XiaoMi-AI文件搜索系统
World File Search System生理参数
虚拟现实高强度间隔训练与医学生的传统高强度电路训练相比：飞行员CROS
背景：本研究评估了虚拟现实（VR）高强度间隔训练（HIIT）拳击协议的有效性与传统的高强度电路训练（HICT）在改善30位健康医学生中的运动动机，参与度和生理反应方面相比。目的：目的是比较VR HIIT协议，该协议涉及使用Oculus Quest 2进行未来派外骨骼游戏体验以及传统的12个运动HICT。方法：总共有30名医学生，同时使用了VR HIIT，使用Oculus Quest 2进行未来派外骨骼游戏体验，并进行了传统的12个运动HICT。指标包括运动前后的心率（HR）和血液乳酸水平，以及感知的劳累和情境动机量表。结果：VR HIIT显示平均HR明显更高（平均161，SD 15 vs平均144，SD 11 bpm; d = 1.5; p <.001），峰值HR（平均182，SD 15，SD 15 vs平均176，SD 11 bpm; d = 0.8; d = 0.8; p = .001）和平均per per per per per per efertien（平均值2 vs 2 vs 2 vs 2 vs 2 vs 2 vs 2 vs 2 vs 2 vs 2 vs 2 vs 2 vsd; 4 = .03）。运动后乳酸水平较高（平均8.8，SD 4.5 vs平均10.6，SD 3.0 mmol/L; d = 0.6; p = .006）。内在动机和其他心理措施没有明显的差异，除了较低的疲劳（d = 0.5; p = .02）。结论：VR HIIT在保持内在动机的同时显着增强了生理参数，使其成为传统HICT的可行替代品。然而，这项研究的短期性质是一个限制，未来的研究应探讨VR运动在多样化和临床人群中的长期参与和治疗影响。
内脏肥胖发病机制中可能的关键因素
背景和目的：心血管、肾脏和脂肪组织中血管紧张素 II 型受体相关蛋白 (ATRAP) 表达失调与高血压、心脏肥大、动脉粥样硬化、肾脏损伤和代谢紊乱的病理有关。此外，ATRAP 在骨髓来源的免疫细胞中高度表达；然而，免疫细胞 ATRAP 在肥胖相关病理中的功能作用仍不清楚。因此，我们试图使用饮食诱导的肥胖小鼠模型来确定免疫细胞 ATRAP 在内脏肥胖和肥胖相关代谢紊乱发展中的病理生理意义。方法：首先，我们检查了高脂饮食 (HFD) 诱导的肥胖对野生型小鼠免疫细胞 ATRAP 表达的影响。随后，我们进行了骨髓移植以产生两种类型的嵌合小鼠：骨髓野生型嵌合 (BM-WT) 和骨髓 ATRAP 敲除嵌合 (BM-KO) 小鼠。这些嵌合小鼠被提供 HFD 来诱导内脏肥胖，然后研究免疫细胞 ATRAP 缺乏对嵌合小鼠生理参数和脂肪组织的影响。结果：在野生型小鼠中，HFD 引起的体重增加与免疫细胞 ATRAP 表达增加有关。在骨髓移植实验中，与 BM-WT 小鼠相比，BM-KO 小鼠表现出 HFD 引起的体重增加和内脏脂肪扩张的改善，脂肪细胞较小。此外，与 HFD 上的 BM-WT 小鼠相比，HFD 上的 BM-KO 小鼠在白色脂肪组织代谢、炎症、葡萄糖耐受性和胰岛素抵抗方面表现出显着改善。对白色脂肪组织的详细分析表明，通过改善 BM-KO 小鼠脂肪组织中 CD206 + 巨噬细胞的积聚，显着抑制了 HFD 诱导的转化生长因子-β 信号的激活，这是内脏肥胖的关键因素。这一发现为 BM-KO 小鼠在 HFD 上表现出的抗肥胖表型提供了相关机制。最后，单核细胞的转录组分析表明，基因变化（例如单核细胞水平上干扰素-γ 反应的增强）可能会影响 BM-KO 小鼠的巨噬细胞分化。
通过红荧烯光泵浦的磁场可切换激光器
