XiaoMi-AI文件搜索系统
World File Search System训练样本
评论论文：心脏病预测系统的 WEKA 数据挖掘技术分析
数据挖掘的特点是通过非常大的数据集搜索有用的信息。数据挖掘的一些关键和最常见的技术是关联规则、分类、聚类、预测和顺序模型。数据挖掘技术被广泛用于各种应用。数据挖掘在医疗保健行业的疾病检测中起着重要作用。患者应该需要进行一系列疾病检测。然而，使用数据挖掘技术应该减少检测次数。在时间和性能方面，这种减少的检测起着重要作用。心脏病是一种导致死亡的心血管疾病。由于对不同情况下的健康问题进行预测和分类，在最近的情况下，健康问题非常严重。数据挖掘领域包括这些领域中异常及其风险率的预测和识别。如今，医疗行业掌握着决策所必需的隐藏信息。为了预测心脏病，本研究 (Weka 3.8.3) 软件使用了 K-star、J48、SMO、朴素贝叶斯、MLP、随机森林、贝叶斯网络和 REPTREE 等数据提取算法。使用标准数据集和收集的数据集组合预测准确度、ROC 曲线和 AUC 值的结果。通过应用不同的数据挖掘算法，患者数据可用作训练样本进行诊断。以前的研究的主要缺点是它们需要准确度和特征数量。本文概述了最近用于预测心脏病的数据挖掘技术。并确定心脏病的主要风险因素，按对心脏造成损害的顺序对风险因素进行分类，例如高胆固醇、糖尿病、吸烟、不良饮食、肥胖、高血压、压力等。数据挖掘功能和技术用于识别风险因素的级别，以帮助患者提前采取预防措施以挽救生命。
产前超声诊断中的人工智能
超声检查具有便捷、低成本、实时、无创等特点，是应用最广泛的影像学检查方式。产前超声检查作为妊娠期间最重要的影像学检查方法，可以评估胎儿的生长状况和出生缺陷，帮助胎儿在产前或产后得到及时有效的治疗。对于预后不良的畸形，及时终止妊娠可以降低严重出生缺陷儿的出生率。然而，这个耗时的过程在很大程度上取决于医生的经验和现有的设备，而且在实践中工作强度很大。人工智能(AI) (1)是指通过灵活的适应来解释外部数据和为特定目的进行学习的能力。机器学习(ML)是人工智能中越来越受关注的领域，它是一套强大的计算工具，可以根据从人类推理规则中获得的描述性模式来训练模型。然而，机器学习面临的一个主要问题是特征选择严重依赖于统计洞察力和领域知识，这一限制引发了深度学习的发展。作为机器学习的一个分支，深度学习利用了卷积神经网络——与图像相关的最强大的方法之一，它可以在有限的训练样本下实现高性能，甚至允许更抽象的特征定义。因此，它经常用于图像模式识别和分类。人工智能在放射学方面的研究已经很多（2-5），人工智能辅助诊断也成为超声领域的研究热点。一些专家在肝脏、甲状腺和乳腺疾病的智能超声诊断方面取得了成功（6-9）。然而，人工智能在产前超声诊断中仍处于起步阶段，尽管在测量、成像和诊断方面已经有了突破。这些应用意义重大，不仅提高了效率，而且弥补了部分检查人员经验不足和技能不足。在这篇综述中，我们介绍了人工智能在产前超声诊断中应用的最新文献（图 1）。
具有类脑神经适应能力的稳健且可扩展的超维计算
一、问题和动机物联网 (IoT) 促进了许多利用基于边缘的机器学习 (ML) 方法来分析本地收集的数据的应用。不幸的是，流行的 ML 算法通常需要超出当今物联网设备能力的密集计算。受大脑启发的超维计算 (HDC) 已被引入以解决这个问题。然而，现有的 HDC 使用静态编码器，需要极高的维数和数百次训练迭代才能达到合理的准确度。这导致了巨大的效率损失，严重阻碍了 HDC 在物联网系统中的应用。我们观察到一个主要原因是现有 HDC 的编码模块缺乏利用和适应训练期间学习到的信息的能力。相比之下，如图 1(a) 所示，人类大脑中的神经元一直在动态再生，并在学习新信息时提供更有用的功能 [1]。虽然 HDC 的目标是利用随机生成的基础超向量的高维性来将信息表示为神经活动的模式，但现有的 HDC 仍然很难支持与大脑神经再生类似的行为。在这项工作中，我们提出了动态 HDC 学习框架，可以识别和再生不需要的维度，以在显著降低维数的情况下提供足够的准确性，从而加速训练和推理。 II. 背景和相关工作 A. 