XiaoMi-AI文件搜索系统
World File Search System疲劳
高强度钢的疲劳和断裂
结构钢在重工业中起着基本作用，是众多负载产品和设备的关键材料。它的广泛使用归因于其稳健性，耐磨性，易于使用的施工和成本效益。随着行业越来越关注可持续发展，越来越重视有效的物质使用和组件性能的增强。通过整合高性能材料和适当的设计方法来实现结构的优化对于推进产品开发至关重要。这种设计策略应着重于在维持经济生存能力的同时最大化结构能力。尽管这些优化结构的生产成本可能更高，但这通常是由于其运营成本降低和降低的环境影响所弥补的。实施高强度结构钢，以实现轻质重量和高性能结构，因此必须设计一种可以承受高应力的设计。这些材料具有提高的静态强度，并且由于其优势的微观结构而表现出增强的疲劳性耐药性。然而，这些材料在结构应用中的全部潜力受到设计决策和制造技术的显着影响。常见的产生甲基量（例如焊接和切割）通常会阻碍高性能材料中的作用强度的改善。它将焊缝的质量和切割边缘的质量确定为关键限制因素。因此，为了充分利用高强度材料的好处，至关重要的是增强和理解焊接质量的影响，降低边缘质量，缺陷耐受性和潜在的焊接后处理，从而确保这些因素与材料的增强强度特征相吻合。目前的工作研究了可以增强承载结构的可靠性的方面，从而促进了高应力设计的使用和高强度钢的整合。重新搜索彻底检查其影响并提出了新的推荐。还进一步研究了缺陷公差，以了解缺陷如何影响这些高强度材料。发现重要的见解，以开发改进的焊缝和切割边缘的质量建议，这在有效地利用高强度钢的有效性上是基本的。
3D-STCNN：基于 EEG 3D 特征的时空卷积神经网络，用于检测驾驶疲劳
摘要：疲劳驾驶已成为引发交通事故的主要原因之一，基于脑电信号进行驾驶疲劳检测可以有效评估驾驶员的心理状态，避免交通事故的发生。本文评估了一种提取脑电信号多种特征的特征提取方法，建立了一种时空卷积神经网络（STCNN）用于驾驶员疲劳检测。首先，构建脑电信号的三维特征，包括脑电信号的频域、时域和空间特征；然后，利用STCNN进行疲劳状态分类。STCNN由基于注意力机制的注意时间网络和基于注意力机制的注意卷积神经网络组成。此外，进行了疲劳驾驶实验，采集了14名受试者在清醒和疲劳状态下的脑电信号，最终收集了三种不同驾驶任务负荷下的脑电数据。在此基础上进行了大量实验，并比较了STCNN与六种竞争方法的有效性。结果表明，STCNN的分类准确率为87.55%，可以有效检测驾驶员疲劳状态。
通过生物信号了解疲劳
疲劳是一个多方面的结构，是人类体验的重要组成部分。疲劳有两个主要方面：心理疲劳和身体疲劳，它们往往交织在一起，加剧了它们对日常生活和整体幸福感的共同影响。为了减轻这种影响，理解和量化疲劳至关重要。生理数据在理解疲劳方面起着关键作用，可以让我们深入了解疲劳的程度和类型。通过分析这些生物信号，研究人员可以确定一个人是感到精神疲劳、身体疲劳还是两者兼而有之。本文介绍了 MePhy，这是一个全面的数据集，包含各种生物信号，这些信号是在诱发不同的疲劳条件（尤其是精神疲劳和身体疲劳）时收集的。在与压力情况密切相关的生物信号中，我们选择了：眼部活动、心脏活动、皮肤电活动 (EDA) 和肌电图 (EMG)。数据是使用不同的设备收集的，包括相机、胸带和 BITalino 套件中的不同传感器。
社会支持，自我调节性疲劳和2型糖尿病患者的促进健康行为之间的关联：横断面调查
