XiaoMi-AI文件搜索系统
World File Search System状态
脑电图微状态 A
摘要：理论基础：静息状态范式经常应用于脑电图 (EEG) 研究；然而，它与无法控制参与者的思想有关。为了量化受试者在休息时的主观体验，引入了阿姆斯特丹静息状态问卷 (ARSQ)，涵盖了十个思维游离维度。我们旨在估计主观体验与 EEG 的静息状态微状态之间的关联。方法：使用 197 名受试者的 5 分钟静息状态 EEG 数据来评估七个微状态类别的时间特性。采用贝叶斯相关方法来评估静息后评估的 ARSQ 域与微状态参数之间的关联。结果：揭示了舒适度、自我和躯体意识域与神经电微状态的时间特性之间的几种关联。舒适度与微状态 E 持续时间之间的正相关性显示出最强的证据 (BF 10 > 10)；其余相关性显示出大量证据 (10 > BF 10 > 3)。结论：我们的研究表明，评估静息状态下发生的自发思维对于理解微状态所反映的内在大脑活动具有重要意义。
展示从没有状态估计的像素飞行的敏捷飞行
摘要 - 次数是最敏捷的飞行机器人之一。尽管在基于学习的控制和计算机视觉方面取得了进步，但自动无人机仍然依赖于明确的状态估计。另一方面，人类飞行员仅依靠从板载摄像头的第一人称视频流将平台推向极限，并在看不见的环境中坚固地飞行。据我们所知，我们提出了第一个基于视觉的四摩托系统，该系统自动浏览高速的一系列门，而直接映射像素以控制命令。像专业的无人机赛车飞行员一样，我们的系统不使用明确的状态估计，并利用人类使用的相同控制命令（集体推力和身体速率）。我们以高达40 km/h的速度展示敏捷飞行，加速度高达2 g。这是通过强化学习（RL）的基于识别的政策来实现的。使用不对称的参与者批评，可以促进培训，并获得特权信息。为了克服基于图像的RL训练期间的计算复杂性，我们将门的内边缘用作传感器抽象。可以在训练过程中模拟这种简单但坚固的与任务相关的表示，而无需渲染图像。在部署过程中，使用基于Swin-Transformer的门检测器。我们的方法可实现具有标准，现成的硬件的自动敏捷飞行。尽管我们的演示侧重于无人机赛车，但我们认为我们的方法超出了无人机赛车的影响，可以作为对结构化环境中现实世界应用的未来研究的基础。
芳香酶抑制剂：从艺术状态到临床开放问题的旅程
乳腺癌是女性死亡的主要原因。在治疗这种疾病方面已取得了巨大进步，芳香酶抑制剂（AIS）已被认为是基石。它们的特征是高效率和低毒性。作者回顾了可用文献和定义的状态AI管理。这项研究旨在帮助临床医生在日常临床实践中同样权衡患者的需求和疾病控制率的需求。今天，AIS在治疗激素受体阳性乳腺癌中起着核心作用。 在这项研究中，专家小组回顾了有关AIS使用的文献，讨论了它们在乳腺癌的各个方面的使用，从乳腺癌前和绝经后早期乳腺癌到转移性乳腺癌，以及其有关效率和毒性的管理。 鉴于在改善日常临床实践中的生存方面取得的出色结果，临床医生需要解决他们对治疗持续时间的担忧以及对骨骼健康，心血管系统和代谢的不利影响。 目前，除了癌症治疗外，患者的参与对于改善依从性和支持患者的生活质量至关重要，尤其是在选定的患者中，例如接受扩展辅助疗法或与靶向疗法结合的患者。 对现代技术的描述提供了为这一重要目标做出贡献的描述。今天，AIS在治疗激素受体阳性乳腺癌中起着核心作用。