XiaoMi-AI文件搜索系统
World File Search System检测方法
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。
DIV>食品中的特定DNA检测方法包含使用水解探针
引入由明胶制成的产品通常包含具有非常低浓度和较高抑制剂的DNA，因此在检测猪含量时需要敏感，特异和一致的测试方法。这是由于含有低浓度的DNA的明胶基质，含有抑制剂将抑制扩增反应。因此，需要足够的提取技术来获得尽可能多的DNA，然后将其纯化。足够且不包含高抑制剂的DNA量决定了样品中包含的靶DNA扩增的成功。该标准是为了提供标准测试方法来检测使用实时PCR仪器的含明胶产品中低浓度的猪DNA含量。该标准可以用作授权监管机构进行的市场前和市场监管活动的参考。该标准是通过考虑立法的规定，如下所示：1。2012年第18号法律有关食品； 2。2014年第33号法律有关清真产品保证； 3。1999年第69号政府法规涉及食品标签和广告； 4。政府法规2019年第86条有关粮食安全； 5。政府法规2021年第39号法规有关清真产品保证的实施； 6。POM调节编号HK.03.1.23.06.10.5166 2010年的2010年，关于包括某些成分，酒精含量和到期限制的信息，包括标记/标签药物，传统医学，食品和食品补充剂； 7。POM法规2018年第31条有关处理的食品标签及其修正案，即粮食和药物监督机构2021年第2021号粮食监督机构的监管机构对2018年食品和药品监督机构的修正案的修正加工食品标签。
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
使用逻辑回归预测糖尿病疾病的发生：一种早期检测方法
摘要：糖尿病疾病在全球范围很普遍，预测其进展至关重要。已经提出了几种模型来预测这种疾病。这些模型仅确定疾病标签，从而使发展疾病的可能性不清楚。提出一个预测疾病进展的模型至关重要。因此，本文提出了一个逻辑回归模型，以预测糖尿病综合征发病率的可能性。使用Sigmoid函数的模型利用逻辑回归的功能。使用PIMA印第安人糖尿病数据集评估了模型的性能，并表现出很高的精度，灵敏度和特异性。预测准确率为77.6％，灵敏度为72.4％，特异性为79.6％，I型误差为27.6％，II型误差为20.4％。此外，该模型表明了使用实验室测试的可行性，例如妊娠，葡萄糖，血压，BMI和糖尿病性重复功能，以预测疾病进展。提出的模型可以帮助患者和医生了解疾病的进展并及时进行干预措施
截止日期未考虑可变执行时间的DAG任务的早期检测方法
自主驾驶系统必须保证安全，这需要严格的实时性能。必须通过端到端截止日期完成一系列从传感器数据输入到车辆控制命令输出的过程。如果发生截止日期，则系统必须迅速过渡到安全状态。为了提高安全性，提出了一种截止日期的早期检测方法。所提出的方法表示自主驾驶系统是定向的无环图（DAG），并具有计时器驱动和事件驱动的节点的混合物。它根据端到端截止日期为每个节点分配适当的时间约束。但是，现有方法假设最差的执行时间（WCET）用于计算每个节点的时间约束，并且不考虑节点的执行时间变化，从而使截止日期的检测失踪。本文提出了一种截止日期的早期检测方法，以确定在DAG任务中每个节点执行开始时定量遗忘的可能性。它使用概率执行时间来计算每个节点的时间约束，这将执行时间视为随机变量。实验评估表明，所提出的方法降低了悲观情绪，这是使用WCET的常规方法的问题，然后实现了更准确的早期检测到截止日期的错过。评估还表明，截止日期所需的静态分析的执行时间遗失了早期检测，在实际级别内。
“智能”供应链的兴起：AI和自动化如何革新物流基于Yolov8的多级交通标志检测方法
认识到交通标志是自动驾驶汽车的至关重要的任务，以提高道路安全性。在这项研究中，我们建议一本小说您只能看一次版本8（Yolov8）模型来识别交通标志。该模型已在Kaggle数据集上进行了培训，该数据集包含不同环境下的多个流量标志。Yolov8模型的准确性为80.64％，测试数据的召回率为65.67％。这些指标强调了该模型识别流量标志的能力。值得注意的是，Yolov8对早期版本进行了一些显着改进，例如在困难情况下增强的检测和增强的小规模标志识别。本文还探讨了整个模型训练阶段产生的困难，并提供了可行的解决方案，这些解决方案用于克服这些困难，从而提高了模型的性能。令人鼓舞的结果表明，实施基于YOLOV8的策略在实际交通管理系统中的生存能力，这是建立更复杂和可靠的交通信号识别技术的积极进步。
基于适体夹层和等温哑铃指数扩增的创新定量检测方法的开发
HAL 是一个多学科开放存取档案库，用于存放和传播科学研究文献，无论这些文献是否已出版。这些文献可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。
治疗性抗体和 Fc 融合蛋白的靶标结合 SPR 检测方法的开发
Sartorius 开发了一种平台表面等离子体共振 (SPR) 方法来测量单克隆抗体 (mAb) 与其靶标的靶标结合情况。该方法一次运行最多可测试 12 个样本，耗时约两天半，远高于之前固定靶标的 SPR 方法。治疗性抗体与其靶标分子的结合对于 mAb 药物的疗效至关重要。可以使用多种方法来评估抗体与其靶标的结合情况。SPR 是一种实时、无标记方法，可用于评估结合动力学（结合和解离速率）和药物分子（例如 mAb 及其靶标）之间相互作用的结合反应。结合动力学可以揭示抗体靶标结合的差异，而这些差异可能无法通过终点分析发现，因为具有明显不同动力学参数的抗体可能对靶标表现出相同的亲和力。
