XiaoMi-AI文件搜索系统
World File Search System模型拟合
SIFT2：利用流线纤维束成像技术对大脑白质连接进行密集定量评估
目标受众：对使用扩散 MRI 流线纤维束成像定量评估大脑白质连接感兴趣的研究人员。目的：由于流线重建过程的非定量性质 [1]，使用扩散 MRI 定量评估大脑白质连接非常困难。针对该问题提出的解决方案包括启发式校正已知的重建偏差 [2,3]（可能无法补偿所有重建误差）或评估连接路径上某些扩散模型参数 [4,5,6]（依赖于该参数的量化和可解释性）。最近，提出了球面反卷积信息纤维束成像滤波 (SIFT) 方法 [7]，通过选择性去除流线，将重建的流线密度与通过扩散信号球面反卷积估计的单个纤维群体积 [8] 进行匹配；完成此过程后，连接两个区域的流线计数变为连接这些区域的白质通路横截面积的估计值（最高可达全局缩放因子）。之前已证明，如果首先应用 SIFT 方法 [9]，大脑连接的定量测量与从人脑解剖估计的特性会更加密切相关。这种方法的缺点是，即使生成了许多流线（计算成本高昂），完成过滤后，流线密度可能非常低（这对于定量分析来说是不可取的 [10,11]）。在这里，我们提出了一种替代解决方案，称为 SIFT2：此方法不是去除流线，而是为每条流线得出合适的加权因子，以使总流线重建与测量的扩散信号相匹配。方法：与原始 SIFT 方法一样，我们执行纤维方向分布 (FOD) 分割，将流线分配给它们穿过的 FOD 叶，并得出一个处理掩模，以减少非白质体素对模型的贡献。我们将离散 FOD 叶 L 的积分表示为 FOD L ，将归因于该叶的流线密度表示为 TD L ，将处理掩模 [7] 在该叶所占体素中的值表示为 PM L ；从这些中我们得出比例系数 μ [7]（等式 1）。每条流线 S 都有一个关联的加权系数 FS 。FOD 叶 L 中的流线密度定义为（等式 2），其中 | SL | 是流线 S 穿过归因于 FOD 叶 L 的体素的长度。目标是找到一组加权系数 FS ，以最小化成本函数 f（等式 3），其中 λ 是用户可选择的正则化乘数，它将流线加权系数约束为与穿过相同 FOD 叶的其他流线相似（等式 4）。使用迭代线搜索算法可以找到解决方案：每个加权系数都经过独立优化，同时考虑一组相关项，这些相关项表示在对每个系数进行独立牛顿更新的情况下所有 L 的 TD L 的估计变化（等式 5）。数据采集和预处理：图像数据是从健康男性志愿者的 3T Siemens Tim Trio 系统（德国埃尔朗根）上采集的。DWI 协议如下：60 个弥散敏化方向，b =3,000s.mm -2，7 b =0 体积，60 个切片，2.5mm 各向同性体素。使用 MPRAGE 序列（TE/TI/TR = 2.6/900/1900ms，9° 翻转，0.9mm 各向同性体素）获取解剖 T1 加权图像。对弥散图像进行了校正以适应受试者运动 [12]、磁化率引起的扭曲 [13] 和 B 1 偏置场 [14]。使用约束球面反卷积 (CSD) [15] 估计纤维取向分布。使用 iFOD2 概率流线算法 [16] 生成了 1000 万条流线的纤维束图，该算法结合了解剖约束纤维束成像框架 [17] ，随机分布在整个白质中。结果：将 SIFT2 与执行 SIFT“收敛”（移除尽可能多的流线以实现与数据的最佳拟合 [7] ）进行了比较。对于 SIFT2，我们使用了 λ = 0.001，这是基于近似 L 曲线分析选择的。SIFT 和 SIFT2 方法都以这样一种方式操纵重建，使得流线密度与通过 CSD 得出的体积估计值高度一致（图 1）。然而，SIFT2 实现了比 SIFT 更优秀的模型拟合，同时保留了初始重建中的所有流线（而 SIFT 必须去除大约 96％ 的流线）。根据近似 L 曲线分析选择。SIFT 和 SIFT2 方法都以流线密度与通过 CSD 得出的体积估计值高度一致的方式操纵重建（图 1）。然而，SIFT2 实现了比 SIFT 更好的模型拟合，同时保留了初始重建中的所有流线（而 SIFT 必须删除大约 96% 的所有流线）。根据近似 L 曲线分析选择。SIFT 和 SIFT2 方法都以流线密度与通过 CSD 得出的体积估计值高度一致的方式操纵重建（图 1）。然而，SIFT2 实现了比 SIFT 更好的模型拟合，同时保留了初始重建中的所有流线（而 SIFT 必须删除大约 96% 的所有流线）。
树引导的稀有功能选择和电子健康记录数据逻辑聚合
