XiaoMi-AI文件搜索系统
World File Search System模型拟合
危险因素和次要预防干预措施在RHTNK-TPA治疗后半年内复发
目的：研究重组人TNK组织型纤溶酶原激活剂（RHTNK-TPA）和次要预防治疗后半年内急性脑梗塞（ACI）复发的危险因素。方法：从2023年3月至2024年4月，总共有84例在我们医院接受RHTNK-TPA治疗的ACI患者。根据治疗后半年内是否复发，将患者分为复发组和非转变组。比较了两组患者的临床数据，并分析了复发性脑梗塞的危险因素。通过纳入风险因素及其有效性核实构建了列图的风险预测模型。使用接收器操作特征曲线（ROC）评估模型歧视。模型拟合。Hosmer-Lemeshow（HL）分析用于评估模型一致性。同时探索了二级预防对复发率的影响。结果：有20例ACI复发的患者，复发率为23.81％。多元逻辑回归分析表明，ACI患者复发的风险因素包括70岁，吸烟，高血压，糖尿病，不规则或从未使用抗血小板药物（p <0.05）。根据上述索引构建了列图的预测模型。同时，HL测试表现出良好的拟合度（χ2= 1.684，p = 0.989）。急性脑梗塞患者在六个月内预测曲线（AUC）下的曲线（AUC）面积（AUC）为0.918（95％CI：0.848-0.988）和0.850（95％CI：0.703-0.997）。校准曲线表明列格图的预测值与实际观察值之间的良好一致。采取继发预防措施的ACI患者的复发率低于未采取相应措施的患者的复发率（p <0.05）。结论：ACI患者在半年内复发率很高。年龄≥70岁，吸烟，高血压，糖尿病，不规则或从未使用抗血小板药物是复发的危险因素。联合使用5个指标的nom图的预测模型可以用作准确且快速的临床评估工具。可以通过对患者进行相应的二级预防干预措施来降低复发率。
木纤维的热分解
*** 南卡希亚斯大学 (UCS)，Campus Sede，R. Francisco Getúlio Vargas，1130 - Petrópolis，RS **** 圣保罗州立大学 (UNESP) 工程学院材料与技术系、疲劳与航空材料研究组，瓜拉廷格塔，SP，巴西 ✉ 通讯作者：Heitor L. Ornaghi Jr.，ornaghijr.heitor@gmail.com 2020 年 6 月 15 日收到 木质生物质因其成本低、可再生和环境友好而成为生产生物能源的化石燃料的替代品。为了将生物质用作能源，强烈建议了解其热降解行为。这项工作重点研究了巴西木材行业常用的不同树种（湿地松 (PIE)、大桉 (EUG) 和伊塔乌巴 (ITA)）的木纤维的热降解。使用 F 检验统计工具，基于最常见的理论数据预测了它们的降解动力学和整体热行为。发现最可能的降解机制是所有测试的木纤维的自催化，具有三个不同的降解步骤。获得的结果与最近在文献中使用其他拟合方法报告的结果一致。发现纤维素是阿伦尼乌斯参数的主要贡献者，而半纤维素是反应级数的主要贡献者。关键词：建模和仿真、木纤维、热分解、热解、模型拟合引言根据欧盟 28 国 (EU-28) 的政策，预计生物能源（包括生物热能、运输用生物燃料和生物电能）将贡献 2021 年可再生能源目标的一半。相比之下，2015 年，生物能源消耗量是 2000 年石油消耗量的两倍多。1 全球使用的森林生物质的一次能源供应量估计约为 56 EJ，这意味着根据世界能源理事会的数据，木质生物质占每年供应的所有能源的 10% 以上，2 每年约 90% 的一次能源来自所有形式的生物质。3 因此，考虑到木材固有的可再生性，木质生物质和木材加工残留物对于满足未来的能源需求至关重要，尽管可持续管理森林资源势在必行。
二手车价格的机器学习算法的比较分析
