XiaoMi-AI文件搜索系统
World File Search System负荷
使用可穿戴传感器和心理特征进行认知负荷推断的数据集
主观差异 1 +0.742 (0.47-0.88) +0.520 (0.14-0.77) +0.035 (-0.38-0.44) -0.009 (-0.42-0.4) +0.062 (-0.36-0.46) 级别 +0.742 (0.47-0.88) 1 +0.595 (0.24-0.81) -0.032 (-0.44-0.39) -0.045 (-0.45-0.37) +0.072 (-0.35-0.47) TLX_effort +0.818 (0.61-0.92) +0.648 (0.32-0.84) +0.375 (-0.04-0.68) +0.077 (-0.35-0.47) +0.035 (-0.38-0.44) -0.008 (-0.42-0.41) TLX_心理需求 +0.750 (0.49-0.89) +0.513 (0.13-0.76) +0.319 (-0.11-0.65) +0.075 (-0.35-0.47) +0.062 (-0.36-0.46) -0.006 (-0.42-0.41) TLX_时间需求 +0.669 (0.35-0.85) +0.671 (0.36-0.85) +0.459 (0.06-0.73) +0.053 (-0.37-0.46) +0.038 (-0.38-0.44) +0.105 (-0.32-0.5) TLX_实物需求 +0.266 (-0.16-0.61) +0.181 (-0.25-0.55) -0.042 (-0.45-0.38) -0.539 (-0.78-(-0.16)) -0.456 (-0.73–0.05) -0.304 (-0.64-0.12) TLX_性能 -0.383 (-0.69-0.04) -0.353 (-0.67-0.07) -0.261 (-0.61-0.17) -0.132 (-0.52-0.30) -0.018 (-0.43-0.4) +0.014 (-0.4-0.42) TLX_frustration +0.413 (0.00-0.70) +0.385 (-0.03-0.69) +0.144 (-0.29-0.52) -0.474 (-0.74-(-0.08)) -0.402 (-0.7-0.01) -0.149 (-0.53-0.28)
提高峰值负荷调节应用中的电池储能系统性能
摘要：使用储能系统削减峰值负荷一直是平滑全球不同行业消费者电力负荷曲线的首选方法。这些系统在非高峰时段储存能量，在高消耗时段释放能量以供使用。目前大多数解决方案都使用太阳能作为电源，使用化学电池作为储能元件。尽管这种策略有明显的好处，但电池储能系统 (BESS) 的使用寿命是经济可行性的驱动因素。本研究工作提出使用基于主动连接电池并由电力电子支持的储能系统。所提出的方案允许对功率流进行个性化控制，从而允许在同一 BESS 中使用具有不同使用年限、技术或退化状态的电池。结果表明，克服被动连接电池组固有的局限性可以将系统的使用寿命和总调度能量延长 50% 以上。对带有电子化电池的台式原型进行了实验测试，以证明所提解决方案的核心概念。使用从光伏电站收集的数据进行的计算机模拟支持了关于所取得的效益的结论和讨论。
抑郁症与同种异体负荷相互作用，以预测中年的认知下降
ACC：前扣带回皮质ACE抑制剂：血管紧张素转化 - 酶抑制剂ACTH：增生性激素AD：阿尔茨海默氏病AL：Alzheimer病AL：同骨负载ARB：同种异体负荷ARB：血管含量障碍物BBB：血脑箱bb：血脑屏障bbdnf：Brain-Brain brain brine brim oss brim oss brim oss brm optrect rm oppripic insrex-brm optrect insrex insrex insrex insrex insrex insrex insrex insrex-brm optrip rmm iptrectict： Test of Adult Cognition by Telephone CBF: cerebral blood flow CIDI-SF: Composite International Diagnostic Interview short-form CNS: Central nervous system CRH: Corticotropin-releasing hormone CRP: C-reactive protein cSVD: cerebral small vessel disease DBP: diastolic blood pressure DHEA-S: dehydroepiandrosterone sulfate DSM-III-R: Diagnostic and Statistical Manual-III-Revised ELISA: enzyme-linked immunosorbent assay FIML: full information maximum likelihood HbA1c: glycated hemoglobin HDL: high-density lipoprotein HF power: high-frequency power HOMA-IR: homeostatic model assessment for insulin resistance HPA: Hypothalamic-pituitary-adrenal HRV: Heart rate variability IL-6: interleukin-6 LDL: low-density lipoprotein LF power: low-frequency power LTD: long-term depression LTP: long-term potentiation MCI: mild cognitive impairment MDD: Major depressive disorder MetS: Metabolic syndrome MIDUS: Midlife in the United States MRI: magnetic resonance imaging mRNA: messenger ribonucleic acid mTOR:雷帕霉素NAC的哺乳动物靶标：N-乙酰半胱氨酸NAC：伏抗核NSAID：非甾体类抗炎药PFC：前额叶皮层PNS：副交感神经系统：随机对照试验