糖尿病在中国是一个主要的公共卫生问题，在慢性非传染性疾病中排名第三，仅次于心血管疾病和脑血管疾病和癌症，构成了显着的健康威胁（1，2）。国际糖尿病联合会报告说，全球糖尿病人口在2021年达到5.37亿，预测表明到2045年，人口增长到7.83亿（3）。在中国，糖尿病的患病率为11.2％（4），是全球最高的糖尿病，其中2型糖尿病（T2DM）占病例约为90％（5）。值得注意的是，整个中国糖尿病患病率存在地理差异（6），北部地区的发病率较高，可能是由于饮食因素所致（7）。T2DM是世界上增长最快的疾病之一，预计将继续过滤医疗保健系统并造成显着的个人和经济负担（3）。社会支持，包括援助患者感知并从社交网络中获得的援助，例如与朋友，家人，邻居和同事的互动，在减少心理压力和增强社交适应性方面起着至关重要的作用（8）。影响健康促进行为的其他重要因素包括心理韧性，识字和人际交往（9，10）。文化差异是糖尿病管理中的显着性（11），促使中国卫生委员会根据区域饮食和文化差异为T2DM患者提供量身定制的食品和营养指南（12）。但是，中国T2DM患者的社会支持水平需要改善（18）。 Xu等。但是，中国T2DM患者的社会支持水平需要改善（18）。Xu等。Xu等。T2DM患者通常需要遵守严格的长期健康行为，例如持续的运动，限制卡路里，体重管理和血糖监测（13，14）。研究表明，社会支持是糖尿病患者自我管理的关键社会决定因素，如果患者单独进行，则远非足够的能力（15，16）。过去的研究表明，糖尿病患者在身体健康和情感健康方面都受益于强大的社会支持（17）。表明T2DM患者获得了中等程度的社会支持（18），这表明有必要增强社会对精神和身体健康的支持。在1987年，彭德（Pender）介绍了促进健康行为的概念，指出个人承担的行动在所有生活方面都保持积极状态（19）。健康促进行为模型（20）强调了人际关系对此类行为的重要影响，紧密的人际关系对于获得社会支持至关重要。该模型表明，单个特征和经验可以通过以前的行为习惯直接影响健康行为，或者通过影响特定行为，精神认知和情感而间接影响健康行为。促进健康的行为对身体和情感健康是有益的，有助于预防疾病，维持健康或改善（21）。但是，Xu等。指出，80％的T2DM患者的血糖控制和相关并发症不足（22），导致健康促进水平较低，自我护理感下降。因此，T2DM患者必须不仅接受治疗治疗，还可以增强其风险因素管理和促进健康的行为。此外，社交之间的联系
有效评估脑雾和疲劳
在患有各种慢性健康疾病的患者中都观察到了疲劳和伴随的“脑雾”的衰弱症状。不幸的是，目前还没有一种有效且心理测量学上合理的工具来评估这些同时发生的症状。在这里，我们报告了疲劳和认知改变量表 (FAC) 的开发和初始心理测量特性，FAC 是衡量自我报告的中枢疲劳和脑雾的指标。由于研究团队的专业知识以及已建立的 TBI 与症状复合体之间的联系，因此选择创伤性脑损伤 (TBI) 来建模和开发 FAC。潜在项目由有治疗这些症状经验的研究人员和临床医生生成，他们借鉴了相关文献并回顾了患者对过去和当前 TBI 研究中测量的反应。FAC 的 20 个候选项目——各 10 个用于评估认知改变（即脑雾）和中枢疲劳——通过在线调查在电子视觉模拟反应量表 (eVAS) 上格式化。获得了人口统计信息和 TBI 病史。总共有 519 名参与者同意并提供了可用数据（平均年龄 = 40.23 岁；73% 为女性），其中 204 人自报有 TBI 病史（75% 报告有轻度 TBI）。计算了内部一致性和可靠性值。验证性因子分析 (CFA) 检查了 FAC 的假定双因子结构和单因子解决方案以进行比较。对有和无 TBI 的参与者的两个潜在结构（认知改变、疲劳）进行了测量不变性检验。所有项目均呈正态分布。Cronbach's alpha 系数表明两个因子均具有良好的内部一致性（α = .95）。Omega 可靠性值良好（α = .95）。CFA 支持假定的双因子模型和项目载荷，其表现优于单因子模型。测量不变性发现两组之间的双因子结构是一致的。讨论了这些发现的含义、研究的局限性以及 FAC 在临床研究和实践中的潜在用途。
基于SSVEP的脑损伤中的疲劳因素及疲劳指标...
