XiaoMi-AI文件搜索系统
World File Search System训练策略
年轻人高强度间隔训练后心率变异性和血管功能的性别差异
高强度间隔训练（HIIT）优于男性和女性健康个体的其他训练策略。了解心脏自身调节的性别特定差异可能有助于HIIT的最佳培训策略。本研究旨在确定年轻人HIIT后心率变异性（HRV）和血管功能的性别差异。二十四名身体活跃的年轻男性和女性成年人（M：12，F：12，年龄：19.5年，BMI：22.1 kg∙M-2）自愿参加该研究。参与者进行了10次HIIT，其中包括20 s的高强度循环，最高为115-130％，然后恢复100 s。在五个不同的时间点测量了包括HRV和血管功能在内的心脏自动调节。在HIIT 15分钟后，男性中的R-R间隔，RMSSD和SDNN的回收速度比女性更快。在自主神经系统中，LN LF和LN HF活动以及女性的交感神经平衡（LN LF/HF）的性别差异更大，而HIIT后立即且15分钟。然而，男性和女性参与者之间没有观察到血压和臂轴脉冲波速度的显着差异。总体而言，女性在女性中的激活比HIIT后的男性更受激活，但是性别之间的血管功能中的急性反应并没有差异。在未来的研究中，可能需要进行重复HIIT后心脏自动调节的性别适应。
MatSci-NLP：使用文本到模式建模评估材料科学语言任务中的科学语言模型
我们提出了 MatSci-NLP，一种自然语言基准，用于评估自然语言处理 (NLP) 模型在材料科学文本上的性能。我们根据公开的材料科学文本数据构建基准，涵盖七种不同的 NLP 任务，包括命名实体识别和关系分类等传统 NLP 任务，以及特定于材料科学的 NLP 任务，例如与创建材料合成程序有关的合成动作检索。我们研究了在 MatSci-NLP 上对不同科学文本语料库进行预训练的各种基于 BERT 的模型，以了解预训练策略对理解材料科学文本的影响。鉴于材料科学领域高质量注释数据的稀缺，我们使用有限的训练数据进行微调实验，以鼓励在 MatSci-NLP 任务中进行泛化。我们在这种低资源训练环境中进行的实验表明，在科学文本上预训练的语言模型优于在一般文本上训练的 BERT。 Mat-BERT 是一种专门针对材料科学期刊进行预训练的模型，通常在大多数任务中表现最佳。此外，我们提出了一种统一的文本到模式的 MatSci-NLP 多任务学习方法，并将其性能与传统的微调方法进行了比较。在对不同训练方法的分析中，我们发现我们提出的受问答启发的文本到模式方法始终优于单任务和多任务 NLP 微调方法。代码和数据集是公开可用的 1 。
跨越博斯普鲁斯海峡：通过低资源语言适应和基准测试策略推进土耳其语大型语言模型
大型语言模型 (LLM) 在各个领域都变得至关重要，这强调了在代表性不足的语言中建立高质量模型的紧迫性。本研究探讨了低资源语言面临的独特挑战，例如数据稀缺、模型选择、评估和计算限制，特别关注土耳其语。我们进行了深入分析，以评估训练策略、模型选择和数据可用性对为代表性不足的语言设计的 LLM 性能的影响。我们的方法包括两种方法：(i) 调整最初用英语预训练的现有 LLM 以理解土耳其语；(ii) 使用土耳其语预训练数据从头开始开发模型，这两种方法均辅以在新的土耳其语指令调整数据集上进行监督微调，旨在增强推理能力。通过创建新的土耳其语 LLM 排行榜来评估这些方法的相对性能，其中包含评估不同推理和知识技能的基准。此外，我们在预训练和微调期间对数据和模型扩展进行了实验，同时强调跨语言知识迁移的能力，并解决在不同语言上微调时遇到的灾难性遗忘的挑战。我们的目标是提供在低资源语言环境中推进 LLM 框架的详细指南，从而使自然语言处理 (NLP) 的好处在全球范围内更容易获得。