在这项研究中，专家小组回顾了有关AIS使用的文献，讨论了它们在乳腺癌的各个方面的使用，从乳腺癌前和绝经后早期乳腺癌到转移性乳腺癌，以及其有关效率和毒性的管理。鉴于在改善日常临床实践中的生存方面取得的出色结果，临床医生需要解决他们对治疗持续时间的担忧以及对骨骼健康，心血管系统和代谢的不利影响。目前，除了癌症治疗外，患者的参与对于改善依从性和支持患者的生活质量至关重要，尤其是在选定的患者中，例如接受扩展辅助疗法或与靶向疗法结合的患者。对现代技术的描述提供了为这一重要目标做出贡献的描述。
实习飞行软件、计算机视觉和人工智能 瑞士苏黎世 公司：Daedalean 是一家总部位于苏黎世的初创公司，由前谷歌和 SpaceX 工程师创立，他们希望在未来十年内彻底改变城市航空旅行。我们结合计算机视觉、深度学习和机器人技术，为飞机开发最高级别的自主性（5 级），特别是您可能在媒体上看到的电动垂直起降飞机。如果您加入我们的实习，您将有机会与经验丰富的工程师一起工作，他们来自 CERN、NVIDIA、伦敦帝国理工学院或……自治系统实验室本身。您将构建塑造我们未来的尖端技术。最重要的是，我们还提供在瑞士阿尔卑斯山试飞期间与我们的飞行员一起飞行的机会。项目：不同的团队都提供机会。我们希望更多地了解您，以及我们如何让您的实习成为双方宝贵的经历。告诉我们您一直在做什么，以及您想在我们的团队中从事什么工作。它与深度学习有关吗？状态估计？运动规划？计算机视觉？或者其他什么？向我们展示您的热情所在。如果我们可以在您想要从事的领域提供指导和有趣的机会，我们将一起敲定细节。资格：强大的动手 C++ 经过验证的解决问题的能力如何申请：将您的简历/履历发送至 careers@daedalean.ai 。电话
实习飞行软件、计算机视觉和人工智能瑞士苏黎世公司：Daedalean 是一家总部位于苏黎世的初创公司，由前谷歌和 SpaceX 工程师创立，他们希望在未来十年内彻底改变城市航空旅行。我们结合计算机视觉、深度学习和机器人技术，为飞机开发最高级别的自主性（5 级），特别是您可能在媒体上看到的电动垂直起降飞机。如果您加入我们的实习，您将有机会与经验丰富的工程师一起工作，他们来自 CERN、NVIDIA、伦敦帝国理工学院或……自治系统实验室本身。您将构建塑造我们未来的尖端技术。最重要的是，我们还提供在瑞士阿尔卑斯山试飞期间加入我们飞行员的机会。项目：不同团队提供机会。我们想更多地了解您，以及如何让您的实习成为双方宝贵的经历。告诉我们你一直在做什么，以及你想在我们的团队中从事什么工作。它与深度学习有关吗？状态估计？运动规划？计算机视觉？或者别的什么？向我们展示你的热情所在。如果我们可以在你想从事的领域提供指导和有趣的机会，我们将一起敲定细节。资格： 强大的动手 C++ 证明解决问题的能力 如何申请： 将您的简历/履历发送至 careers@daedalean.ai 。请告诉我们一些关于您自己的信息，为什么您认为自己适合我们以及为什么我们适合您。
DBPR 状态报告仪表板
早在 2020 年秋季，我们就假设一切都是业务系统，但当时项目提供的指导表明，只有与 FLAIR 有直接联系的系统才被视为 ABS，因此我们报告的系统非常少。在 2023 年 12 月的技术接触点中，我们了解到我们最初的理解是该项目现在正在考虑 ABS，因此我们正在努力识别我们的 AB 系统。
在线依赖状态的模型 - 误差表示...