在分析电子健康记录（EHR）数据时，通常会遇到具有大量稀有二进制特征的统计学习，尤其是在具有先前医疗诊断和程序的疾病建模时。处理所产生的高度稀疏和大规模的二进制特征矩阵是众所周知的具有挑战性的，因为传统方法可能缺乏测试和模型拟合中的不一致性，而机器学习方法可能无法产生可解释的结果或临床上有意义的风险因素。为了改善基于EHR的建模并利用疾病分类的自然分层结构，我们提出了针对大规模回归的树木制定特征选择和逻辑方法，具有稀有的二进制特征，在这种情况下，不仅通过稀疏追求来实现降低尺寸，而且还可以通过与逻辑启动子进行逻辑启动子来实现。我们将组合问题转换为线性约束的正则化估计，该估计可以通过理论上的构造实现可扩展的计算。在具有EHR数据的自杀风险研究中，我们的方法能够选择和汇总以诊断疾病的诊断层次结构为指导的先前的心理健康诊断。通过平衡EHR诊断记录的稀有性和特异性，我们的策略都改善了预测和解释。我们确定了重要的高级类别和心理健康状况的子类别，并同时确定每个人都需要与自杀风险相关的特异性水平。
培训数据分布通过机器学习
目的：监督机器学习（ML）为定量MRI中的参数映射提供了一种令人信服的替代方法。这项工作的目的是证明和量化不同训练数据分布对超级访问的ML用于拟合时的准确性和精度的影响。方法：我们使用传统的模型拟合和监督ML拟合了两个和三校区的生物物理模型以及模拟的扩散数据的扩散测量。对于监督的ML，我们培训了几个人工神经网络以及随机的森林回归器，以不同的地面真相参数分布。我们比较了使用合成测试数据从不同估计中获得的参数估计值的准确性和精度。结果：当训练集中参数组合的分布与在健康人类数据集中观察到的参数组合匹配时，我们观察到高精度，但对非典型参数组合的估计值不准确。相反，当从整个合理参数空间中统一采样训练数据时，对于非典型参数组合，估计值往往更准确，但对于典型的参数组合可能具有较低的精度。结论：这项工作强调，使用监督ML对模型参数的估计在很大程度上取决于训练集分布。我们表明，使用ML获得的高精度可能会掩盖强偏置，并且参数图的视觉评估不足以评估估计值的质量。
为什么应用SPSS，SmartPls和Amos
在商业和社会科学研究领域中，选择正确的定量数据分析工具对于得出可行的见解和验证假设是关键的。本研究使用了定性比较和对比方法。目的是突出每个工具的好处及其在社会科学和商业研究中的适当用途。spss，smartpls和amos是三个突出的工具，每个工具都提供了针对各种研究需求量身定制的独特优势。spss（社会科学的统计软件包）因其全面的统计程序和用户友好界面而广泛认可，这是执行详细描述性和推论分析的理想选择。smartpls（部分最小二乘结构方程建模）专门从事基于方差的SEM，为探索性研究和使用复杂数据集提供了强大的功能。其对预测和理论发展的关注对处理大型和复杂的模型特别有益。amos（矩结构的分析）在基于协方差的SEM中出色，为验证性因素分析和结构建模提供了广泛的工具。其图形界面和模型拟合指标有助于详细的模型验证和假设检验。每个软件都有其优势和局限性，使其成为解决定量研究不同方面的重要工具。了解其独特功能使研究人员可以为其特定的分析要求选择最合适的工具。
氢和二氧化碳在具有 SOD 拓扑的沸石咪唑酯骨架结构中的吸附：实验和建模研究
摘要 本研究旨在通过高压吸附研究、吸附等温线模型拟合和优先吸附位点和结合能的 DFT 研究，深入了解氢气和二氧化碳在沸石咪唑酯骨架 ZIF-8 中的吸附。ZIF 系列金属有机骨架的稳健性引起了人们对其在气体存储和分离大规模应用中的实用性的兴趣。我们使用 DMF 作为溶剂在室温下合成 ZIF-8，并将其与典型的溶剂热合成进行了对比。使用 XRD、SEM、TG-DSC 和 N 2 吸附等温线对所得材料进行表征。对活化材料进行高压体积吸附，以分析分别高达 50 和 40 bar 的氢气和二氧化碳存储容量。 ZIF-8 在 50 bar 和 77 K 下显示最大 H 2 存储容量为 3.13 wt%，在 40 bar 和 300 K 下显示最大 CO 2 存储容量为 46 wt%。根据平衡吸附数据估算了 Unilan 吸附等温线的参数，并计算了 H 2 和 CO 2 在 ZIF-8 上的等量吸附热。使用 DFT 计算获得 H 2 和 CO 2 的优先吸附位点。根据 DFT 计算出在最优先位点的 H 2 和 CO 2 的吸附焓值分别为 -7.08 和 -25.98 kJ/mol。我们发现在 77 K 时氢的等量吸附热 (-4.68 kJ/mol) 与来自 DFT 的氢吸附焓 (-6.04 kJ/mol) 非常接近。
气候变化决定了美国森林的生产力趋势的迹象
