XiaoMi-AI文件搜索系统
World File Search System理科大学
个人简历 Prof.博士安藤洋一
2018 年至今 “量子计算的物质和光” 卓越集群 (ML4Q) 发言人 2015 年至今 科隆大学物理研究所 第二研究所 教授 (W3) 2007–2015 大阪大学科学与工业研究中心 教授 1996–2007 电力工业中央研究所 高级研究员 (2004–2005 材料物理与合成系主任) (1997–2005 东京理科大学 客座副教授 [兼职]) 1994–1996 贝尔实验室常驻访问学者 (博士后) 1994–1994 电力工业中央研究所 研究科学家 1991–1994 ISTEC 超导研究实验室 研究科学家 1989–1991 电力工业中央研究所 副研究员
未来领袖
副教授 Ho Sin Ban 博士是多媒体大学 (MMU) 计算机与信息学院的高级讲师/培训师。他拥有马来西亚多媒体大学的信息技术博士学位，专门从事 Power BI、IR4.0、Python 和数据库培训。他获得了马来西亚槟城马来西亚理科大学的计算机科学学士学位（一等荣誉）和硕士学位。他的研究兴趣包括机器学习、健康信息学、模式分析和实证研究方法。他是 IEEE 和 IEEE 计算机学会的高级会员。他是经过认证的培训师培训师 (TTT)、Power BI 的 Microsoft Azure 数据基础知识、开放科学的数据管理、Microsoft Python 编程、Microsoft 数据库基础知识和 IREB（国际需求工程委员会）需求工程认证专家 (CPRE)。他还为参与者提供专业培训，包括中级和初级 Python 实践课程、Scratch 编程以及 IR4.0 基础知识（Protege 培训计划下）。
第五届智能传感器及应用国际会议
马来西亚理工大学 (UTM) 人工智能学院与 IEEE 仪器与测量学会马来西亚分会合作，很高兴宣布举办第五届智能传感器与应用国际会议 (ICSSA) 2024。会议定于 2024 年 9 月 10 日至 12 日在马来西亚槟城圣吉尔斯温布利酒店举行。本次会议由马来西亚理科大学 (USM) 和马来西亚玻璃市大学 (UniMAP) 联合举办。我们诚邀从业者和研究人员加入我们充满活力的社区，致力于推进科学技术的前沿，促进智能传感器和应用的创新和高质量研究与开发。今年的会议以“塑造智能创新的未来”为主题，鼓励学者探索突破性技术，促进协作努力，并设想变革性解决方案，推动社会走向更加智能和创新的未来。
室内和室外杀虫剂功效测试指南 ...
本指南的初稿由世界卫生组织 (WHO) 任命的起草委员会编写，委员会成员包括美国佛罗里达州巴拿马城佛罗里达农工大学的 Jane Bonds 博士、美国佛罗里达州盖恩斯维尔美国农业部蚊蝇研究组的 Gary Clark 博士、美国佛罗里达州盖恩斯维尔的 David Dame 博士、马来西亚槟城马来萨理科大学的 Zairi Jaal 博士、美国佛罗里达州帕尔梅托马纳提县蚊虫控制中心的 Mark Latham 先生、马来西亚吉隆坡医学研究所的 Han Lim Lee 博士、英国阿斯科特帝国理工学院的 Graham Matthews 教授、瑞士日内瓦世卫组织的 Michael Nathan 博士和瑞士日内瓦世卫组织农药评估计划 (WHOPES) 的 Morteza Zaim 博士。所有专家均未声明对这些指南的主题感兴趣。
带有和不带有储能优化的风能、太阳能和光伏可再生能源系统：先进机器学习和深度学习技术综述
1 安曼阿拉伯大学计算机科学与信息学学院，安曼 11953，约旦 2 马来西亚理科大学计算机科学学院，马来西亚槟城乔治城 11800 3 索邦大学阿布扎比分校人工智能中心，阿拉伯联合酋长国阿布扎比 38044；raed.zitar@sorbonne.ae 4 乌姆阿尔古拉大学计算机工程系，沙特阿拉伯麦加 21955；khmotairi@uqu.edu.sa 5 乌姆阿尔古拉大学电子学习与远程教育院长，沙特阿拉伯麦加 21955；ahmadalmahsiri80@gmail.com 或 amihussein@uqu.edu.sa 6 扎加齐格大学理学院数学系，埃及扎加齐格 44519； abd_el_aziz_m@yahoo.com 7 人工智能研究中心 (AIRC)，阿治曼大学，阿治曼 346，阿拉伯联合酋长国 8 人工智能科学与工程系，加拉拉大学，苏泽 435611，埃及 9 计算机科学与机器人学院，托木斯克理工大学，634050 托木斯克，俄罗斯 10 土木与建筑工程系，苏丹卡布斯大学，马斯喀特 123，阿曼；m.reza@squ.edu.om 11 工程与信息技术学院，悉尼科技大学，Ultimo，新南威尔士州 2007，澳大利亚 * 通讯地址：Aligah.2020@gmail.com (LA)；Gandomi@uts.edu.au (AHG)
唇腭裂儿童人工智能和机器学习的临床应用——系统评价
1 马来西亚科学院牙科科学学院，卫生校区，马来西亚科学院，Kubang Kerian，哥打巴鲁 16150，马来西亚 2 马来西亚科学院牙科科学学院，卫生校区，马来西亚科学院，Kubang Kerian，哥打巴鲁 16150，马来西亚，马来西亚 3 英迪国际大学健康与生命科学学院，马来西亚汝来 71800 4 国际医科大学牙科学院临床牙科（修复学）系，马来西亚吉隆坡武吉加里尔 57000 5 预防牙科系正畸科, 焦夫大学牙科学院, 沙卡卡 72345, 沙特阿拉伯 6 马来西亚理科大学健康园区牙科科学学院修复科, 马来西亚哥打巴鲁 16150, Kubang Kerian 7 牙科科学学院健康园区生物统计学系,科学大学马来西亚，Kubang Kerian，哥打巴鲁 16150，马来西亚 8 新加坡国家牙科中心，5 Second Hospital Avenue，新加坡 168938，新加坡 9 医学，生物科学和护理学院，MAHSA 大学，吉隆坡 42610，马来西亚 10 药学院，AIMST 大学， Bedong 08100，马来西亚 11 吉隆坡大学霹雳皇家医学院药学与健康科学学院药物化学系，怡保 30450，马来西亚 12 AIMST 大学牙科学院，Bedong 08100，马来西亚 * 通讯地址：johariyap@usm。我的 (J.Y.A.); lingshing.wong@newinti.edu.my (L.S.W.); sidzcristiano@gmail.com (S.S.)