根据频率范围，EEG 信号可以区分出六种不同的大脑节律：delta（0.5 至 4 Hz）、theta（4 至 8 Hz）、alpha（8 至 13 Hz）、mu（8 至 13 Hz）、beta（13 至 30 Hz）和 gamma（25 至 100 Hz）。delta 节律发生在幼儿或成人深睡或脑部异常的人身上，由低于 3.5 Hz 的频率成分组成。theta 节律发生在人疲劳且无法集中注意力时，主要出现在颞叶和顶叶区域。枕叶用于记录 alpha 节律。当人们睡着时，这种节律会完全消失，但当他们平静而清醒、困倦但清醒且疲劳时，它就会出现。此外，如果人们试图保持清醒，alpha 将占主导地位。beta 节律主要在顶叶和额叶区域产生。当一个人注意力集中、兴奋或激动时，就会出现 Beta 节律（Brismar，2007；Miller，2007；Foong 等人，2019）。mu 节律和 gamma 节律可以分别从感觉运动区域和躯体感觉皮层记录下来。gamma 节律在学习、记忆和处理数据方面至关重要。此外，它还出现在高级认知任务中（Herrmann 和 Demiralp，2005；Fazel-Rezai 等人，2013）。
原创研究 AGL-Net：基于脑电图的驾驶员疲劳检测高效神经网络
背景：近年来，由于全球道路上车辆的激增，道路交通安全已成为一个突出问题。驾驶员疲劳检测的挑战在于平衡检测过程的效率和准确性。虽然有各种检测方法，但脑电图 (EEG) 被认为是黄金标准，因为它在检测疲劳方面具有很高的精度。然而，基于 EEG 疲劳检测的深度学习模型受到其大量参数和低计算效率水平的限制，因此难以在移动设备上实现它们。方法：为了克服这一挑战，本文提出了一种基于注意力的 Ghost-LSTM 神经网络 (AGL-Net) 用于基于 EEG 的疲劳检测。AGL-Net 利用注意力机制关注相关特征，并结合 Ghost 瓶颈来有效提取空间 EEG 疲劳信息。使用长短期记忆 (LSTM) 网络提取时间 EEG 疲劳特征。我们建立了两种类型的模型：回归模型和分类模型。在回归模型中，我们使用线性回归来获得回归值。在分类模型中，我们根据从回归获得的预测值对特征进行分类。结果：AGL-Net 比现有的深度学习模型表现出更高的计算效率和更轻量级的设计，其每秒浮点运算数 (FLOPs) 和 Params 值分别为 2.67 M 和 103,530 证明了这一点。此外，AGL-Net 使用上海交通大学 (SJTU) 情绪脑电图数据集 (SEED)-VIG 疲劳驾驶数据集实现了约 87.3% 的平均准确率和约 0.0864 的平均均方根误差 (RMSE)，表明其具有先进的性能。结论：使用 SEED-VIG 数据集进行的实验证明了所提出的疲劳检测方法的可行性和先进性能。通过彻底的消融实验验证了每个 AGL-Net 模块的有效性。此外，Ghost 瓶颈模块的实现大大提高了模型的计算效率。总体而言，该方法比现有的疲劳检测方法具有更高的精度和计算效率，具有相当的实际应用价值。
热循环曲线对热疲劳性能的影响
为了解决对低温焊料技术进行全面评估所需的资源，国际电子制造计划（INEMI）于2015年启动了基于BISN的低温焊接过程和可靠性（LTSPR）项目。现在，在第三个INEMI LTSPR阶段，进行了两个不同的加速温度循环（ATC）概况进行测试，0/100°C（IPC-9701B，TC1）和-15/85°C（由于SN-AG-CU和BI-SN销售者和Bi-SN销售者的同源考虑而选择）和维持类似的Deltc（100°）[100°C的同源考虑而[选择）。本临时论文报告了用-15/85°C轮廓测试的84针薄核BGA组件（CTBGA84）的热循环结果，并将这些结果（作为同伴论文）与CTBGA84进行了比较，并用0/100°C测试的CTBGA84进行了比较，并在先前的出版物中提出了0/100°C。Weibull统计，微结构表征和故障模式分析用于比较合金性能的差异，并比较混合和均匀焊接联合配置的性能。