晶体材料、石榴石或掺杂稀土的顺磁玻璃，因此不适合大面积和体积成像。[4] 氮空位 (NV) 中心对磁场具有高灵敏度（单个 NV 中心的灵敏度约为 1 nT Hz −1/2 量级），[5] 但 NV 的光学截面较弱，需要高分辨率检测其发射波长，并且校准困难。[6] 磁成像应用将受益于生物相容性材料（如分子或纳米颗粒）内更强的光磁相互作用，这些材料可以直接掺入样品或生物测定中。[7] 理想情况下，用于磁成像的纳米材料还能够进行高分辨率成像和在高光子通量下操作，甚至可能在微激光器中实现，其明亮的发射和高光谱灵敏度为以细胞分辨率监测各种生理参数创造了新的机会。 [8] 荧光或电致发光材料中的新光磁效应可用于调制激光，甚至可能在光调制器中找到新的应用，而光调制器目前依赖于弱热效应或电光效应。鸟类对地球磁场敏感性的解释为传统磁光材料提供了一种替代品。最近的研究表明，鸟类能够利用其视网膜中电子相互作用的磁敏感性来适应地球磁场。[9,10] 鸟类视网膜中蛋白质的光激发会产生自由基（不成对电子）中间态，然后这些中间态与自旋为 1 的激子（电子-空穴对）相互作用，后者也称为三重态激子。为了解这些相互作用的磁依赖性基础，考虑一个不对称分子，对于该分子，即使在没有磁场的情况下，自旋为 1 的激子的三个三重态也会在能量上分裂。通常，在没有显著的自旋轨道耦合的情况下，这种零场分裂小于约 10 μ eV。[11] 因此，一个数量级为 10 μ eV μ B − 1 ( ≈ 0.2 T) 的外部磁场（其中 μ B 是玻尔磁子）可以通过塞曼效应重新排序三重态，从而调节它们在自旋相关相互作用中的参与。对于没有零场分裂的未配对电子，磁场灵敏度通常更高。因此，三重态-三重态和三重态-电荷相互作用都可以经历磁场调制。鉴于其
使用可穿戴的24小时体育活动数据预测睡眠质量：健身跟踪方法
摘要：本研究提出了一种独特的方法，可以使用Apple Watch（例如Apple Watch）在24小时内收集的体育活动数据来估算睡眠质量。我们使用机器学习模型，即随机森林和极端的梯度提升，研究生理参数（例如心率和活动水平）与睡眠模式之间的联系。用户可以使用所产生的个性化见解来了解日常活动如何影响他们，从而提高其睡眠质量。根据我们的研究，可穿戴技术和预测分析可以改善一般健康状况。关键字：Apple Watch，可穿戴技术，机器学习，体育锻炼，健身跟踪和睡眠质量预测1.的介绍确实，预测最近日常活动的睡眠质量仍然很困难，而非常大的可穿戴设备提供了包含睡眠和体育锻炼的信息。人们监控其健康和健康的方式发生了范式转变。可穿戴设备（例如Fitbit，Apple Watch和Garmin）提供有关健康指标的实时数据，例如心率，步骤计数和能量消耗[1] [2]。这些可穿戴设备以及其他参数以及其他参数监控心率，步骤，能量使用和睡眠方式。有很多原因导致睡眠质量和睡眠时间有利于整体健康状况。此外，显然可以将睡眠不足与许多健康问题联系在一起，并严重影响有关整体福祉的风险：心血管疾病，肥胖，糖尿病和认知能力下降。睡眠不佳会导致心血管疾病，肥胖和糖尿病[7]。尽管可穿戴设备提供了有关睡眠和体育锻炼的大量信息，但根据他们的日常活动来预测睡眠的质量仍然具有挑战性。尽管今天可用的健身监视应用程序提供了有关睡眠长度，舞台分解和中断的数据；他们没有为用户提供预测性见解，以提高未来的睡眠质量。本研究解决了使用24小时内收集的体育活动数据准确预测睡眠质量的问题。我们旨在开发一个健康应用程序，该应用程序利用用户的24小时体育活动数据来通过机器学习模型来预测睡眠质量。该应用程序将利用可穿戴设备的数据来捕获诸如步骤计数，静止和主动心率，燃烧的卡路里，心率变异性（HRV），氧饱和度和VO2 Max等测量值。应用程序使用机器学习模型，例如随机森林和极端梯度提升（XGBoost），以找到与不同睡眠质量水平（优秀，中性或差）相对应的模式。