物联网和基于边缘的学习 许多新颖的框架和库已经开发出来，以在资源受限的计算平台上定制流行的 ML 算法，包括 TinyML [2]、TensorFlow Lite [3]、edge-ml [4]、X-Cube-AI [5] 等。然而，这些学习方法通常需要大量的训练样本和多个训练周期，超出了当今物联网设备的能力。同时，利用目标平台的学习结构和特性，研究人员提出了许多提高基于边缘的学习效率的技术，例如分割计算 [6]、联邦学习 [7]、[8]、知识蒸馏 [9]。这些技术与我们的方法正交，可以与我们的方法集成，以进一步提高学习性能。
用嗅觉和味觉大脑连通性网络预测酒精摄入模式
渴望酒精饮用者的饮酒者通常是由化学感应提示（例如口味和气味）引起的，这些提示与大脑网络连通性有关。这项研究旨在研究这些大脑连通性模式是否可以预测年轻人的酒精摄入量。静止状态fMRI数据是从人类连接组项目（HCP）的年轻成人队列中获得的，其中包括1003名参与者。分析了从100个独立组件产生的功能连接组，并在应用Benjamini-Hochberg（BH）方法应用错误发现率（FDR）校正后识别与味觉和气味得分相关的显着连接。然后将这些显着连接用作各种酒精摄入指标的一般线性模型中的预测因子。在独立样本中验证了模型以评估其准确性。训练样本（n = 702）和验证样本（n = 117）没有显着的人口差异。在742个可能的连接中，与气味相关的41个与味道有关的连接通过了FDR-BH校正后的显着性阈值（P <0.05）。值得注意的预测因子包括视觉连接性（Node32-Node13：β= 0.028，p = 0.02），用于葡萄酒的消耗和腹侧注意网络（van）和额叶壁/尾状核（FP/CN）（fp/cn）（Node27-Node9：node9：β= - 0.31，p = 0.04）之间的连通性和连通性，以确定量的时间和最高含量。过去一年。预测模型表现出很强的精度，与气味相关的模型的根平方误差（RMSE）值为5.15，而与味觉相关的模型为5.14。气味模型的F1得分为0.74，味觉模型为0.71，表明性能可靠。这些发现表明，与口味和嗅觉相关的大脑连通性的特定模式可以作为年轻人饮酒行为的预测指标。我们的研究强调了纵向研究的必要性，以评估早期筛查和靶向干预措施的味觉和气味相关的脑连通性模式的潜力，以及它们在具有AUD风险风险的个人的个性化治疗策略中的作用。
应用机器学习算法在南非反复基于成人人群的调查中预测HIV测试：多
背景：HIV测试是艾滋病毒预防的基石，也是实现联合国联合国艾滋病毒/艾滋病联合计划（UNAIDS）到2030年终止艾滋病的目标的关键步骤。尽管有相关的调查数据，但使用机器学习（ML）来分析和预测南非成年人的HIV测试方面仍然存在研究差距。需要进一步的研究来弥合这一知识差距并为改善HIV测试的基于证据的干预措施提供信息。目的：本研究旨在通过在南非反复基于成人人群的调查中应用监督的ML算法来确定HIV检测的一致预测指标。方法：将对多波横断面调查数据进行回顾性分析，以确定18岁及以上的南非成年人对HIV测试的预测因子。将在南非国家艾滋病毒患病率，发病率，行为和传播调查（SABSSM）调查的五个周期中应用一种监督的ML技术。人类科学研究委员会（HSRC）于2002，2005，2008，2012和2017进行了SABSSM调查。可用的SABSSM数据集将导入Rstudio（版本4.3.2； Potit Software，PBC），以清洁和删除异常值。将进行卡方检验，以选择HIV测试的重要预测指标。每个数据集将分为80％的培训和20％的测试样本。逻辑回归，支持向量机，随机森林和决策树。将使用一种交叉验证技术将训练样本划分为K折，包括验证集，并且将对每个折叠进行训练。模型的表现将在验证集上使用评估指标进行评估，例如精度，精度，回忆，F 1 -SCOOR，曲线接收器操作特性下的面积和混淆矩阵。结果：SABSSM数据集是HSRC数据库上可用的打开访问数据集。伦理学的批准是从约翰内斯堡大学研究与伦理委员会于2024年4月23日获得的（REC-2725-2024）。HSRC于2024年8月20日授予作者访问所有五个SABSSM数据集。探索数据集以识别可能影响HIV测试吸收的自变量。这项研究的结果将确定一致的变量，预测20年中南非成年人口的艾滋病毒测试吸收。此外，本研究将评估和比较4种不同ML算法的性能指标，最佳模型将用于开发HIV测试预测模型。
