XiaoMi-AI文件搜索系统
World File Search System空间域
Piso.AI 使用机器学习框架来预测/...
Piso.AI 使用机器学习框架，使用可用且定期更新的网格气候数据产品和位置变量来预测/重建过去特定月份和年份降水的氢和氧同位素组成。该模型使用全球降水同位素网络 (GNIP) 提供的降水同位素数据进行训练。该方法的详细信息在原始出版物中概述。如果您将 Piso.AI 用于您的工作（出版物、口头/海报演示等），我们要求您引用：Nelson, D.B., Basler, D., Kahmen, A.(2021)。“机器学习在欧洲应用的降水同位素时间序列预测。”美国国家科学院院刊，第 12 卷。118 号26 e2024107118。Piso.AI 旨在定期更新，因为所使用的输入气候数据每年都会更新。年度更新不会改变输入变量的选择或用于重建氧和氢同位素值的模型结构。如果输入气候变量发生变化（例如，由于原始数据提供者使用的插值方案更新），则对过去时间点的预测将仅在每年更新与下一次更新之间有所不同。Piso.AI 的年度更新以版本号后的更新年份表示。原始出版物使用了截至 2019 年底的数据，称为 Piso.AI v.1.01。第一个包含对新一年 2020 年预测的更新名为 Piso.AI v.1.2020。未来可能实施的模型结构的任何更改（例如纳入新的预测变量或使用新输入数据重新训练模型）都将以新版本号 (即 Piso.AI v.X) 标记。早于原始出版物的 Piso.AI 版本现在追溯重命名为 Piso.AI v.0.9（之前在 2020 年 9 月之前在 Piso.AI 网站上提供）和 Piso.AI v.0.01（之前在 2021 年 3 月之前在 Piso.AI 网站上提供）。还可能引入使用 Piso.AI 框架的其他模型，但这些模型将使用新名称标识。第一个这样的扩展是 Piso.AI.eur1900。该模型使用与原始 Piso.AI 类似的空间域，但使用更有限的预测变量选择，允许重建更早的沉淀氧和氢同位素值。但准确性会略有降低，Piso.AI.eur1900 v.1.2020 目前涵盖的是 1901 年至 2020 年的时间段。有关此应用程序的更多信息，请参阅：https://isotope.bot.unibas.ch/PisoAI-eur1900-v1-2020/ 模型版本和数据更新：Piso.AI v.1.2020（2021 年 12 月发布）预测变量：- 气候研究单位 (CRU) 时间序列数据 v.4.05 - 欧洲观测网格数据集 (E-OBS) v.23.1e - 国家环境预测中心 (NCEP/NCAR) 再分析 1 项目数据（包括 2020 年）- 从气候预测中心获得的遥相关指数时间序列数据（包括 2020 年）Piso.AI v.1.01（原始出版物中的版本）预测变量：- 气候研究单位 (CRU) 时间序列数据 v.4.04
功能近红外光谱信号的分形性研究
定位研究 20 – 22 旨在识别大脑对特定刺激的激活模式，以及连接研究（功能性或有效） ，其重点是研究大脑各区域之间的功能相互作用，无论是在大脑处于休息状态还是在执行特定任务时。 23 – 27 然而，现在众所周知，大脑是高度动态的 28 – 32 因此，为了更全面地了解其功能，需要能够提取大脑记录中的时间信息的方法。与空间域相比，考虑时间域进行分析的 fNIRS 研究数量要少得多。 33 – 40 例如，在参考文献 33 中，通过应用 Higuchi 分形维数算法 41 表明 fNIRS 信号具有高度复杂度。将小波变换应用于 fNIRS 信号，并表明小波系数可用于训练分类器。在参考文献38–40中，熵已被用来评估患者群体（如患有阿尔茨海默病、注意力缺陷多动障碍和脑外伤的患者）中 fNIRS 信号的复杂性，表明它携带的信息可能与疾病有关。所有这些研究表明，在 fNIRS 信号的复杂特征中存在与潜在大脑活动相关的信息。在本文中，我们利用可视性图（VG）提出了一种揭示 fNIRS 时间序列分形特性的方法。VG 是一种最近引入的方法，它将时间序列映射到图形（称为 VG）。正如将要讨论的，构建图的拓扑属性与时间序列的分形和复杂性有关。42、43 与传统的分形分析方法相比，42 VG 在计算上不太复杂，并且已经用于各种研究。 44 – 49 例如，江等人利用心电图表明，采用 VG 分析可以揭示由调解训练引起的动态变化，表现为规律的心跳，这与自主神经系统的调整密切相关。44 朱等人将基于 VG 的方法应用于酗酒识别，表明该方法有望将酗酒者与控制饮酒者区分开来。48 在参考文献 47 中，结果表明，将 VG 应用于脑电图 (EEG) 信号可以提供区分自闭症儿童和非自闭症儿童的特征。在参考文献 49 中，我们已经表明，通过 VG 提取的 GCaMP6 小鼠钙记录的时间特征带有可用于解码行为的鉴别信息。这里需要注意的是，VG 与功能连接研究中常用的基于图论的方法之间的区别。50 , 51 在典型的功能连接研究中，图是在空间域中构建的，即图中的节点对应于通道或体素的位置，并且两个节点之间的链接基于与两个节点相关的时间序列的统计相似性形成，通过相关性等度量来量化。另一方面，正如将在第 2 节中讨论的那样，在 VG 中，节点对应于时间序列中的时间点，并且链接基于时间点之间的自然可见性形成（图 1）。一旦为每个时间序列形成图，就可以提取图度量来表示时间序列的不同属性。在本文中，我们使用 VG 研究两种条件下 fNIRS 时间序列的分形性：当大脑处于休息状态时和当大脑从事任务时。在两种静息状态条件和两种任务条件下记录了 9 名健康男性受试者的 fNIRS 时间序列。从每个时间序列为每个通道和每种条件构建 VG。然后提取可视性图的无标度性 (PSVG) 的功率并在不同条件下进行比较。据我们所知，这是第一项使用 VG 揭示 fNIRS 记录时间序列时间特征的研究，证明了其在识别 fNIRS 记录中的特征方面的可行性，这些特征可用于获得有关大脑功能的新见解。本文的其余部分组织如下。第 2 节介绍了本研究中用于分析的方法。实验设置的详细信息在第 3 节中给出。第 4 节介绍了结果，最后，在第 5 节中提供了一些讨论。第 2 节描述了本研究中使用的分析方法。第 3 节给出了实验装置的详细信息。第 4 节介绍了结果，最后，第 5 节进行了一些讨论。第 2 节描述了本研究中使用的分析方法。第 3 节给出了实验装置的详细信息。第 4 节介绍了结果，最后，第 5 节进行了一些讨论。