![arxiv：2310.13754v1 [cs.cv] 2023年10月20日](/simg/6\65fe5305b3dbb8981347189789d6146bf33e9868.webp)
arxiv：2310.13754v1 [cs.cv] 2023年10月20日
多肌术（PSG）在夜间收集生理参数，以分析患者的睡眠。此过程使用脑电图（EEG），电击图（EOG），肌电图（EMG），心电图，脉搏血氧仪，气流和呼吸努力。睡眠分期是从EEG，EOG和EMG电极确定的。额叶，中央和枕脑区域的电活动以及眼睛运动和下巴EMG用于确定睡眠阶段[26]。PSG睡眠评分是专家使用的一种常见方法，可监测人类睡眠的质量和数量以及诊断睡眠失误[17]。此过程涉及分析整个晚上的睡眠，分为30秒的时代，每个时期都归类为一组预定的睡眠阶段。最近的研究使用机器学习进行了自动睡眠评分。Silveira等人的研究。[29]使用随机森林（RF）用离散小波作为特征提取器进行睡眠评分。Hassan等人的方法。[11]根据单个EEG通道对睡眠阶段进行了分类，而[23]之类的研究根据单个EOG通道对它们进行了分类。此外，RF用于一系列与EEG相关的问题，例如早期癫痫发作检测[6]，人类精神状态分类[7]等。[29]之类的方法仅使用EEG通道数据。，但通过[14]提供的进一步分析，在使用各种类型的渠道时，分类性能没有改善。[35]使用RF和LightGBM作为机器学习算法来对睡眠阶段进行分类。考虑到人类自然衰老过程中睡眠中发现的变化，我们旨在分析这些变化如何影响我们的分类模型[16,33,18]，Zhou等人的文章。值得注意的是，他们将年龄作为分类任务中的功能。另一方面，[8,25]这样的论文分析了早期睡眠和晚期睡眠之间的差异，显示出很大的差异。在本文中，我们还试图分析这些变化如何影响训练有素的模型的性能。在这里，我们分析了一个睡眠评分模型，以评估年龄的效果以及早期（早睡，最初4个小时）和晚期（深夜，最后4个小时）睡眠的影响，对古典分类器在Epoch睡眠阶段的性能。为此，我们将小波用作特征提取器和RF作为分类器。结果，我们试图了解不同模型如何最适合每个问题的需求。
袋鼠妈妈护理对提前出院并入住新生儿科的早产儿灌注指数、心率和血氧饱和度的影响
摘要 目的：确定袋鼠妈妈护理 (KMC) 对提前出院并于随后几天入住新生儿重症监护病房 (NICU) 的早产儿灌注指数、心率和血氧饱和度的影响。方法：本研究采用随机对照实验设计，并使用前测-后测对照组模型。本研究纳入了 2019 年 12 月至 2020 年 12 月期间提前出院并随后入住 NICU 的婴儿。在土耳其伊斯坦布尔一家私立大学医院的 NICU，使用简单随机化技术分配实验组 (n = 38) 和对照组 (n = 38)。比较了应用 KMC 的实验组和未应用 KMC 的对照组的心率、灌注指数和血氧饱和度水平。以 15 分钟为间隔测量这些参数，持续 45 分钟（0-1、15、30、45 分钟）。资料收集通过母婴入门信息表、袋鼠妈妈护理准备表、袋鼠妈妈护理生理参数监测表、Noninvaziv脉搏血氧饱和度仪进行，采用独立样本t检验、Pearson卡方检验、Fisher精确概率法进行统计。结果：实验组与对照组婴儿胎龄（分别为31.11±3.25和31.61±3.04，p=.491）和体重（分别为1778.29±436.93和1953.29±345.74，p=.057）相近，差异均无统计学意义。袋鼠妈妈护理前，实验组与对照组婴儿心率、血氧饱和度、血流灌注指数值均无差异（p>.05）。从应用KMC后的第一个15分钟到KMC后45分钟，实验组的心率和血氧饱和度与对照组相比显著降低（p=0.001）且趋于稳定。