XiaoMi-AI文件搜索系统
World File Search System检测方法
DDOS攻击检测方法的空间网络...
摘要：随着卫星通信的发展，卫星节点的数量不断增加，这无疑增加了保持网络安全的困难。将软件定义网络（SDN）与传统空间的网络相结合，提供了解决此问题的新想法。但是，由于SDN控制器的高度CEN the网络管理，一旦通过网络攻击破坏了SDN控制器，因此由于失去控制，IT管理的网络将瘫痪。对SDN控制器的主要安全威胁之一是分布式拒绝服务（DDOS）攻击，因此如何从科学上检测DDOS攻击已成为SDN SecurityMan⁃gatement中的热门话题。本文提出了一种基于SDN体系结构的基于空间网络的DDOS攻击检测方法。此攻击检测方法结合了优化的长期记忆（LSTM）深度学习模型和支持向量机（SVM），该模型不仅可以在时间序列上进行分类判断，而且还可以实现通过一段时间的流量特征来检测和判断。补充，它可以减少检测时间以及系统负担。
基于YOLOv3的高效小交通标志检测方法
摘要 近年来基于深度学习的目标检测框架取得了辉煌的成就。然而，现实生活中的交通标志检测仍然是大多数最先进的目标检测方法面临的巨大挑战。现有的深度学习模型不足以有效地从现实条件下的大图像中提取小交通标志的特征。本文提出了一种基于高效端到端深度网络模型的新型小交通标志检测方法，解决了小交通标志检测难题。所提出的方法将三个关键见解融入已建立的You Only Look Once (YOLOv3) 架构和其他相关算法中，具有速度快、精度高的特点。此外，适当引入网络剪枝以最小化网络冗余和模型大小，同时保持有竞争力的检测精度。此外，还采用了四个尺度预测分支来显著丰富多尺度预测的特征图。在我们的方法中，我们调整损失函数以平衡误差源对总损失的贡献。通过在清华-腾讯100 K交通标志数据集上的实验进一步证明了网络的有效性和鲁棒性。实验结果表明，我们提出的方法比原始的YOLOv3模型取得了更好的准确率，与相关文献中的方案相比，我们提出的方法不仅在检测召回率和准确率上表现出色，而且在检测速度上也获得了1.9 – 2.7倍的提升。
Deepfake Forensics，一种基于深度人工智能合成的检测方法
通讯作者：龚大峰（289133894@qq.com）。摘要 近年来，人工智能、深度学习和生成对抗网络（GAN）在深度伪造检测和取证方面的应用已成为一个新兴的研究领域。GAN自提出以来就得到了广泛的研究，并产生了许多应用来生成视频和图像等内容。这些新技术在许多领域的应用使得区分真假内容变得越来越困难。本研究分析了百余篇已发表的与GAN技术在各个领域应用生成数字多媒体数据相关的论文，阐述了可用于识别深度伪造的技术、深度伪造技术的好处和威胁以及如何打击深度伪造。研究结果表明，尽管深度伪造对我们的社会、政治和商业构成了重大威胁，但列出了多种手段来限制不道德和非法深度伪造的产生。最后，该研究还提出了其局限性以及未来可能的研究方向和建议。关键词：人工智能、深度学习、Deepfake、取证、GANs
使用基于标记扩增子的 NGS 检测方法通过液体活检基因组分析确定具有可操作突变的致癌成瘾晚期 NSCLC 患者的预后
基于循环肿瘤 DNA (ctDNA) 的分子分析正在通过多基因下一代测序 (NGS) 面板在晚期癌症患者的临床实践中迅速获得关注。然而，临床结果仍然描述不详，需要通过对血浆 ctDNA 中检测到基因组改变的患者进行个性化治疗来进一步验证。在这里，我们描述了通过 ctDNA 液体活检检测 InVisionFirst ® -Lung 在血浆中发现可操作改变的致癌成瘾晚期 NSCLC 患者的结果、3 个月时的疾病控制率 (DCR) 和无进展生存期 (PFS)。对 81 名晚期 NSCLC 患者进行了汇总回顾性分析，这些患者具有预测对目前 FDA 批准药物有反应的所有类型的改变：致敏常见 EGFR 突变（78%，n = 63）和 T790M（73%，46/63）、ALK / ROS1 基因融合（17%，n = 14）和 BRAF V600E 突变（5%，n = 4）。所有患者均通过先前的组织基因组分析确认了液体活检中检测到的可操作驱动改变，并且所有患者都接受了个性化治疗。在接受匹配靶向治疗的 82 名患者中，10% 为一线患者，41% 为二线患者，49% 为二线以上患者。 73% (46/63) 的患者在 TKI 复发时被检测到获得性 T790M，所有潜在患者 (34/46) 均根据 ctDNA 结果开始奥希替尼治疗。81 名可评估患者的 3 个月 DCR 为 86%。中位 PFS 为 14.8 个月 (12.1-22.9 个月)。基线 ctDNA 等位基因驱动基因分数与个性化治疗的反应率无关 (p = 0.29)。ctDNA 分子分析是一种准确可靠的工具，可用于检测晚期 NSCLC 患者中临床相关的分子改变。靶向治疗的临床结果支持将基于扩增子的 NGS ctDNA 分析液体活检用于晚期 NSCLC 患者的一线和复发检测。
二甲双胍中亚硝胺杂质的检测方法