增强子内稀有变异负荷分析确定 CAV1 为 ALS 风险基因
Johnathan Cooper-Knock，1,10，* Sai Zhang，2 Kevin P. Kenna，3 Tobias Moll，1 John P. Franklin，1 Samantha Allen，1 Helia Ghahremani Nezhad，1 Alfredo Iacoangeli，4 Nancy Y. Yacovzada，5 Chen Eitan，5 Eran Hornstein，5 Eran Elhaik，6 Petra Celadova，7 Daniel Bose，7 Sali Farhan，8 Simon Fishilevich，5 Doron Lancet，5 Karen E. Morrison，9 Christopher E. Shaw，4 Ammar Al-Chalabi，4 Project MinE ALS Sequencing Consortium，Jan H. Veldink，3 Janine Kirby，1 Michael P. Snyder，2 和 Pamela J. Shaw 1，* 1 谢菲尔德转化神经科学研究所 (SITraN)，谢菲尔德大学谢菲尔德，英国谢菲尔德 2 斯坦福基因组学和个性化医学中心，斯坦福大学医学院遗传学系，斯坦福，CA 94305，美国 3 神经病学系，鲁道夫马格努斯脑中心，乌得勒支大学医学中心，乌得勒支，荷兰 4 基础和临床神经科学系，精神病学、心理学和神经科学研究所，伦敦国王学院，伦敦，英国 5 分子遗传学系，魏茨曼科学研究所，雷霍沃特，以色列 6 生物系，隆德大学，隆德，瑞典 7 谢菲尔德大学谢菲尔德核酸研究所，谢菲尔德，英国 8 分析和转化遗传学部门，医学系，麻省总医院和哈佛医学院，美国马萨诸塞州波士顿 9 南安普顿大学医学院，南安普顿，英国 10 主要联系人 * 通讯地址： j.cooper-knock@sheffield.ac.uk (JC-K.), pamela.shaw@sheffield.ac.uk (PJS)
基于脑电信号的特征选择模型用于评估驾驶员的认知负荷
摘要：近年来，研究的重点是生成机制来评估受试者在执行各种需要高度集中注意力的活动（例如驾驶车辆）时的认知工作量水平。这些机制已经实现了多种分析认知工作量的工具，而脑电图 (EEG) 信号由于其高精度而最常使用。然而，实现 EEG 信号的主要挑战之一是找到适合识别认知状态的信息。在这里，我们提出了一种基于机器学习技术的使用 EEG 信号信息进行模式识别的新特征选择模型，称为 GALoRIS。GALoRIS 结合遗传算法和逻辑回归来创建一个新的适应度函数，该函数识别和选择有助于识别高和低认知工作量的关键 EEG 特征，并构建一个能够优化模型预测过程的新数据集。我们发现，GALoRIS 使用从多个 EEG 信号中提取的信息来识别与受试者驾驶车辆时的高和低认知工作负荷相关的数据，将原始数据集减少了 50% 以上，并最大限度地提高了模型的预测能力，实现了 90% 以上的准确率。
通过脑电图数据处理，根据与移动设备任务相关的认知负荷来表征移动设备任务
与移动设备的交互是与网络世界的纽带，使我们能够描述用户行为。根据人联网的原则，对与智能手机的交互进行深入分析，使我们能够区分正常使用和异常使用。这种分析的众多应用之一将有助于根据交互中的异常情况对轻度认知障碍进行早期诊断。这项工作旨在朝着这一雄心勃勃的目标迈出第一步：确定使用智能手机执行不同典型任务所需的认知负荷。通过正确识别哪些任务需要更高的认知负荷，我们将能够开始研究有助于早期诊断认知病理的指标和指标。认知负荷分析是在对 26 名用户进行实验后进行的，这些用户使用移动设备执行了 12 项典型任务，同时通过脑电图监测他们的大脑活动。结果表明，显然存在具有更高认知需求的任务，其中音频制作和消费最为显著，这已得到实验和统计验证。© 2020 Elsevier BV 保留所有权利。
热化学储能 (TCES) 的设计与集成，用于建筑物的负荷削减/转移
盐水合物中的热阻和传质阻力是设计过程中面临的最大挑战。盐水合物颗粒和耦合介质之间的高热阻和潜在接触不良会导致盐未被利用（非活性储存）。因此，求解二维热阻和传质方程可实现更有效的设计，例如矩形通道和圆形翅片管几何形状，便于制造和定制。
计算损失负荷价值、新进入成本和可靠性标准的方法
（6）VOLL/CONE/RS 方法的制定符合《电力法规》第 3 条规定的电力市场运作原则。具体而言，CONE 方法要求对所有容量资源进行研究，从而有助于确保安全和可持续的发电、储能和需求响应平等地参与市场（根据《电力法规》第 3(j) 条）。这符合《电力法规》第 1(b) 条规定的目标，即为所有容量资源提供非歧视性的市场准入，为运作良好的综合电力市场制定基本原则。
计算损失负荷价值、新进入成本和可靠性标准的方法
（6）VOLL/CONE/RS 方法的制定符合《电力法规》第 3 条规定的电力市场运作原则。具体而言，CONE 方法要求对所有容量资源进行研究，从而有助于确保安全和可持续的发电、储能和需求响应平等地参与市场（根据《电力法规》第 3(j) 条）。这符合《电力法规》第 1(b) 条规定的目标，即为所有容量资源提供非歧视性的市场准入，为运作良好的综合电力市场制定基本原则。
稀缺定价白皮书：损失负荷和运行储备需求曲线的价值
MISO 于 2023 年更新了 VOLL 组件，利用了最新的经济和电力使用数据。基于这些值，MISO 建议将 VOLL 从 3,500 美元/兆瓦时提高到 10,000 美元/兆瓦时。该 VOLL 将继续用作市场价格上限和负荷削减事件期间的行政定价。该决定承认负荷削减将集中在住宅类，其 1 小时停电夏季 VOLL 为 4,337 美元/兆瓦时，但其他负荷类在此类事件期间不可避免地会被削减。只需刷新 2007 年的计算结果，即可获得更高的潜在 VOLL，即 13,640 美元/兆瓦时。此外，如果客户需求在所有负荷类中均匀减少，则 36,888 美元/兆瓦时的 VOLL 是合理的。然而，考虑到延长 VOLL 定价可能带来的财务影响，MISO 认为这些值过高。