尽管[插入强迫]对[插入偏置过程]的影响的扩增将发生在数十年的时间尺度上，但与[插入有偏见的过程]本身相关的固有时间尺度通常是在小时的顺序上。因此，原则上应该可以通过在短期天气预测模式下研究此类模型的性能来评估[插入过程]的异常值是否现实。
一生中的皮质厚度和静息状态心脏功能：横断面汇总大型分析
朱利安·科尼格 1,2 |比尔吉特·阿布勒 3 |英格丽德·阿加茨 4,5,6 |托比约恩·阿克施泰特 7,8 |奥勒·安德烈亚斯森 4,9 |米娅·安东尼 10 |卡尔·尤尔根·贝尔 11 |卡佳·伯茨 12 |丽贝卡·C·布朗 13 |罗穆亚尔德·布伦纳 14 |卢卡嘉年华 15 |雨果·D·克里奇利 16 |凯瑟琳·R·卡伦 17 | Geus 18 的 Eco JC |十字架的费利伯特 11 |伊莎贝尔·吉奥贝克 19 |马克·D·费格 3 |哈坎·菲舍尔 20 |赫塔弗洛尔 21 |迈克尔·盖布勒 22,23 |彼得·J·吉安罗斯 24 | Melita J. Giummarra 25.26 |史蒂文·G·格林宁 27 |西蒙·根德尔曼 28 |詹姆斯·AJ·希瑟斯 29 |萨宾·J·赫珀茨 12 | Mandy X. 至 30 |塞巴斯蒂安·延奇克 31,32 |迈克尔·凯斯 1.33 |托拜厄斯·考夫曼 4.9 | Bonnie Klimes-Dougan 34 |斯特凡·科尔施 31.35 |玛琳·克劳奇 12 |丹尼斯·库姆拉尔 22.23 | Femke Lamers 30 |李泰浩 36 |马茨·亚历山大 7.8 |凤林10 |马丁洛策 37 |埃琳娜·马科瓦茨 38.39 |马泰奥·曼奇尼 40.41 |福尔克·曼克 12 | Kristoffer NT 价格 20,42 |斯蒂芬·B·马努克 24 |玛拉·马瑟 43 |弗朗西斯·米滕 44 |闵正元 45 |布莱恩·穆勒 17 |薇拉·穆恩奇 13 |弗劳克·尼斯 21.46 |林雅 45 |古斯塔夫·尼尔松内 8,20 |丹妮拉·奥尔多涅斯·阿库纳 31 |贝尔热·奥斯内斯 35.47 |克里斯蒂娜·奥塔维亚尼 39.48 |布伦达 WJH 彭尼克斯 30 |艾莉森·庞齐奥 45 |戈文达·R·普德尔 49 |詹尼斯·雷内尔特 22 |平忍10 |榊道子 50.51 |安迪舒曼 11 |林索伦森 35 |卡尔斯滕·施佩希特 35.52 |乔安娜·施特劳布 13 |桑德拉·塔姆 8,20,53 |米歇尔泰国 17 |朱利安·F·塞耶 54 |本杰明·乌巴尼 55 |丹尼斯·范德米 18 |劳拉·S·范维尔岑 56.57.58 |卡洛斯·文图拉-博特 59 |阿诺·维尔林格 22,23 |大卫·沃森 60 |魏鲁清 61 |朱莉娅·温特 59 |梅琳达·韦斯特伦德·施莱纳 34 |拉尔斯·T·韦斯特莱 4,9,62 |马蒂亚斯·威玛 59.63 |托拜厄斯·温克尔曼 21 |吴国荣 61 |刘贤珠 45 |丹尼尔·S·金塔纳 4.9
解释基于深度学习的静息状态功能连接数据表示：重点解释自闭症中的非线性模式
背景：静息态功能性磁共振成像 fMRI (rs- fMRI) 已广泛用于研究精神疾病的大脑功能，从而深入了解大脑组织。然而，rs-fMRI 数据的高维性给数据分析带来了重大挑战。变分自动编码器 (VAE) 是一种神经网络，在提取静息态功能连接 (rsFC) 模式的低维潜在表示方面发挥了重要作用，从而解决了 rs-fMRI 数据的复杂非线性结构。尽管取得了这些进展，但解释这些潜在表示仍然是一个挑战。本文旨在通过开发可解释的 VAE 模型并使用 rs-fMRI 数据在自闭症谱系障碍 (ASD) 中测试其效用来解决这一差距。