尝试使用闭眼定量脑电图来开发 K1 跆拳道运动员的脑电波模型——初步概念
摘要：背景：脑损伤是格斗运动中常见的问题，尤其是在跆拳道等运动中。跆拳道是一项有多种比赛形式的格斗运动，大多数接触式格斗都是按照 K-1 规则进行的。虽然这些运动需要高水平的技能和身体耐力，但频繁的脑部微创伤会对运动员的健康和福祉造成严重后果。研究表明，格斗运动是脑损伤风险最高的运动之一。在脑损伤最多的运动项目中，拳击、混合武术 (MMA) 和跆拳道都名列前茅。方法：这项研究针对一组 18 名表现出高水平运动表现的 K-1 跆拳道运动员进行。受试者年龄在 18 至 28 岁之间。QEEG（定量脑电图）是对 EEG 记录的数字频谱分析，其中数据使用傅里叶变换算法进行数字编码和统计分析。每次对一个人的检查持续约 10 分钟，闭眼进行。使用 9 个导联分析特定频率（Delta、Theta、Alpha、感觉运动节律 (SMR)、Beta 1 和 Beta2）的波幅和功率。结果：中央导联的 Alpha 频率显示高值，前额叶 4（F4 导联）的 SMR 显示高值，F4 导联和顶叶 3（P3）的 Beta 1 显示高值，所有导联的 Beta2 显示高值。结论：SMR、Beta 和 Alpha 等脑波的高活动性会影响注意力、压力、焦虑和注意力，从而对跆拳道运动员的运动表现产生负面影响。因此，运动员监测自己的脑波活动并使用适当的训练策略来获得最佳效果非常重要。
最终版（1）.pdf
摘要 — 从计算机断层血管造影 (CTA) 体积中分割颅内血管是诊断和治疗脑血管疾病的有前途的生物标志物。这些分割输出是开发用于神经病理学术前评估或术中指导的自动决策支持系统的基本要求。最先进的医学图像分割方法依赖于基于卷积神经网络的深度学习架构。然而，尽管它们很受欢迎，但在当前的深度学习架构中仍存在研究差距，这些架构经过优化以应对血管分割的技术挑战。这些挑战包括：(i) 提取靠近颅骨的具体脑血管；(ii) 精确标记血管位置。我们提出了一种优化融合的全端到端网络 (OFF-eNET) 用于自动分割体积 3D 颅内血管结构。OFF-eNET 由三个模块组成。在第一个模块中，我们利用上行连接来增强信息流，并利用扩张卷积来详细保存专为细血管设计的空间特征图。在第二个模块中，我们采用残差映射和初始模块来加快网络收敛速度并提供更丰富的视觉表示。对于第三个模块，我们利用级联训练策略形式的迁移知识来逐步优化三个分割阶段（基础、完整和增强）来分割靠近头骨的细血管。所有这些模块都设计为计算效率高。我们的 OFF-eNET 使用 70 个 CTA 图像体积进行评估，在颅内血管分割中的表现为 90.75%，优于最先进的同类产品。
认知双重任务与跑步机的有效性与认知，焦虑和
3 pt，P.抽象简介 /目的：步态异常可能是由帕金森氏病（PD）引起的运动障碍造成的，包括功能性步行。这可能会导致步态速度和步幅长度的降低，并增加步步性变化。早期运动技能开发在很大程度上取决于大脑的皮质部分，但是双重任务可能需要注意，从而损害了控制更自然的步行任务并增加跌倒风险的基础神经节电路。这项研究旨在评估帕金森患者认知双重任务对认知，焦虑和抑郁的有效性，以了解帕金森患者对认知，焦虑和抑郁症的跑步机培训的有效性，并比较认知双重任务和对认知，焦虑症，以及对帕克森氏症患者抑郁症的认知双重任务和训练的有效性。材料和方法：评估患者，符合筛查标准的患者被包括在研究中。获得了书面知情同意书。患者分为两组，访谈，认知，焦虑和抑郁的基线结果。总共选择了54名患者进行研究。该研究涉及使用表演和进行详细的体格检查筛查患者。选定的患者分为两组27名患者，每个患者均给予知情同意。结果：使用未配对t检验的组之间的比较。他们每周接受三个课程的治疗六周，A组专注于认知双重任务培训，而B组进行了跑步机培训。所有P值小于0.05，被认为是显着的。使用SPSSSS20.0（IBM）软件进行分析。结论：研究发现，认知双重任务和跑步机训练策略都显着改善了认知功能，减少了焦虑和抑郁症，认知双重任务组显示出最显着的改善。关键字：帕金森主义，认知双重任务培训，跑步机训练，焦虑和抑郁。
