XiaoMi-AI文件搜索系统
World File Search System聚类分析
脑密度聚类分析
fMRI 的最新研究重点是放宽大脑在实验过程中处于静态的假设。许多研究表明，在单次扫描过程中，大脑是随时间变化的（或动态的）（Chang and Glover，2010；Sakoglu 等人，2010；Hutchison 等人，2013；Calhoun 等人，2014；Faghiri 等人，2018；Lurie 等人，2020）。分析大脑动态方面的一种常用方法是使用滑动窗口结合连接估计器（例如 Pearson 相关）来估计随时间变化的连接（Handwerker 等人，2012；Allen 等人，2014）。这种方法很有用并且被广泛使用，部分原因是它很简单，但它也有一些局限性。对数据进行窗口化会导致 fMRI 中的时间信息变得平滑，可能会丢失重要信息。此方法的一个较小的问题是，必须使用特定的窗口长度进行此分析，而更改此窗口长度可能会改变最终结果（Sakoglu 等人，2010 年；Shakil 等人，2016 年）。为了解决平滑问题，已经提出了几种方法，这些方法要么更即时（Shine 等人，2015 年；Omidvarnia 等人，2016 年；Faghiri 等人，2020 年），要么使用不同的滤波和时频方法来探索连通性的全频谱（Chang 和 Glover，2010 年；Yaesoubi 等人，2015 年；Faghiri 等人，2021 年）。有关时变连通性的更详细评论，请参阅（请参阅 Bolton 等人，2020 年；Iraji 等人，2020a）。许多基于连接性的方法并不直接利用数据在其原始高维空间中的动态性（即，使用数据计算滑动窗口相关性，该相关性在每个组件对之间分别计算）。这导致需要在许多独立于其他 2D 空间的二维 (2D) 空间中检查数据（其中每个 2D 空间特定于一个组件对）。最近，有人提出了新方法，尝试使用不同的方法从这些 2D 空间转到更高维度（Faskowitz 等人，2020 年；Iraji 等人，2020b 年）。除了基于连接性的方法外，还有其他方法旨在直接从活动域信息中提取动态性。例如，隐马尔可夫模型已用于从 fMRI 中的活动数据中估计几个隐藏状态（Karahano˘glu 和 Van De Ville，2017 年；Vidaurre 等人，2018 年）。其他方法要么直接将活动信息纳入管道（Fu 等人，2021 年），要么专注于基于活动（如功率）计算的指标（Chen 等人，2018 年）。此外，还有一系列基于大脑不同部分之间共同激活的方法，它们也直接将活动信息纳入分析管道（Liu 和 Duyn，2013 年；Karahanoglu 和 Van De Ville，2015 年）。在过去十年中，许多研究使用静息状态（Damaraju 等人，2014 年；Guo 等人，2014 年；Faghiri 等人，2021 年）和任务 fMRI（Boksman 等人，2005 年；Ebisch 等人，2014 年）比较了精神分裂症患者的大脑与健康对照者的大脑。最近，人们更加重视探索大脑动态方面的方法（Damaraju 等人，2014 年；Kottaram 等人，2019 年；Giufford 等人，2020 年；Faghiri 等人，2021 年）。使用动态方法，一些研究报告称个体的活力较低
预测医学消费的聚类分析
摘要。这项研究调查了用于医院中医学消费的机器学习，以优化资源分配和物流。我们使用两种方法：一种结合了多家医院数据的统一方法，以及一种预测个人医院的分离方法。我们根据消费趋势探索了K-均值聚类和手动对聚类。虽然K-均值聚类并未产生改进，但手动夹确定了具有明显增强预测准确性的特定药物对（例如，医院1：MAPE 1：MAPE从19.70％降低到3.30％）。但是，统一的方法并不能始终如一地使所有医院受益（例如，医学9）。这强调了在某些医院的准确性提高与其他医院潜在损失的需求。总体而言，分离方法中的手动聚类显示出希望。未来的工作应探索高级自动聚类技术，例如动态时间扭曲（DTW），并利用较大的数据集进行进一步验证。
全基因组聚类分析的指导文件...