大学生奖励相关的大脑激活
简介：了解年轻人如何处理奖励可以为我们的行为、教育追求、职业选择和社会关系提供有价值的见解。然而，不同的大脑区域处理不同类型的奖励。这项研究旨在使用功能性磁共振成像（fMRI）评估大脑对不同奖励线索的激活情况。材料和方法：招募了马来西亚理科大学健康科学学院的 20 名健康右利手参与者（10 名男性），平均年龄为 24±1 岁。参与者在使用 3 特斯拉 fMRI 扫描仪进行扫描的同时执行四个线索类别（现金、孝顺、证书和中性）的 2-back 任务。统计分析基于固定效应分析（FFX），阈值为体素级 p FWE <0.05。结果：在现金提示条件下，双侧纹状体、左侧下、中、上额回（SFG）和左侧下顶小叶（IPL）的激活程度最高；而“子孙”线索只激活了内侧 SFG。对于现金 > 子孙，顶上小叶双侧激活，而“子孙” > 现金激活了右侧中央后回。对于现金 > 证书和现金 > 中性线索，激活主要在右侧壳核中。结论：本研究结果强调了执行和决策大脑区域以及奖励相关区域在处理奖励相关刺激中的作用。马来西亚医学与健康科学杂志 (2024) 20(SUPP8): 18-29。doi:10.47836/mjmhs20.s8.3
DR的证词。约翰c。瓦格纳实验室主任爱达荷州...
我拥有密苏里理科大学核工程学理学学士学位，以及宾夕法尼亚州立大学的科学硕士和核工程学博士学位。在整个职业生涯中，我一直在与核燃料周期有关的技术问题密切参与。我毕业后的第一个职位是在一家私人公司设计和许可度过的核燃料存储和运输系统上。后来，在我在Oak Ridge国家实验室（ORNL）的工作期间，我支持美国DOE和核监管委员会（NRC）在与长期存储，运输，运输和消除核燃料有关的各种技术问题上，包括美国DOE核燃料的储存和核能计划（BUR）的行动（包括美国核心的核心计划）（包括实施蓝色的国家）（包括实施蓝色的行动 - 报告，并为实施临时存储（包括相关运输）奠定基础。在ORNL时，我担任了越来越多的责任的各种立场，最终是反应堆和核系统部门的主管。在2016年2月，我加入INL担任材料和燃料综合体的首席科学家，然后成为核科学技术局（NSTD）副实验室主任。我是170多个被指导期刊和会议文章，技术报告和会议摘要的作者兼合着者，其中一些有一百多个引用。我是美国核协会和美国科学发展协会的会员。我是美国核协会和美国科学发展协会的会员。
研究论文 通过静息态闭眼脑电图检测中度创伤性脑损伤
创伤性脑损伤 (TBI) 是如果医疗救治延误，可能带来严重后果的损伤之一。通常，需要分析计算机断层扫描 (CT) 或磁共振成像 (MRI) 来确定中度 TBI 患者的严重程度。然而，由于如今 TBI 患者的数量不断增加，对每位潜在患者进行 CT 扫描或 MRI 扫描不仅成本高昂，而且耗时。因此，在本文中，我们研究了使用具有计算智能的脑电图 (EEG) 作为替代方法来检测中度 TBI 患者严重程度的可能性。EEG 程序比 CT 或 MRI 便宜得多。虽然与 CT 和 MRI 相比，EEG 的空间分辨率不高，但它的时间分辨率很高。使用传统的计算智能方法从 EEG 分析和预测中度 TBI 非常繁琐，因为它们通常涉及复杂的信号预处理、特征提取或特征选择。因此，我们提出了一种使用卷积神经网络 (CNN) 自动对健康受试者和中度 TBI 患者进行分类的方法。该计算智能系统的输入是静息状态下的闭眼脑电图，未经预处理和特征选择。使用的脑电图数据集包括 15 名健康志愿者和 15 名中度 TBI 患者，这些数据来自马来西亚吉兰丹马来西亚理科大学医院。将所提出方法的性能与其他四种现有方法进行了比较。所提出方法的平均分类准确率为 72.46%，优于其他四种方法。结果表明，所提出的方法有可能用作中度 TBI 的初步筛查，以选择患者进行进一步诊断和治疗计划。