森林是全球陆碳汇不可或缺的一部分，在近几十年来，该森林占了约30％的人为碳排放。该水槽的持久性取决于积极驱动因素的平衡，这些驱动因素增加了生态系统碳存储（例如，CO 2手算）以及减少其的负驱动因素 - 例如，增强干扰。由于遇到背景干扰 - 复发动力学的效果的挑战，森林生产力对这些驱动因素的净响应尚不确定。我们将非线性模型拟合到美国森林库存数据（从1999年至2020年，在非种植园林中的113,806个地块重新评估），以量化生产率趋势，同时考虑到展位年龄，树木死亡率和收获。生产率趋势在美国东部通常是正面的，那里的气候变化很小，在美国西部的气候变化更为严重。在美国西部的生产率下降不能用死亡率或收获的增加来解释；这些下降可能反映了不利的气候 - 变化对树木生长的影响。在美国东部，可以将生物量的数据分为年龄 - 依赖性和年龄 - 独立组成部分，森林成熟和提高生产率（至少部分归因于CO 2受精），对生物量碳汇也大致贡献。因此，气候变化的不利影响似乎使水中的任何积极驱动因素 - 美国西部有限的森林有限，而森林的成熟和对年龄的积极反应 - 独立驱动因素对美国东部的碳汇率做出了贡献。未来森林的土地碳平衡可能取决于干旱和热应激的地理范围。
气候变化决定了美国森林的生产力趋势的迹象
森林是全球陆碳汇不可或缺的一部分，在近几十年来，该森林占了约30％的人为碳排放。该水槽的持久性取决于积极驱动因素的平衡，这些驱动因素增加了生态系统碳存储（例如，CO 2手算）以及减少其的负驱动因素 - 例如，增强干扰。由于遇到背景干扰 - 复发动力学的效果的挑战，森林生产力对这些驱动因素的净响应尚不确定。我们将非线性模型拟合到美国森林库存数据（从1999年至2020年，在非种植园林中的113,806个地块重新评估），以量化生产率趋势，同时考虑到展位年龄，树木死亡率和收获。生产率趋势在美国东部通常是正面的，那里的气候变化很小，在美国西部的气候变化更为严重。在美国西部的生产率下降不能用死亡率或收获的增加来解释；这些下降可能反映了不利的气候 - 变化对树木生长的影响。在美国东部，可以将生物量的数据分为年龄 - 依赖性和年龄 - 独立组成部分，森林成熟和提高生产率（至少部分归因于CO 2受精），对生物量碳汇也大致贡献。因此，气候变化的不利影响似乎使水中的任何积极驱动因素 - 美国西部有限的森林有限，而森林的成熟和对年龄的积极反应 - 独立驱动因素对美国东部的碳汇率做出了贡献。未来森林的土地碳平衡可能取决于干旱和热应激的地理范围。
...
可以使用细胞外电位（例如局部场上的电池或电脑电图）来测量脑组织中的抽象电现象。这些信号的解释取决于细胞外培养基的电结构和特性，但这些电特性的测量仍在争论中。一些测量指向细胞外培养基纯电阻的模型，因此诸如电导率和介电常数之类的参数应独立于频率。其他测量值指向这些参数的明显频率依赖性，其缩放定律与电容或扩散效应一致。但是，这些实验对应于不同的预先处理，目前尚不清楚如何正确比较它们。在这里，我们第一次提供了使用在各种制剂中相同的设置，从原代细胞培养物到急性脑切片的阻抗测量（在1-10 kHz频率范围内），以及与无生物学物质的人工脑脊髓流动的相似测量的比较。测量结果表明，当电流流过细胞膜时，细胞内电极和细胞外电极之间的宏观阻抗的频率依赖性显着，并且不能被电阻介质的模型捕获。将均值字段模型拟合到数据上表明，这种频率依赖性可以通过与膜周围的debye层相关的离子扩散来解释。我们得出的结论是，神经元膜及其离子环境会引起强大的电阻率偏差，应考虑到正确解释神经元产生的细胞外电位。
中国青少年的20个项目K-Docs的心理测量验证：多方法方法
创造力对于应对新世界挑战至关重要。Kaufman创造力量表（一种广泛使用的自我报告量表）评估了独特的创造力方面，但缺乏18岁以下青少年的验证，并且受经典测试理论（CTT）的限制。这项研究评估了15-18岁的中国青少年中20个项目Kaufman创造力量表（20-K-Docs）的心理测量特性。3,079名青少年完成了20 k-docs。ctt，Rasch分析和探索性结构方程模型（ESEM）用于评估可靠性和各种类型的有效性。通过将20k-Docs分数与创造性的自我效能（CSE）相关联，可以检查并发有效性。20 k-docs表现出极好的内部一致性（麦当劳的欧米茄：0.91–0.95）。Rasch分析支持项目有效性和最佳功能。倾斜的五因素模型和ESEM五因素模型表示令人满意的模型拟合。ESEM揭示了收敛的有效性和高因子相关性，从而提高了判别有效性。在20 k-docs和CSE之间发现了显着的正相关，尤其是在艺术和学术创造力中。20 k-Docs是中国青少年特定领域创造力的可靠且有效的量度。的发现强调了特定于领域的方法对创造力评估的重要性，并提出了开发更简洁的规模版本的潜力。
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。