小儿脑肿瘤分类，使用年龄融合的MR形象深入学习
目的：实施和评估MR数据中小儿脑肿瘤分类的基于深度学习的方法。材料和方法：回顾性使用“儿童脑肿瘤网络”数据集的子集（n = 178个亚基，女性= 72，男性= 102，na = 4，年龄范围[0.01，36.49]年），肿瘤类型是低级星形瘤（n = 84），epcentymoma（n = 84），epcentymoma（n = 32），以及n = 32），以及。T1W后对比（n = 94个受试者），T2W（n = 160个受试者）和ADC（n = 66个受试者）MR序列分别使用。在显示肿瘤的横向切片上训练了两个深度学习模型。联合融合以结合图像和年龄数据，并使用了两个预训练范例。使用梯度加权类激活映射（GRAD-CAM）研究了模型解释性，并使用主成分分析（PCA）可视化学习的特征空间。Results : The highest tumor-type classification performance was achieved when using a vision transformer model pre-trained on ImageNet and fine-tuned on ADC images with age fusion (MCC: 0.77 ± 0.14 Accuracy: 0.87 ± 0.08), followed by models trained on T2w (MCC: 0.58 ± 0.11, Accuracy: 0.73 ± 0.08) and T1w post-contrast (MCC: 0.41±0.11，精度：0.62±0.08）数据。年龄融合略微改善了模型的性能。两种模型架构在整个实验中都相似地执行，训练策略之间没有差异。grad-cams表明，模型的注意力集中在大脑区域。PCA显示出更大的分离肿瘤型簇。结论：可以使用深度学习来完成对MR形象的小儿脑肿瘤的分类，其中最佳表现模型接受了ADC数据的培训，放射科医生将其用于这些肿瘤的临床分类。
卷积神经网络根据小鼠广角成像记录的皮层反应对视觉刺激进行分类
摘要 目的。视神经是视觉神经假体的理想位置。当受试者无法接受视网膜假体时，可以将其作为目标，并且它比皮质植入物的侵入性更小。电神经假体的有效性取决于必须优化的刺激参数组合，优化策略可能是使用诱发的皮质反应作为反馈进行闭环刺激。然而，有必要确定目标皮质激活模式，并将皮质活动与受试者视野中存在的视觉刺激联系起来。视觉刺激解码应在视觉皮层的大面积上进行，并使用尽可能可转化的方法，以便将来将研究转移到人类受试者身上。这项工作的目的是开发一种满足这些要求的算法，并可以利用该算法自动将皮质激活模式与产生它的视觉刺激联系起来。方法。向三只小鼠展示十种不同的视觉刺激，并使用广角钙成像记录它们的初级视觉皮层反应。我们的解码算法依赖于卷积神经网络 (CNN)，该网络经过训练可以从相应的广角图像中对视觉刺激进行分类。我们进行了几项实验来确定最佳训练策略并研究推广的可能性。主要结果。最佳分类准确率为 75.38% ± 4.77%，在 MNIST 数字数据集上对 CNN 进行预训练并在我们的数据集上对其进行微调后获得。通过对 CNN 进行预训练以对鼠标 1 数据集进行分类并在鼠标 2 和鼠标 3 上对其进行微调，可以进行推广，准确率分别为 64.14% ± 10.81% 和 51.53% ± 6.48%。意义。广角钙成像和 CNN 的组合可用于对皮质对简单视觉刺激的反应进行分类，并且可能是现有解码方法的可行替代方案。它还使我们能够将皮质激活视为未来视神经刺激实验中的可靠反馈。