4印度班加罗尔Surana学院助理教授摘要：2021年之后，生产了超过9000万辆客车，这标志着汽车生产的大幅增长。 这种增长导致了繁荣的二手车市场，该市场已成为一个极具利益的行业。 该市场中最关键，最迷人的研究领域之一是汽车价格预测。 准确的价格预测模型可以极大地使二手车行业的买家，卖方和企业受益。 本文介绍了两个监督机器学习模型的详细比较分析：K-Nearest邻居和支持向量机回归技术，以预测二手车价格。 我们利用了从Kaggle网站采购的二手车的全面数据集来培训和测试我们的模型。 K最近的邻居算法以其在回归任务中的简单性和有效性而闻名。 另一方面，支持向量机回归技术采用不同的方法，找到最适合数据的最佳超平面。 这两种方法都有其优势和劣势，我们在这项研究中探讨了这一点。 我们的结果表明，KNN和SVM模型在预测二手车价格方面都表现良好，但准确性的差异很小。 因此，建议的模型拟合为最佳模型，KNN的精度约为83％，SVM的精度为80％。 结果表明，KNN模型在预测二手车价格方面略高于SVM模型。 关键字：K最近的邻居，机器学习，预测，支持向量机，二手车精度。4印度班加罗尔Surana学院助理教授摘要：2021年之后，生产了超过9000万辆客车，这标志着汽车生产的大幅增长。这种增长导致了繁荣的二手车市场，该市场已成为一个极具利益的行业。该市场中最关键，最迷人的研究领域之一是汽车价格预测。准确的价格预测模型可以极大地使二手车行业的买家，卖方和企业受益。本文介绍了两个监督机器学习模型的详细比较分析：K-Nearest邻居和支持向量机回归技术，以预测二手车价格。我们利用了从Kaggle网站采购的二手车的全面数据集来培训和测试我们的模型。K最近的邻居算法以其在回归任务中的简单性和有效性而闻名。另一方面，支持向量机回归技术采用不同的方法，找到最适合数据的最佳超平面。这两种方法都有其优势和劣势，我们在这项研究中探讨了这一点。我们的结果表明，KNN和SVM模型在预测二手车价格方面都表现良好，但准确性的差异很小。因此，建议的模型拟合为最佳模型，KNN的精度约为83％，SVM的精度为80％。结果表明，KNN模型在预测二手车价格方面略高于SVM模型。关键字：K最近的邻居，机器学习，预测，支持向量机，二手车精度。简介汽车行业在过去十年中经历了令人震惊的改善，仅2021年就在超过7000万辆旅行车的时代就在整个圈子中遍布。这种激增导致了新的汽车市场，但也导致了增长，但还引起了充满活力和不断扩大的助手促进使用的汽车。随着使用的汽车促进蓬勃发展，准确地预期车辆成本已成为对买家和商人感兴趣的重要地方。一般而言，车辆提取的欲望取决于直接的后滑动模型，尽管坐标，但经常为捕获评估数据时的复杂的非线性关联特征。这些模型以善意为基础的模型以及与复杂和宽的数据集相关联时，按照行驶里程，年龄和状况的基本亮点（例如里程，年龄和状况）进行了基本亮点。随后很长时间以来，该领域已经朝着应用机器学习策略的应用迈出了至关重要的举动，这可以通过使用非线性计划和更合适的大规模数据来进行大修的准确性。在这些方法中，k-near最邻居的计算和增强矢量机后滑动已经积累了值得注意的思想。knn毫无轻松和增强性，根据数据中心的区域预测了车辆成本，而SVM专注于识别完美的超平面，最能将数据最佳分为不同的类别，随后通过照顾非线性关联来推进数字的执行。以下是使用的变量：这项研究探讨了K-Nearest邻居的比较执行，并支持向量机器预测使用的汽车成本。利用来自Kaggle商店的信息，我们评估了这些模型在不同的准备和测试方案下的精确性。我们的发现表明，尽管这两种模型都表现出了有希望的出现，但SVM表明了与KNN相比的精确性略有优势。此询问的观点是为了促进汽车部门内有先见之明的建模的持续讨论，强调了进步的机器学习方法的好处，以提高所使用的汽车成本估算的精度。