实验组在KMC期间第15、30和45分钟的心率低于对照组（分别为147.63±11.04；142.47±11.94；136.82±13.22和153.13±8.73；154.50±7.27；154.84±7.05）。此外，袋鼠妈妈护理期间的氧饱和度高于对照组（分别为 96.68 ± 2.08；97.24 ± 2.18；97.87 ± 1.66 和 94.79 ± 1.27；94.66 ± 1.45；94.39 ± 1.38）。与对照组相比，实验组在袋鼠妈妈护理期间心率和氧饱和度的显著差异在袋鼠妈妈护理后 45 分钟内持续。灌注指数在袋鼠妈妈护理期间 30 分钟和 45 分钟时显著升高。然而，尽管这种变化在袋鼠妈妈护理后仍持续，但灌注指数的变化并不具有统计学意义。结论：袋鼠妈妈护理有助于调节提前出院并在随后几天进入 NICU 的早产儿的心率、氧饱和度和灌注指数。关键词：心率、婴儿护理、袋鼠妈妈护理法 氧饱和度 灌注指数 早产
人类结肠：一个复杂的生物反应器。功能性营养链厌氧消化的概念建模
3 Université Paris XI, , France (E-mail: Beatrice.Laroche@lss.supelec.fr ) 4 INRA, UR910, Unité d'Ecologie et Physiologie du Système Digestif, Domaine de Vilvert, 78352 Jouy en Josas Cedex, France (E-mail: marion.leclerc@jouy.inra.fr ) Abstract本文介绍了人类结肠中碳水化合物厌氧消化的模型结构的描述。由于厌氧消化在消化剂和动物胃肠道中类似地发生，因此提出了这些系统之间的相似之处。该过程的水力行为，反应机制和转运现象被确定为构建数学模型的关键初步步骤。在此基础上，提出了验证模型的障碍，并提出了初步方法来评估所获得的结构的充分性，该结构的构建最小的微生物群模型。数学模型将在动物模型上进一步验证，该模型由由人类大肠子接种模型微生物联盟接种的轴突啮齿动物。这种方法对于更好地理解人类消化道，作为一个复杂的系统以及微生物群在人类健康中的作用非常有用。关键字厌氧消化建模；碳营养链；人类结肠；微生物群引言人类结肠（也称为大肠）是肠内的厌氧室。它的主要功能是通过消化纤维的降解为人体带来能量（即复杂的碳水化合物）未水解并吸收在上部消化道中（MacFarlane和Cummings，1991）。除了纤维降解的代谢方面外，宿主与细菌群落之间的相互作用刚刚开始被理解。共生微生物在人类健康中起着重要作用。例如，它们参与炎症性肠道疾病现在已经有充分的文献证明（Gill等，2006）。尽管在人类健康中起了重要作用，但肠道菌群组成和功能仍然有待阐明。胃肠道研究（GIT）微生物群的主要局限性是其微生物多样性超过数百种（Eckburg等，2005），而培养的细菌数量很少，占总微生物细胞的20％（Suau等，1999）。然而，分子方法首先通过元基因组学方法靶向16sRDNA基因和功能基因，可以更好地表征细菌多样性和未培养物种的功能（Manichanh等，2006，Gloux等，2007，2007，Gill等，Gill等，2006）。在文献中，人工系统（化学稳定）或硅方法已被用来研究系统的特定方面，例如微生物竞争（Ballyk等，2001），VFA吸收（Tyagi等，2002; Minekus等，1999）和主机之间的相互作用和相互作用。但是，这些模型都没有整合大肠的生理参数，生化过程和通量以及功能性微生物多样性。由于其生物学复杂性，对人类肠道生态系统的建模确实是一个具有挑战性的主题。这也是更好地理解碳水化合物发酵的关键步骤。此外，模型开发在理解微生物群落对消化系统在健康个体和炎症性疾病发展中的稳定性方面的影响中起着重要作用。这种模型将用于研究饮食方案对人类胃肠道菌群的影响。该模型也将是体内和体外实验设计的非常有用的工具，因为医疗领域和私人公司（药品，营养，益生菌）都需要代表“健康肠道微生物群”的生物学工具。