整个基因组测序（WGS）的持续实施已为欧洲监视和越野爆发调查提供了新的方法。新法规将在2026年生效，要求欧盟和EFTA国家以及北爱尔兰（英国）对弯曲杆菌（C. jejuni）的整个基因组进行测序S. enterica）与饲料，动物，食物，相关环境分离出与食源性爆发有关的环境，并将WGS结果传输到EFSA [1]。实验室在实施WGS分析工作流程时必须做出各种决策，这可能会影响数据解释并影响可比性。该文档是在下一代测序（NGS Inter-Eurls wg）的欧文间工作组的框架中产生的。它旨在为NRL提供和支持聚类分析的各种选择，其中比较基因组和可视化之间的遗传距离，从而可以解释基因组之间的相关性。该文件的重点是由WG的EURL代表的细菌病原体，因为这些方法尚未适用于寄生虫或病毒的程度。
评估瑞士儿童期脑癌聚类分析的发现
免责声明本报告由瑞士应用人类毒理学中心（SCAHT）详细阐述。scaht由瑞士联合会资助，并由巴塞尔大学，日内瓦，洛桑和FHNW生活科学学院的大学支持。该中心支持应用人类毒理学的研究，并促进了多学科信息和数据的交换。scaht为人类毒理学的教育和培训做出了贡献，并鼓励学生和新成员招募该职业。SCAHT的监管毒理学小组与巴塞尔大学的药物科学系有关。该小组为瑞士当局，媒体，公众和第三方提供监管毒理学方面的专家建议和服务，并负责提供专业分析。作者没有宣布的利益冲突。
探索获得性脑损伤后认知触发性异质性：提示理解的聚类分析
Natacha Cordonier，Marion Fossard，YvesTillé，Maud Champagne-Lavau。探索获得性脑损伤后认知务实的异质性：提示理解的聚类分析。《美国语言病理学杂志》，2023，32（6），第2752-2767页。10.1044/2023_AJSLP- 22-00389。hal-04330850
使用从时间序列数据中自动提取的特征进行商用车聚类分析
时间序列聚类分析的标准实践方法涉及仔细的特征工程，通常利用专家输入来手动调整和选择特征。在许多情况下，专家输入可能不容易获得，或者社区可能尚未就给定应用程序的理想特征达成共识。本文比较了几种聚类分析方法的结果，这些方法使用手动选择的特征和自动提取的特征，应用于来自商业卡车车队的大型地理空间时间序列远程信息处理数据。探讨了特征选择、降维和聚类算法选择对聚类结果质量的影响。该分析的结果证实了先前的结果，即在聚类质量指标方面，领域无关特征与手工设计的特征具有竞争力。这些结果还为识别大型非结构化车辆远程信息处理数据中的结构的最成功策略提供了新的见解，并表明在手动选择的特征不可用的情况下，使用自动特征提取进行时间序列聚类可以成为从大规模地理空间时间序列数据中提取结构的有效方法。
分类技术及其在计量学中的应用
聚类分析的目的是找到相似的观察结果组。例如，有了客户购买习惯数据库，零售商可能希望将具有相似购买模式的客户归为一组。有了这些组，就可以进行进一步的分析。聚类分析首先要衡量两个观察结果的相似性或差异性。然后将最相似的观察结果聚类在一起。在本文档中，我们介绍了两种形式的聚类分析，即 k 均值（第 1.2 节）和层次聚类（第 1.3 节）。在第 1.4 节中，我们描述了一种呈现层次聚类分析结果的图形方法，称为树状图。第 2.1 节中描述的案例研究给出了使用其中一些技术进行聚类分析的示例。聚类分析期间定义的组可用于提供对感兴趣的数据集的一些见解，或可用作其他分析技术的输入，例如判别分析。
分类技术及其在计量学中的应用
聚类分析的目的是找到相似的观察结果组。例如，有了客户购买习惯数据库，零售商可能希望将具有相似购买模式的客户归为一组。有了这些组，就可以进行进一步的分析。聚类分析首先要衡量两个观察结果的相似性或差异性。然后将最相似的观察结果聚类在一起。在本文档中，我们介绍了两种形式的聚类分析，即 k 均值（第 1.2 节）和层次聚类（第 1.3 节）。在第 1.4 节中，我们描述了一种呈现层次聚类分析结果的图形方法，称为树状图。第 2.1 节中描述的案例研究给出了使用其中一些技术进行聚类分析的示例。聚类分析期间定义的组可用于提供对感兴趣的数据集的一些见解，或可用作其他分析技术的输入，例如判别分析。
使用机器学习聚类分析对射血分数保留的心力衰竭进行表型映射：预后和治疗意义
Elena Galli、Corentin Bourg、Wojciech Kosmala、Emmanuel Oger、Erwan Donal。使用机器学习聚类分析对射血分数保留的心力衰竭进行表型映射：预后和治疗意义。心力衰竭诊所，2021 年，17 (3)，第 499-518 页。�10.1016/j.hfc.2021.02.010�。�hal-03246464