用脑电图测量量子钙离子的情感影响
Lester Ingber 教授，博士 摘要：背景：自 1980 年左右以来，大脑皮层相互作用的模型——大脑皮层相互作用的统计力学 (SMNI) 已成功计算了许多实验现象，包括使用重要性采样代码自适应模拟退火 (ASA) 拟合注意力任务中的脑电图 (EEG) 数据。SMNI 模型是在经典路径积分的背景下开发的，它提供了直观的见解以及直接的数值优势，例如，使用有效作用作为数据参数拟合的成本/目标函数。目标：先前的作者已经将情感 EEG 数据拟合到神经网络模型中。该项目旨在使用基于物理和生物学的模型来拟合相同的数据。先前的研究表明，注意力状态的 EEG 拟合有所改善；该项目将这些方法扩展到情感状态。方法：路径积分用于经典和量子背景。经典路径积分用于定义成本/目标函数以拟合数据，量子路径积分用于推导在磁矢量势存在下 Ca 离子波的闭式解析表达式，该磁矢量势由高度同步的神经元放电产生，从而产生 EEG。ASA 用于拟合 EEG 数据。结果：该研究的数学物理和计算机部分是成功的，因为使用这些模型拟合 EEG 数据的成本/目标函数与其他作者发表的先前研究一致。但是，由于 SMNI 模型包括这些量子效应，这是继续研究这些问题的另一个原因。这里的结果是一致的，而不是比以前使用神经网络模型的工作更好，尽管这里只使用了一个参数，而不是以前在这些数据上使用的多个过滤器和内核。结论：虽然这些量子效应具有高度推测性，但明确的计算表明它们与实验数据一致，至少到目前为止是这样。当前的超级计算机项目将此模型扩展到情感/情绪数据。几位作者在单个电极位置使用神经网络方法的结果显示出一定的预测能力；这里给出的结果与其他结果一致。然而，由于 SMNI 模型包括这些量子效应，这是继续研究这些问题的另一个原因。关键词：量子力学；路径积分；重要性抽样；神经科学 2022 年 1 月 11 日收到；2022 年 1 月 23 日修订；2022 年 1 月 25 日接受 © 作者 2022。在 www.questjournals.org 上以开放获取方式出版
课程清单 - 秋季2024
CP8205用户界面技术中的高级人类计算机交互当前趋势；主题包括替代交互设备，用户界面工具和接口建模技术。可用性测试和人为因素。1个学分CP8207特殊主题：计算机科学的核心该特殊主题课程研究了与计算机科学系列的核心领域相关领域中选定的高级主题，而现有课程未涵盖。主题将根据需求和讲师而有所不同。1个学分主题：推荐系统推荐系统是可以帮助用户在决策过程中的软件系统（例如，要购买的产品，要观看的视频，要阅读的新闻文章等）。它们用作过滤工具，以减轻用户的信息过载问题。它们已在许多电子商务网站，社交网络和许多其他Web应用程序中广泛使用。在本课程中，学生将学习推荐系统的基本概念，三种类型的推荐系统（基于内容，协作过滤和混合动力），流行模型（统计，基于机器学习，基于矩阵分解，基于基于矩阵的基础化，基于深度学习），用于实现这些系统和评估测量。