液相色谱-电喷雾电离-高分辨率质谱 (LC-ESI-HRMS) 法测定二甲双胍药物物质和药物产品中的亚硝胺杂质背景：二甲双胍是一种处方药，用于控制 2 型糖尿病患者的高血糖。NDMA（N-亚硝基二甲胺）被归类为 2A 类化合物，因此将其定义为“可能对人类致癌”。FDA 已将药品中 NDMA 的每日可接受摄入量限制为 96 纳克（基于 2550 毫克最大日剂量 (MDD)，速释 (IR) 剂量为 0.038 ppm；基于 2000 毫克 MDD，缓释 (ER) 剂量为 0.048 ppm）。FDA 检测与研究办公室已在通过制造商商业购买或直接获得的选定药品样品中筛查了二甲双胍药物物质和药物产品中的 NDMA。已建立二甲双胍的初级 LC-HRMS 筛选并发布于此处。可以使用正交方法 LC-ESI-HRMS 确认阳性 NDMA 结果。结论：根据 ICH Q2(R1) 开发并验证了一种 LC-ESI-HRMS 方法，用于检测和定量二甲双胍药物物质和药物产品中的八种亚硝胺杂质，包括 N-亚硝基二甲胺 (NDMA)、N-亚硝基二乙胺 (NDEA)、N-乙基-N-亚硝基-2-丙胺 (NEIPA)、N-亚硝基二异丙胺 (NDIPA)、N-亚硝基二正丙胺 (NDPA)、N-亚硝基甲基苯胺 (NMPA)、N-亚硝基二正丁胺 (NDBA) 和 N-亚硝基-N-甲基-4-氨基丁酸 (NMBA)。该方法的检测限（LOD）、定量限（LOQ）和范围总结如下：
使用多标签学习和社区检测方法 (DTI-MLCD) 预测药物-靶标相互作用
1 上海交通大学微生物代谢国家重点实验室、生命科学与技术学院，上海 200240；2 深圳市南山区西丽街道万科云城一期 8 号楼鹏程实验室，518055；3 卡尔加里大学 摘要 识别药物-靶标相互作用 (DTI) 是药物发现和药物重新定位的重要步骤。为了降低大量的实验成本，蓬勃发展的机器学习已被应用于该领域并开发了许多计算方法，尤其是二元分类方法。然而，当前方法的性能仍有很大改进空间。多标签学习可以减少二元分类学习所面临的困难并具有较高的预测性能，并且尚未得到广泛探索。它面临的关键挑战是指数级的输出空间，考虑标签相关性可以帮助它。因此，我们通过引入用于 DTI 预测的社区检测方法 (称为 DTI-MLCD) 来促进多标签分类。另一方面，我们更新了2008年提出并沿用至今的金标准数据集。我们在更新前后的金标准数据集上执行了所提出的DTI-MLCD，结果表明它比其他经典机器学习方法和其他基准提出的方法更具优越性，证实了它的有效性。本研究的数据和代码可以在https://github.com/a96123155/DTI-MLCD找到。 关键词：药物-靶标相互作用，数据集更新，多标签学习，标签相关性，社区检测 1.引言 对于药物开发来说，药物发现（即发现潜在的新药）和药物重新定位（即获得具有新功效的旧药）是两个重要且成本高昂的策略[2]，而实现它们的重要步骤就是预测DTI。近年来，许多研究将流行的机器学习技术应用于实现智能医疗，在一定程度上加速了药物开发的进程。对于DTIs预测，利用机器学习技术不仅可以缩小实验研究的实验范围，而且可以对实验研究起到指导作用。近年来有很多综述文章[3-7]总结了机器学习方法在DTIs预测领域的进展，二分类方法是其中一个重要分支。对于二分类方法
基于 P 波、HRV 和 QR 电交替特征的阵发性心房颤动检测方法
阵发性心房颤动 (PAF) 的检测是一个相当复杂的过程，由心脏病专家或电生理学家通过读取心电图 (ECG) 手动执行。目前，已经提出了基于快速傅里叶变换 (FFT)、贝叶斯最优分类器 (BOC)、K 最近邻 (K-NN) 和人工神经网络 (ANN) 的自动检测计算技术。在本研究中，基于 P 波、QRS 复合波和心电图心率变异性 (HRV) 的形态获得了六个特征。使用来自 Physionet 心律失常数据库 MIT-BIH 的临床心电图信号验证了该方法的性能。前馈神经网络用于检测 PAF 的存在，总体准确率达到 97.4%。结果表明，与仅使用其中一个或最多两个信息的其他研究相比，加入 P 波、HRV 和 QR 电交替的信息可以提高识别 PAF 事件的准确性。
关于癫痫发作检测方法的调查 - ...
摘要：癫痫是一种神经系统疾病。目前，约有 5000 万人患有癫痫。癫痫发作的检测非常困难，因为每个患者的癫痫发作情况都不同。脑电图 (EEG) 可捕捉大脑活动，神经科医生需要分析这些脑电图信号才能检测出癫痫发作。传统上，神经科医生通过目视检查来检测癫痫发作的存在，这需要时间。但需要在规定的时间内做出准确的诊断，以便可以采取适当的治疗方法并减少进一步的并发症。因此，需要一种自动方法来检测和预测癫痫发作。癫痫发作预测很重要，因为如果在早期预测到癫痫发作，那么可以使用电刺激来抑制癫痫发作。我们首先从用于检测和预测癫痫发作的不同算法或方法开始，然后对用于癫痫发作诊断的不同方法进行比较研究，然后提出我们提出的方法，最后得出结论。索引词：深度学习、癫痫发作、特征提取、发作、机器学习、预测、发作前、检测。