XiaoMi-AI文件搜索系统
World File Search System训练模式
独角兽、野兔还是乌龟？利用机器学习预测工作记忆训练表现
人们从工作记忆 (WM) 训练中受益的程度存在很大差异。尽管越来越多的研究关注与 WM 训练结果相关的个体差异，但我们仍然缺乏对哪些特定的个体差异以及以何种组合方式导致个体间训练轨迹差异的了解。在当前的研究中，568 名本科生在两周内完成了几种 N-back 干预方案之一。参与者的训练轨迹被分为三种不同的训练模式（高绩效者、中等绩效者和低绩效者）。我们应用机器学习算法来训练二叉树模型，以预测个人的训练模式，该模型依赖于先前文献中已确定为相关的几个个体差异变量。这些个体差异变量包括预先存在的认知能力、性格特征、动机因素、视频游戏经验、健康状况、双语能力和社会经济地位。我们发现我们的分类模型在区分高绩效者和相对较低的绩效者方面表现出良好的预测能力。此外，我们发现开放性和预先存在的 WM 能力是区分高绩效者和低绩效者的两个最重要的因素。然而，对于低绩效者来说，开放性和视频游戏背景是他们学习坚持的最重要预测因素。总之，在培训之前，可以使用参与者的特征来预测个人培训表现，这可以为个性化干预措施的制定提供参考。
训练迁移——使用增强多感官提示的虚拟现实训练可改善训练期间的用户体验和现实世界中的任务执行情况
虚拟现实 (VR) 可以创建安全、经济高效且引人入胜的学习环境。人们通常认为，模拟逼真度的提高会带来更好的学习成果。真实环境的某些方面（例如前庭或触觉提示）很难在 VR 中重现，但 VR 提供了大量机会，可以以任意方式提供额外的感官提示，从而提供与任务相关的信息。本研究的目的是调查这些提示是否能改善用户体验和学习成果，具体来说，就是使用增强感官提示进行学习是否会转化为真实环境中的表现改善。参与者被随机分配到三个匹配的组中：第 1 组（对照组）仅被要求执行真实的轮胎更换。剩下的两组在 VR 中接受训练，然后在相同的真实轮胎更换任务上评估表现。第 2 组使用传统 VR 系统进行训练，而第 3 组使用增强的、任务相关的多感官提示在 VR 中接受训练。记录了客观表现、完成时间和错误数、主观存在感评分、感知工作量和不适感。结果表明，两种 VR 训练模式都提高了真实任务的表现。在 VR 训练期间提供额外的、与任务相关的提示可提高真实任务中的客观表现。我们提出了一种新方法来量化训练模式之间的相对性能增益
独角兽、野兔还是乌龟？利用机器学习预测工作记忆训练表现
人们从工作记忆 (WM) 训练中受益的程度存在很大差异。尽管越来越多的研究关注与 WM 训练结果相关的个体差异，但我们仍然缺乏对哪些特定的个体差异以及以何种组合方式导致个体间训练轨迹差异的了解。在当前的研究中，568 名本科生在两周内完成了几种 N-back 干预方案之一。参与者的训练轨迹被分为三种不同的训练模式（高绩效者、中等绩效者和低绩效者）。我们应用机器学习算法来训练二叉树模型，以预测个人的训练模式，该模型依赖于先前文献中已确定为相关的几个个体差异变量。这些个体差异变量包括预先存在的认知能力、性格特征、动机因素、视频游戏经验、健康状况、双语能力和社会经济地位。我们发现我们的分类模型在区分高绩效者和相对较低的绩效者方面表现出良好的预测能力。此外，我们发现开放性和预先存在的 WM 能力是区分高绩效者和低绩效者的两个最重要的因素。然而，对于低绩效者来说，开放性和视频游戏背景是他们学习坚持的最重要预测因素。总之，在培训之前，可以使用参与者的特征来预测个人培训表现，这可以为个性化干预措施的制定提供参考。
步态和平衡康复设备：基于末端执行器的机械手的一般分类和叙述性回顾
摘要：步态和平衡直接影响患者的独立性和生活质量。由于预期寿命的提高，患有神经系统疾病的患者数量呈指数级增长，步态和平衡障碍是主要副作用。在此背景下，使用康复机器人设备作为恢复步态和平衡功能的有效补充工具应运而生。在康复设备中，末端执行器具有一些优势，并已显示出令人鼓舞的结果。本研究的目的有两个：提出步态和平衡康复设备的一般分类，并回顾现有的用于此类目的的末端执行器。我们将设备分为五类：跑步机、外骨骼、患者引导系统、扰动平台和末端执行器。总体而言，文献中确定了 55 种末端执行器，其中 16 种已商业化。我们发现，能够提供两种康复类型的末端执行器（2/55）和专注于平衡（21/55）或步态（32/55）的数量不成比例。从机械角度（自由度、拓扑和训练模式）分析它们的特征，使我们能够确定并联机械手作为末端执行器装置驱动机制的潜力，并提出了几个未来的研究方向。
糖尿病和生物医学的一种新的预处理方法...