塑造公众支持更多碳捕获和存储项目的因素
摘要：电垂直起飞和着陆（EVTOL）飞机代表了一种关键的航空技术，以改变未来的运输系统。EVTOL飞机的独特特征包括降低噪声，低污染物的发射，有效的操作成本和灵活的可操作性，同时，这对先进的电力保留技术构成了关键的挑战。因此，由于EVTOL起飞过程中的巨大功率需求，最佳起飞轨迹设计至关重要。传统的设计优化，但是，以迭代方式采用高保真模拟模型，从而产生了计算密集型机制。在这项工作中，我们实施了一个支持替代物的倒数映射优化体系结构，即直接预测设计要求（包括飞行条件和设计约束）的最佳设计。经过训练的逆映射替代物执行实时最佳EVTOL起飞轨迹预测，而无需运行优化；但是，一个培训样本需要在此反映射设置中进行一个设计优化。反向映射的过度训练成本和最佳EVTOL起飞轨迹的特征需要开发回归生成的对抗网络（Reggan）代理。我们建议通过转移学习（TL）技术进一步增强Reggan的预测性能，从而创建一种称为Reggan-TL的方案。在这项工作中，发电机采用设计要求作为输入并产生最佳的起飞轨迹配置文件，而歧视器则在培训集中区分了生成的配置文件和真正的最佳配置文件。尤其是，提议的核根方案利用了由发电机网络和鉴别器网络组成的生成对抗网络（GAN）架构，并具有均一平方误差（MSE）和二进制跨透镜（BC）的组合损失，用于回归任务。综合损失有助于双重方面的发电机培训：MSE损失目标是生成的概况和培训对应物之间的最小差异，而BC损失则驱动了生成的配置文件，以与训练集共享类似模式。我们证明了Reggan-TL在空中客车A 3 Vahana的最佳起飞轨迹设计上的实用性，并将其与代表性替代物的性能进行了比较，包括多输出高斯工艺，条件gan和Vanilla Reggan。结果表明，Reggan-TL仅使用200个训练样本，而最佳参考替代物需要400个样本，达到了99.5％的概括精度阈值。培训费用减少了50％，降低了Reggan-TL实现的概括准确性的标准偏差，证实了其出色的预测性能和广泛的工程应用潜力。
电气工程机器学习的博士学位论文基于未来无线网络的资源分配
有效的资源分配是未来无线网络的关键挑战，尤其是随着用户需求，网络密度和网络复杂性的继续增长。传统上，用户终端的通道状态信息（CSI）用于资源分配。但是，随着网络密度的提高并考虑到移动用户的存在，基于CSI的重新源分配构成了大量的性能开销。这项工作通过利用对用户坐标信息培训的机器学习模式来探讨一种新颖的资源分配方法。具体来说，我们以三种方式制定了源分配问题：（1）调制和编码方案（MCS）运输能力最大化的预测，（2）基于用户位置的噪声限制系统中的资源分配，以及（3）资源分配干扰限制系统以确保公平性，同时最大化Capac-Ity。我们考虑两个用户放置方案进行性能评估：随机下降方案（RDS），其中用户是在传播环境中随机分布的，以及移动性模型方案（MMS），其中用户位置遵循线性轨迹。我们进行广泛的评估，以比较跨关键指标的RDS的数据集，包括训练样本的数量，计算复杂性和模型性能在不同的通道条件和错误的位置信息下。我们的结果表明，通过机器学习适应复杂的无线环境，基于坐标的资源分配了基于坐标的资源分配，从而实现了有效且可扩展的资源位置，同时在动态和不完善的条件下保持稳健的性能。我们提出的基于坐标的资源分配方案与基于CSI的资源分配方案相提并论，在具有变化的散点密度变化的干扰受限系统中至少达到90％的性能。此外，该方案大大优于基于几何资源分配方案，该方案凭直觉地应用了用户的坐标信息来依赖距离的资源分配。MMS数据集用于确定所提出的方案的实现成本，通过考虑一个现实的渠道模型，该模型在系统中持续收集数据样本。使用这种方法，我们将机器学习模型的训练时间，预测时间和记忆足迹进行比较。结果表明，基于坐标的资源分配方案可以可靠地用于有效的资源分配，同时分别为噪声限制和干扰有限的系统产生低至中等的实现成本。本研究强调了机器学习驱动的资源管理对未来无线网络的潜力，为智能，自适应和有效的通信系统铺平了道路。