感知少，生成更多：用蒙版自动编码器进行超高效率3D传感的训练激光雷达感知
摘要 - 在这项工作中，我们提出了一种破坏性节俭的激光雷达感知数据流，该数据流产生而不是感知环境的一部分，这些部分是基于对环境的广泛培训，或者对整体预测准确性的影响有限的。因此，所提出的方法将传感能量与训练数据进行交易，以获取低功率机器人和自动导航，以便用传感器省将，从而在一次电池充电时延长了其寿命。我们提出的为此目的提出的生成预训练策略称为径向掩盖的自动编码（R-MAE），也可以在典型的激光雷达系统中很容易实施，通过选择性激活和控制在现场操作过程中随机生成的角区域的激光功率。我们的广泛评估表明，使用R-MAE进行预训练可以重点关注数据的径向段，从而比常规程序更有效地限制了空间关系和对象之间的距离。因此，所提出的方法不仅降低了传感能量，而且还提高了预测准确性。例如，我们对Waymo，Nuscenes和Kitti数据集进行了广泛的评估表明，该方法在跨数据集的检测任务的平均精度提高了5％，并且从Waymo和Nuscenes转移到Kitti的检测任务的平均精度提高了4％。在3D对象检测中，它在KITTI数据集中的中等难度水平下，在AP中最多可增强小对象检测。即使使用90％的径向掩蔽，它在Waymo数据集中所有对象类中的MAP/MAPH中都超过了基线模型。此外，我们的方法在Nuscenes数据集上分别获得了MAP和NDS的3.17％和2.31％的提高，这表明了其在单个和融合的LIDAR相机模态方面的有效性。代码可在https://github.com/sinatayebati/radial Mae上公开获取。索引项 - lidar预训练，掩盖自动编码器，超有效的3D传感，边缘自治。
探索表征和迁移学习在解剖神经成像中的潜力：在精神病学中的应用
脑部疾病个性化医疗的前景需要有效的学习模型，以便基于解剖神经影像学预测临床状况。现在，人们一致认为深度学习 (DL) 有助于解决许多医学成像任务，例如图像分割。然而，对于单一主题预测问题，最近的研究在将 DL 与基于经典特征提取的标准机器学习 (SML) 进行比较时得出了矛盾的结果。大多数现有的比较研究仅限于预测性别和年龄等临床意义不大的表型，并且使用单一数据集。此外，他们对所采用的图像预处理和特征选择策略进行了有限的分析。本文广泛比较了 DL 和 SML 对五个多站点问题的预测能力，包括三个日益复杂的精神病学临床应用，即精神分裂症、躁郁症和自闭症谱系障碍 (ASD) 诊断。为了弥补这些临床数据集上神经影像数据的相对稀缺性，我们还评估了三种从一般健康人群的脑成像中进行迁移学习的预训练策略：自监督学习、生成建模和随年龄的监督学习。总体而言，我们发现随机初始化的 DL 和 SML 在三个临床任务中的表现相似，并且在性别预测方面具有相似的扩展趋势。这在外部数据集上得到了复制。我们还展示了所有问题中 DL 和线性 ML 模型之间高度相关的判别大脑区域。尽管如此，我们证明，在大型健康人群成像数据集（N ≈ 10k）上进行自监督预训练，以及 Deep Ensemble，使 DL 能够学习到稳健且可迁移到小规模临床数据集（N ≤ 1k）的表示。在内部和外部测试集中，它在 3 个临床任务中的 2 个上都大大优于 SML。这些发现表明，DL 在解剖神经影像学方面相对于 SML 的改进主要来自于它学习有意义且有用的大脑解剖抽象表征的能力，并且它揭示了迁移学习在精神病学个性化医疗中的潜力。