抽象 - 各个年龄段和社会经济水平的人，正在被诊断出患有2型糖尿病的诊断，其速度比以往任何时候都高。它可能是多种疾病的根本原因，其中最著名的包括失明，肾脏疾病，肾脏疾病和心脏病。因此，设计系统的设计至关重要，基于医疗信息，能够可靠地检测患有糖尿病的患者。我们提出了一种鉴定糖尿病的方法，该方法涉及使用交叉验证训练模式在五到10倍之间训练深神经网络的特征。PIMA印度糖尿病（PID）数据集是从UCI的机器学习存储库一部分的数据库中检索的。此外，十倍交叉验证的结果显示出97.8％的精度，召回97.8％，使用RF算法的PIMA数据集的精度为97.8％。这项研究检查了许多其他生物医学数据集，以证明机器学习可以用于开发可以准确预测糖尿病的有效系统。在生物数据集的实验发现中使用了几种不同类型的机器学习分类器，例如KNN，J48，RF和DT。获得的发现表明我们的可训练模型能够正确分类生物医学数据。通过实现Parikson数据集的较高精度，召回和精确度来证明这一点。
改进的Pix2Pix生成对抗网络模型，以增强甲状腺结节分割
摘要 - 甲状腺结节是一种病变，医生通常需要高级诊断工具来检测和进行后续诊断。有监督的深度学习技术，尤其是生成的对抗网络（GAN），已被用来提取基本特征，检测结节并生成甲状腺面膜。但是，由于识别癌症区域和训练模式崩溃的高成本，这些方法在获得培训数据方面面临重大挑战。因此，本研究提出了一个GAN模型的改进，即用于甲状腺结节分割的像素到像素（Pix2Pix）模型，在该模型中，将发生器与监督损失功能合并，以解决GAN训练期间的不稳定性。该模型使用了具有u-Net体系结构启发的编码码头结构的生成器来产生掩码。该模型的歧视者由多层卷积神经网络（CNN）组成，以比较真实和生成的面具。此外，使用三个损失函数，即二进制跨透明镜丢失，软骰子丢失和jaccard损失，并结合损失gan来稳定GAN模型。基于结果，提出的模型从超声甲状腺结节图像中实现了97％的癌症区域检测准确性，并使用稳定模型对其进行了分割，其发电机损耗函数值为0.5。简而言之，这项研究表明，与半监视分割模型相比，改进的PIX2PIX模型在结节分割精度方面产生了更大的灵活性。关键字 - 甲状腺结节分割，超声图像，深度学习，生成对抗网络，pix2pix，损失功能
系统评价
神经反馈 (NF) 旨在通过增强自我调节技能来改变神经活动。在过去十年中，NF 作为许多躯体和精神疾病（尤其是 ADHD）的潜在干预选择受到了广泛关注。然而，安慰剂对照试验表明，与常规治疗和假治疗相比，NF 的优势不足。有人认为，NF 效果有限的原因可能是参与者在自我调节目标神经活动方面面临挑战。尽管如此，当仅考虑所谓的“标准协议”，例如慢皮质电位 NF 训练 (SCP-NF) 时，也有证据支持 NF 功效。这项遵循 PRISMA 标准的 PROSPERO 注册系统综述在文献数据库中搜索了应用 SCP-NF 协议的研究。我们的综述重点关注自我调节成功的操作化，以及可能影响自我调节评估的协议细节。这些细节包括：电极放置、试验次数、每次试验的长度、训练模式比例、人工制品处理和技能转移到日常生活中。我们确定了 2000 年或以后发表的总共 63 份合格报告。SCP-NF 协议细节在大多数变量上差异很大，除了电极放置。然而，由于商业系统的可用性增加，协议细节趋于统一。虽然令牌系统在 ADHD 的 SCP-NF 中很受欢迎，但只有一半报告了基于绩效的组件。此外，转移练习已成为 SCP-NF 的主要部分。此外，还确定了调节成功的多种操作，限制了研究之间的可比性，也许限制了所谓的转移练习的实用性，其目的是促进自我调节技能转移到日常生活中。虽然利用 SCP 作为脑机接口的研究主要侧重于获得成功的自我调节，但临床导向的研究往往忽略了
改善慢性中风、不完全脊髓损伤和脑损伤后运动功能的临床实践指南
背景：急性中枢神经系统 (CNS) 损伤（包括中风、运动不完全性脊髓损伤或创伤性脑损伤）患者通常会经历持久的运动障碍，表现为步行速度和特定持续时间内行走距离（计时距离）的下降。本临床实践指南的目标是描述各种干预措施对改善这些特定诊断后 6 个月以上的步行患者步行速度和计时距离的相对有效性。方法：在 4 个数据库中对 1995 年至 2016 年期间发表的针对这些特定患者群体的随机对照临床试验的文献进行系统回顾，研究时间至少在受伤后 6 个月，并具有步行速度和计时距离的特定结果。对于所有研究，训练干预的具体参数（包括频率、强度、时间和类型）都尽可能详细。建议是根据证据的强度以及提供特定训练模式的潜在危害、风险或成本确定的，特别是当可能有另一种干预措施可用并能提供更大益处时。结果：有力的证据表明，临床医生应在中枢神经系统急性损伤发生后 6 个月以上为能走动的个体提供中高强度的步行训练或基于虚拟现实的训练，以提高步行速度或距离。相反，弱证据表明，中高强度的力量训练、循环（即组合）训练或自行车训练以及基于虚拟现实的平衡训练可以提高这些患者群体的步行速度和距离。最后，有力的证据表明，不应在中枢神经系统急性损伤发生后 6 个月以上为能走动的个体进行体重支撑的跑步机训练、机器人辅助训练或不使用虚拟现实的坐/站平衡训练来提高步行速度或距离。