还可以讨论特殊建议应用程序和高级主题，例如上下文感知，基于会话，社交，新闻推荐系统，公平性和偏见。CP8215计算机科学研究方法是针对基于研究的计算机科学学生的过渡，旨在帮助他们制定研究方案。1个学分无法获得课程选项学生。本课程补充了学生及其主管设计的特定研究计划。主题可能包括：科学探究的性质；信息收集技能；假设的制定和检验；实验设计；规划;数据分析；研究中的道德和专业责任。1课程选项学生无法获得学分。CP8310和CP8215中只有一个可以在学位完成时获得学分。CP8307计算机视觉简介本课程描述了计算机视觉的基础概念。特别是，该课程涵盖了图像形成过程，图像表示，特征提取，模型拟合，运动分析，3D参数估计和应用。1个学分CP8310计算机科学的定向研究本课程适用于希望在没有提供研究生级别课程的特定领域知识的硕士学生。希望上课的学生将被分配为最熟悉特定感兴趣领域的合适班级顾问。学生必须以有组织的格式介绍一个学期（以定向研究的形式，教程和个人研究的形式不少于90小时）的工作。CP8310和CP8215中只有一个可以在学位完成时获得学分。
18F-SynVesT-2 的首次人体研究：具有快速脑动力学和高特异性结合的 SV2A PET 成像探针
突触囊泡糖蛋白 2A 的 PET 成像可以对突触进行非侵入性量化。这项首次在人体上进行的研究旨在评估最近开发的突触囊泡糖蛋白 2A PET 配体 (R)-4-(3-(18F-氟)苯基)-1-((3-甲基吡啶-4-基)甲基)-吡咯烷-2-酮 (18F-SynVesT-2) 的动力学、重测可重复性和特异性结合程度，具有快速脑动力学。方法：九名健康志愿者参加了这项研究，并在高分辨率研究断层扫描仪上用 18F-SynVesT-2 进行了扫描。五名志愿者在两天内接受了两次扫描。五名志愿者在注射左乙拉西坦（20mg/kg，静脉注射）后重新进行扫描。采集动脉血以计算血浆游离分数并生成动脉输入函数。将各个 MRI 图像与脑图谱配准以确定生成时间 - 活动曲线的感兴趣区域，这些曲线与 1 和 2 组织区室（1TC 和 2TC）模型拟合以得出区域分布容积（VT）。使用半卵圆中心（CS）作为参考区域，从 1TC VT 计算区域不可置换结合电位（BP ND）。结果：合成了 18 F-SynVesT-2，具有高摩尔活性（187 6 69 MBq/nmol，n 5 19）。注射后 30 分钟，血浆中 18 F-SynVesT-2 的母体分数为 28% ± 8%，血浆中游离分数较高（0.29 ± 0.04）。18 F-SynVesT-2 迅速进入脑部，注射后 10 分钟内 SUV 达到峰值 8。局部时间 - 活动曲线与 1TC 和 2TC 模型均能很好地拟合；但使用 1TC 模型估算 VT 更可靠。1TC VT 范围从 CS 中的 1.9 ± 0.2mL/cm 3 到壳核中的 7.6 ± 0.8mL/cm 3，绝对重测变异性较低（6.0% ± 3.6%）。局部 BP ND 范围从海马中的 1.76 ± 0.21 到壳核中的 3.06 ± 0.29。 20 分钟的扫描足以提供可靠的 VT 和 BP ND。结论：18 F-SynVesT-2 在脑中具有快速动力学、高特异性摄取和低非特异性摄取。与非人类灵长类动物的结果一致，18 F-SynVesT-2 在人脑中的动力学比 11 C-UCB-J 和 18 F-SynVesT-1 的动力学更快，并且能够在更短的动态扫描中获取有关脑血流和突触密度的生理信息。
X-宽带能谱的物理模型...