从减少剂量到最大化对比度：深度学习能否放大造影剂对脑部 MRI 图像质量的影响？一项读者研究
材料和方法 这项回顾性单中心研究考虑纳入 2019 年 11 月至 2021 年 3 月在 Gustave Roussy 癌症园区（法国维尔瑞夫）获取的共 250 张多参数脑 MRI。定义了独立的训练（107 例，年龄 55 岁±14 岁，58 名女性）和测试（79 例，年龄 59 岁±14 岁，41 名女性）样本。患者患有神经胶质瘤、脑转移、脑膜瘤或无增强病变。在所有病例中均获取了具有可变翻转角的梯度回波和涡轮自旋回波对比后 T1 序列。对于形成训练样本的病例，还获取了使用 0.025 mmol/kg 造影剂注射的“低剂量”对比后梯度回波 T1 图像。以标准剂量 T1 MRI 为参考，训练了一个深度神经网络来合成增强低剂量 T1 采集。训练完成后，对比增强网络用于处理测试梯度回波 T1 图像。然后由两名经验丰富的神经放射科医生进行读片，以评估原始和处理后的 T1 MRI 序列的对比增强和病变检测性能，以快速自旋回波序列为参考。结果对于增强病变的病例，处理后图像的对比噪声比（44.5 比 9.1 和 16.8，p<.001）、病变与脑组织比（1.66 比 1.31 和 1.44，p<.001）和对比增强百分比（112.4% 比 85.6% 和 92.2%，p<.001）均优于原始梯度回波和参考快速自旋回波 T1 序列。两位读者都更喜欢处理后的 T1 的整体图像质量（平均评分为 3.4/4 比 2.7/4，p<.001）。最后，对于大于 10 毫米的病变，所提出的处理方法将梯度回波 T1 MRI 的平均灵敏度从 88% 提高到 96%（p=.008*），而误检率则没有差异（两种情况下均为 0.02/例，p>.99）。考虑所有大于 5 毫米的病变时观察到了相同的效果：灵敏度从 70% 提高到 85%（p<.001*），而误检率保持相似（0.04/例 vs 0.06/例，p=.48）。如果包括所有病变，无论其大小如何，原始和处理后的 T1 图像的灵敏度分别为 59% 和 75%（p<.001*），相应的误检率为 0.05/例和 0.14/例（p=.06）。
基于集中式多人数据融合CNN
大脑计算机界面是人类计算机交互的一种新方法，它提供了大脑与计算机或其他外部设备之间的直接通信联系（McFarland和Wolpaw，2011年）。事件相关电位（ERP）是代表皮质加工的独特相位的大脑表面的电活动的时间固定量度（Patel和Azzam，2005），它是与某人对某些刺激或特定事件的反应有关的内源性电位。ERP的典型示例是N200和P300。P300（Sutton等人，1967年）是一个正面峰值事件后约300毫秒显示的正峰波形，是ERP研究最多，使用最广泛，最突出的成分之一（David etal。，2020年； Kirasirova等。，2020）。P300分类检测是P300-BCI研究的重点，快速准确的识别对于改善p300-BCI的性能至关重要（Huang等人。，2022）。P300通常表现出低信噪比（SNR）（Zhang等人，2022）。为了突出其时间锁定的组件并最大程度地减少背景噪声，P300-BCI要求从多个试验中收集，汇总和平均数据以获得可靠的输出（Liu等人。，2018年），这是耗时且有效的。因此，在单审判中正确对p300进行分类是一个巨大的挑战。到目前为止，单个试验P300分类算法的准确性记录如下：Krusienski使用逐步线性判别分析（SWLDA）的平均分类精度约为35％。使用贝叶斯线性判别分析（BLDA）的平均分类准确性（BLDA）约为60％。Blankertz应用了收缩线性判别分析（SKLDA），并达到平均分类精度约为70％。张张通过时空判别分析（STDA），并达到平均分类准确性约为61％。Kaper开发的支持向量机（SVM）算法的平均分类精度达到64.56％。