法
摘要：昆虫肠道是广泛的微生物的家园，这些微生物在营养物质的消化和吸收以及防御致病性微生物的保护中起着至关重要的作用。这些肠道微生物的种类受到年龄，饮食，农药，抗生素，性别和种姓等因素的影响。越来越多的证据表明，肠道菌群中的干扰会导致造成昆虫的健康，并且其多样性对宿主的健康产生了深远的影响。近年来，由于元基因组学和生物信息学技术的发展，使用分子生物学技术对宿主肠道微生物多样性进行快速，定性和定量研究已成为主要重点。本文回顾了昆虫肠道微生物的主要功能，影响因素和检测方法，以便为更好地研究肠道微生物和有害昆虫的管理提供参考和理论基础。
基于纹理特征的脑信号数据神经系统异常智能检测方法
神经系统疾病的诊断是现代医学面临的最大挑战之一，也是当前的一个主要问题。脑电图 (EEG) 记录通常用于识别各种神经系统疾病。EEG 会产生大量的多通道时间序列数据，神经科医生可以通过视觉分析这些数据来识别和了解大脑内的异常及其传播方式。这是一个耗时、容易出错、主观且令人精疲力尽的过程。此外，EEG 分类的最新进展主要集中在使用 EEG 数据将特定疾病的患者与健康受试者进行分类，这种方法成本效益不高，因为它需要多个系统来检查受试者的 EEG 数据以查找不同的神经系统疾病。这迫使研究人员推进他们的工作，并创建一个统一的分类框架，用于从 EEG 信号数据中识别各种神经系统疾病。因此，本研究旨在通过开发一种基于机器学习 (ML) 的数据挖掘技术来满足这一要求，以从 EEG 数据中对多种异常进行分类。纹理特征提取器和基于 ML 的分类器用于时频谱图图像以开发分类系统。首先，使用滤波技术从信号中去除噪声和伪影，然后进行归一化以降低计算复杂度。之后，将归一化信号分割成小的时间段，并使用短时傅里叶变换从这些时间段生成频谱图图像。然后使用两个基于直方图的纹理特征提取器分别计算特征，并使用主成分分析从提取的特征中选择显著特征。最后，使用四种不同的基于 ML 的分类器将选定的特征归类为不同的疾病类别。在四个实时 EEG 数据集上测试了所开发的方法。所得结果显示出对各种异常类型进行分类的潜力，表明可以利用它从脑信号数据中识别各种神经系统异常。