目的。我们为 X 射线照射吸积盘的宽带光谱能量分布 (SED) 开发了一种新的物理模型，该模型考虑了吸积盘和 X 射线冕的相互作用，包括由中心黑洞 (BH) 的强引力对光传播和光子能量从盘到冕静止坐标系或从冕静止坐标系到观察者的转换引起的所有相对论效应。方法。我们假设一个开普勒光学厚、几何薄的吸积盘和一个灯柱几何中的 X 射线源。X 射线冕发射各向同性的幂律类 X 射线谱，具有高能截止。我们还假设标准盘模型最内层热辐射释放的所有能量都被传输到冕，从而有效冷却该区域的盘。此外，我们还包括由于 X 射线源对圆盘照明的吸收部分进行热化而导致的圆盘加热。还包括由于圆盘照明而导致的 X 射线反射。X 射线光度由从吸积盘（或外部源）提取的能量和散射光子本身带来的能量给出，因此能量平衡得以保持。我们通过迭代过程计算了低能 X 射线截止，充分考虑了圆盘的 X 射线照明与进入日冕的吸积盘光谱之间的相互作用。我们还计算了日冕半径，考虑到康普顿化过程中光子数的守恒。结果。我们详细讨论了模型 SED 及其对系统参数的依赖性。我们表明，圆盘-日冕相互作用对产生的 SED 有深远的影响，它限制了 X 射线光度并改变了 UV 蓝色凸起的形状和正常化。我们还将模型 SED 与目前可用的类似模型预测的 SED 进行比较。我们使用新代码来拟合 NGC 5548 的宽带 SED，这是一个典型的 Seyfert 1 星系。当与之前模型拟合同一源的光学和紫外线时间滞后的结果相结合时，我们推断出黑洞自旋较高、系统倾角中等、吸积率低于爱丁顿的 10%。该源的 X 射线光度可能由圆盘中耗散的 45-70% 的吸积能量支持。新模型名为 KYNSED ，可供公众使用，用于在 XSPEC 光谱分析工具中拟合 AGN SED。结论。 AGN 吸积盘的 X 射线照射可以解释至少一个 AGN（即 NGC 5548）观测到的 UV 和光学时间滞后以及宽带 SED。过去几年中，我们利用多波长、长期监测观测同时研究了这些 AGN 的光学、UV 和 X 射线光谱和时间特性，这将使我们能够研究这些系统中的 X 射线和吸积盘几何形状，并限制其物理参数。
18 F-SynVesT-2 的首次人体研究：具有快速脑动力学和高特异性结合的 SV2A PET 成像探针
突触囊泡糖蛋白 2A 的 PET 成像可以对突触进行非侵入性量化。这项首次在人体上进行的研究旨在评估最近开发的突触囊泡糖蛋白 2A PET 配体 (R)-4-(3-(18F-氟)苯基)-1-((3-甲基吡啶-4-基)甲基)-吡咯烷-2-酮 (18F-SynVesT-2) 的动力学、重测可重复性和特异性结合程度，具有快速脑动力学。方法：九名健康志愿者参加了这项研究，并在高分辨率研究断层扫描仪上用 18F-SynVesT-2 进行了扫描。五名志愿者在两天内接受了两次扫描。五名志愿者在注射左乙拉西坦（20mg/kg，静脉注射）后重新进行扫描。采集动脉血以计算血浆游离分数并生成动脉输入函数。将各个 MRI 图像与脑图谱配准以确定生成时间 - 活动曲线的感兴趣区域，这些曲线与 1 和 2 组织区室（1TC 和 2TC）模型拟合以得出区域分布容积（VT）。使用半卵圆中心（CS）作为参考区域，从 1TC VT 计算区域不可置换结合电位（BP ND）。结果：合成了 18 F-SynVesT-2，具有高摩尔活性（187 6 69 MBq/nmol，n 5 19）。注射后 30 分钟，血浆中 18 F-SynVesT-2 的母体分数为 28% ± 8%，血浆中游离分数较高（0.29 ± 0.04）。18 F-SynVesT-2 迅速进入脑部，注射后 10 分钟内 SUV 达到峰值 8。