以及XIAO提出的判别规范模式匹配（DCPM）的价值为71.23％，表明DCPM在单验P300分类中的其他传统方法显着超过了其他较小的训练样本中的其他传统方法（Xu等人。，2018，2021; Xiao等。，2019a，b，2021; Wang等。，2020）。ma等。（2021）提出了一个基于胶囊网络的模型，该模型提高了单审P300的检测准确性，但是，由于大小的增加，计算变得复杂。Zhang等。 （2022）用Xdawn填写数据，以提高脑电图信号的信噪比，但是空间过滤方法需要在特征提取后手动选择显着特征，然后对其进行分类。 这是特定因素的高度特殊性；但是，该算法通常很复杂，其精度受特征选择的影响（Zhang等人 ，2022）。 深度学习是端到端的学习，具有简单的结构，可以移植到具有高分类精度的各种任务，但对示例数据的要求很高。 ，2020年），脑电图数据融合（Panwar等人Zhang等。（2022）用Xdawn填写数据，以提高脑电图信号的信噪比，但是空间过滤方法需要在特征提取后手动选择显着特征，然后对其进行分类。这是特定因素的高度特殊性；但是，该算法通常很复杂，其精度受特征选择的影响（Zhang等人，2022）。深度学习是端到端的学习，具有简单的结构，可以移植到具有高分类精度的各种任务，但对示例数据的要求很高。，2020年），脑电图数据融合（Panwar等人如今，深度学习方法在基于脑电图的目标检测技术方面取得了巨大进展（Li等人，2021），基于此，一些学者提出了其他用于P300分类的方法，例如转移学习（Wei等人。，2020），incep a-eegnet（Xu等人，2022），组合分类器（Yu等人。，2021），主成分分析（PCA）（Li等人，2020）等目前，Daniela使用了CNN（Cecotti和
评估非对比度颅骨CT脑图像的超急性和急性缺血性卒中分类
应迅速接受患者。关于NCCT图像的另一个问题，强度的范围非常宽且稀疏。需要在适合分类器的合适范围内重新销售。在本文中，我们旨在找到合适的窗口设置，用于通过使用Inpection v3在没有CTP的情况下对NCCT图像中缺血性中风的超急性和急性相分类。数据集以轴向切片制备。每个载玻片分类为正常或病变。由于训练样本的限制，将转移学习用于模型的重量初始化。结果表明该模型可以在35时窗口级别表现良好，而窗口宽度为95，90.84％的精度。关键字超急性缺血性中风，急性缺血性中风，非对比度颅骨计算机断层扫描，窗户CT，图像分类1。引言1.1研究中风的背景是全球死亡的第二大原因。在泰国，中风成为死亡或功能障碍的第一个原因。缺血性中风和出血中风是主要原因。缺血性中风是由凝块引起的，该凝块导致大脑的血液供应低（Musuka等人2015）。它分为四个阶段：超急性，急性，亚急性和慢性梗塞（Pressman BD和Tourje EJ 1987）（Nakano s and iseda t 2001）。但是，如果检测到较早的中风，它可能会增加生存和恢复的机会。神经影像受到医生的诊断。在泰国，CT被广泛使用，因为成本比MRI便宜。有许多类型的神经成像，例如磁共振成像（MRI）和计算机断层扫描（CT）。它成为诊断标准并广泛可用（Barber Pa等。2005），（Kidwell CS等人 1999）。 图像内容由称为Hounsfield单元（HU）的定量刻度表示，可以使用窗口过程将其映射到颜色尺度。 有两个参数可以调整以显示不同的组成，窗口级别（WL）和窗口宽度（WW）（Osborne等人。 2016），（Melisa Sia 2020），（Xue等人 2012）尽管CT快速又便宜，但仍有一个限制。 视觉上识别超急性和急性期中风的病变和位置的难度是问题，因为病变看起来与正常组织相似。 以这种方式，一种称为计算机断层灌注（CTP）的技术可间接显示出流向脑实质的流动或状态（Mortimer等人， 2013）使用造影剂。 不幸的是，这项技术的局限性是专家，每家医院都可能无法使用。 