使用人工智能进行远程病人监控
远程病人监护 (RPM) 是医疗保健领域一个快速发展的领域，旨在为临床医生提供额外支持，以便在一系列综合医院内科和外科病房提供护理，并使用柔性材料制作可穿戴传感器（Joshi 等人，2021 年；刘，王等人，2022 年；Weenk 等人，2020 年）。这是通过在医疗保健中融入新的物联网 (IoT) 方法来实现的，例如远程医疗应用（Heijmans 等人，2019 年）、可穿戴设备（Dias & Cunha，2018 年）和基于接触的传感器（Malasinghe 等人，2017 年）。 RPM 通常用于测量生命体征或其他生理参数，如运动识别，可协助对运动障碍或心理疾病等状况进行临床判断或治疗计划 (Shaik, Tao, Higgins, Gururajan, et al., 2022; Shaik, Tao, Higgins, Xie, et al., 2022)。人工智能 (AI) 算法已被用于对医学图像进行分析，并从临床数据中关联症状和生物标志物，以表征疾病及其预后 (Miller & Brown, 2018; Schnyer et al., 2017)。AI 在医疗服务提供方面具有巨大潜力，临床医生正在探索各种实际问题，以评估疾病风险、持续的患者护理，以及 AI 如何帮助临床医生缓解或减少病情进展中的并发症 (Torous et al., 2018)。医学研究也受益于人工智能，它有助于加快基因组测序以及新药和治疗方法的开发，而这些新药和治疗方法是从以前无法从如此复杂的数据中获得或观察到的知识中得出的。机器学习是人工智能的一个子集，它可以帮助临床医生在相对较短的时间内使用专门的算法解释复杂数据（Helm 等人，2020 年；Krittanawong 等人，2022 年）。他们可以协助对患者进行评估，以帮助预测其健康状况的早期恶化，甚至对他们的动作或活动类型进行分类（Z. Liu、Zhu 等人，2022 年；Huang 等人，2022 年）。这些人工智能算法可以处理大型数据集，以识别和学习复杂的决策模式（Dean 等人，2022 年）。最近，计算速度的提高导致了更强大的人工神经网络和深度学习算法的开发，这些算法可以处理和优化非常复杂的数据集（Bini，2018 年；Kalfa 等人，2020 年）。通过将物联网模型与集中控制单元和界面结合起来，许多常规任务可以实现自动化。这可能会避免人为错误，并提高患者安全性（Tandel 等人，2022 年）。RPM 传统上已应用于使用远程医疗技术远程监控农村地区的患者、使用可穿戴设备或传感器监控慢性病患者和家中的老年人，但非侵入性方面也适用于医院用于术后患者，以及使用无线身体传感器的重症监护病房。通过引入允许患者日常活动的非侵入式数字技术，可以将这些监测系统提升到一个新的水平。为了支持医疗保健专业人员根据生命体征和活动识别可视化患者的健康状况，可以实施机器学习 (ML) 和人工智能，如图 1 所示。这些类型的应用程序可以呈现与诊断和预测患者健康状况相关的数据，并协助临床决策。本综述的动机是医疗保健领域可能利用人工智能和机器学习来改变现有的传统医疗实践。本综述旨在研究当前 RPM 系统中采用的非侵入式技术。RPM 的当前趋势和人工智能的应用，以监测患者的生命体征、身体活动、紧急事件和慢性疾病，并协助临床医生诊断和提供有效的护理。讨论了人工智能对 RPM 应用的影响，用于早期发现健康恶化、个性化监测和自适应学习。最后，介绍了当前在医疗保健领域广泛采用人工智能或机器学习远程监控所面临的挑战，并确定了应对这些挑战的措施。本研究的贡献如下：