局部时间 - 活动曲线与 1TC 和 2TC 模型均能很好地拟合；但使用 1TC 模型估算 VT 更可靠。1TC VT 范围从 CS 中的 1.9 ± 0.2mL/cm 3 到壳核中的 7.6 ± 0.8mL/cm 3，绝对重测变异性较低（6.0% ± 3.6%）。局部 BP ND 范围从海马中的 1.76 ± 0.21 到壳核中的 3.06 ± 0.29。 20 分钟的扫描足以提供可靠的 VT 和 BP ND。结论：18 F-SynVesT-2 在脑中具有快速动力学、高特异性摄取和低非特异性摄取。与非人类灵长类动物的结果一致，18 F-SynVesT-2 在人脑中的动力学比 11 C-UCB-J 和 18 F-SynVesT-1 的动力学更快，并且能够在更短的动态扫描中获取有关脑血流和突触密度的生理信息。
幸存板：多摩斯癌症生存模型的标准化基准测试
单细胞测序技术，包括单细胞RNA测序（SCRNA-SEQ）和单细胞ATAC测序（SCATAC-SEQ），使研究人员能够量化细胞的OMIC PHE-NOTYPES。理想的单细胞数据分析有望帮助研究人员了解细胞上的异质性，提取感兴趣的细胞亚群，识别与细胞亚群相对应的特征基因集，并揭示细胞子源的关系。在这些分析任务中，识别特征基因集是一个关键步骤。特征基因集定义为在细胞亚群之间差异表达的基因集。它们通常用于注释细胞亚群并进行基因集富集分析。现有的特征基因鉴定方法经常采用两步方法（此后称为两步方法）：首先将细胞聚集（例如Seurat [1-4]，简单的Louvain [5]，通过插入性和维度降低（CIDR）（CIDR）[6]和Scanpy [7]和差异表达基因（例如9）（例如9）[8] [8] [8] [8] [8] [8] [8] [8] [8] [8] [8] [8] [8] [8] [8] [8] [8] [14,15]，limma-voom [16]和桅杆[17]）随后在细胞簇上进行以识别特异性特异性特征基因。但是，这种方法对具有复杂或微妙的异质性的数据具有可疑的精度，因为不准确的初始聚类步骤可能会导致随后的错误特征基因鉴定[18]。但是，这些方法不会将特征基因分离为亚群特异性基因集，从而限制了它们的注释细胞的效用。这些基因集用于计算细胞基因集富集评分，然后注释细胞。另外，某些方法通过检测高度可变基因（HVG）的偏差来识别特征基因，这些基因与人群相对于模型拟合的偏差[19]，辍学率[20]和UMI计数分布[21]（此后称为HVG方法）。为了克服现有方法的局限性，我们提出了Sifinet，这是一种直接识别特征基因集的独特方法，可消除对先前细胞聚类的需求。源于关键观察，即在细胞亚群中共差异表达的基因也表现出共表达模式（供应。注1），Sifinet构建了一个基因共表达网络，并检查其拓扑以识别特征基因集。此外，这些基因集中的网络意味着细胞亚群之间的关系（图1）。此外，Sifinet可以选择地整合SCATAC-SEQ数据，因为它形成了基因合作 - 染色质网络，并探讨了其拓扑以确定表观基因组特征基因集。Sifinet分析SCRNA-SEQ和SCATAC-SEQ数据的能力使研究人员深入了解了细胞多瘤异质性。我们证明，在识别特征基因集和增强细胞注释精度时，Sifinet优于现有的两步方法和HVG方法。此外，我们认为Sifinet可以鉴定细胞之间的复杂异质性，并揭示细胞亚群中潜在的发育谱系。Sifinet也可以缩放以分析数百万个单元的数据集。我们将Sifinet应用于五个已发表的实验数据集，并发现了一些潜在的新发现，例如潜在的新细胞周期标记和衰老标记，衰老细胞富集的亚群，髓样祖细胞的发育效果以及CD8细胞的发育效果以及CD8细胞的构造以及可能的过渡路径。