因此，对医学图像深度学习的最新研究的大多数研究都旋转了深度学习模型对有助于解释多种疾病诊断的病变进行分类或分割的能力（Clèrigues等 2019），（Cheon等人 2019），（Meier等人 2019），（Mirtskhulava等人 2015），脑肿瘤（Nadeem等人 2020），肺癌（Weng等人 2017），Retina（Christopher等人 2018）。2005），（Kidwell CS等人1999）。 图像内容由称为Hounsfield单元（HU）的定量刻度表示，可以使用窗口过程将其映射到颜色尺度。 有两个参数可以调整以显示不同的组成，窗口级别（WL）和窗口宽度（WW）（Osborne等人。1999）。图像内容由称为Hounsfield单元（HU）的定量刻度表示，可以使用窗口过程将其映射到颜色尺度。有两个参数可以调整以显示不同的组成，窗口级别（WL）和窗口宽度（WW）（Osborne等人。2016），（Melisa Sia 2020），（Xue等人 2012）尽管CT快速又便宜，但仍有一个限制。 视觉上识别超急性和急性期中风的病变和位置的难度是问题，因为病变看起来与正常组织相似。 以这种方式，一种称为计算机断层灌注（CTP）的技术可间接显示出流向脑实质的流动或状态（Mortimer等人， 2013）使用造影剂。 不幸的是，这项技术的局限性是专家，每家医院都可能无法使用。 因此，对医学图像深度学习的最新研究的大多数研究都旋转了深度学习模型对有助于解释多种疾病诊断的病变进行分类或分割的能力（Clèrigues等 2019），（Cheon等人 2019），（Meier等人 2019），（Mirtskhulava等人 2015），脑肿瘤（Nadeem等人 2020），肺癌（Weng等人 2017），Retina（Christopher等人 2018）。2016），（Melisa Sia 2020），（Xue等人2012）尽管CT快速又便宜，但仍有一个限制。视觉上识别超急性和急性期中风的病变和位置的难度是问题，因为病变看起来与正常组织相似。以这种方式，一种称为计算机断层灌注（CTP）的技术可间接显示出流向脑实质的流动或状态（Mortimer等人，2013）使用造影剂。不幸的是，这项技术的局限性是专家，每家医院都可能无法使用。因此，对医学图像深度学习的最新研究的大多数研究都旋转了深度学习模型对有助于解释多种疾病诊断的病变进行分类或分割的能力（Clèrigues等2019），（Cheon等人 2019），（Meier等人 2019），（Mirtskhulava等人 2015），脑肿瘤（Nadeem等人 2020），肺癌（Weng等人 2017），Retina（Christopher等人 2018）。2019），（Cheon等人2019），（Meier等人2019），（Mirtskhulava等人2015），脑肿瘤（Nadeem等人2020），肺癌（Weng等人2017），Retina（Christopher等人 2018）。2017），Retina（Christopher等人2018）。2018）和乳腺癌（Chougrad等人 尽管诊断解释的发展模型是具有挑战性的任务，但非解释性问题（例如增强图像和发展工作流程）也有助于改善患者的结果（Richardson等人。2018）和乳腺癌（Chougrad等人尽管诊断解释的发展模型是具有挑战性的任务，但非解释性问题（例如增强图像和发展工作流程）也有助于改善患者的结果（Richardson等人。2020）也可以在此任务中应用深度学习来实现治疗的最终目标。纸张的其余部分如下组织。CT窗口上的先前工作可以在第1节中找到。第2节阐明了研究的目的。第3节介绍了建议的方法，数据集，CT窗口过程，本工作中应用的分类。在第4节中解释了实验结果的细节，结论是在第5节中。1.2计算机断层扫描中的文献综述（CT）被称为评估梗塞中风的方式。窗口级别（WL）和窗口宽度（WW）的值是具有诊断准确性的重要因素。它可以揭示患者大脑的微妙异常。通常，CT图像上的默认脑窗口设置为40，窗口宽度为80（EE等人。2017），但是这个窗口很难审查梗塞，尤其是在中风的早期。因此，许多作品都在选择适当的窗口级别的合适值，并提出了检测缺血性中风的窗口宽度。