matlab二次优化代码推断传播树以量化内脏利什曼病的时空传播 该存储库包含 MCMC 代码和模拟代码，用于估计和模拟 [1] 中描述的个体级空间内核内脏利什曼病传播模型的参数。 先决条件 MATLAB R2017b+ 可从 获得，需要用户许可证。 安装和激活说明： . 运行 MCMC 代码需要以下 MATLAB 工具箱： 优化工具箱 v8.0+ 统计与机器学习工具箱 v11.2+ Julia v1.0.5+，可从 . 安装说明： 。 运行模拟代码需要以下 Julia 包： CSV v0.5.20+ 数据帧 v0.19.4+ 分隔文件 发行版 v0.21.11+ FileIO v1.2.0+ JLD v0.9.2+ JLD2 v0.1.11+ 线性代数 绘图 v0.20.3+ 稀疏数组 统计数据库 v0.32.0+ 数据 MCMC 代码和模拟代码需要无法公开提供的数据集（“data_final.mat”和“data_final2.mat”），因为它们包含个人身份信息。 如果您想获得数据的副本，请首先联系。 用于在其上测试 MCMC 算法的模拟数据和代码将在适当的时候添加到此存储库中。

慢病管理系统.ppt该文档详细且完整，值得借鉴下载使用，欢迎下载使用，有问题可以第一时间联系作者~

公路市政路面大中修工程的路面病害图绘制、分析、出图软件 CAD、自动出图、病害处置 软件 自动读取

阿尔茨海默氏病分类的可解释深度学习框架的开发和验证 这项工作发表在Brain （ ）中。 介绍 此回购包含PyTorch实施的深度学习框架，该框架从磁共振成像中描绘出可解释的阿尔茨海默氏病特征（3D疾病风险图），然后将其与年龄，性别和小脑力状态检查分数等多模式输入进行整合。 我们的框架将完全卷积网络（FCN）链接到多层感知器。 FCN生成特定于患者的3D疾病风险图（密集的本地预测），请参见下文。 FCN模型是在ADNI训练和验证集上开发的，其性能在ADNI测试集，3个外部测试数据集（包括NACC，AIBL和FHS数据集）上进行了评估。 所有位置的Matthews相关系数（MCC）值显示为MCC热图，以可视化每个位置上FCN的准确性。 MLP对诊断结果进行最终的全局预测。 为了验证目的，将预测的高风险区域与神经病变的发现进行了比较，并在这项工作中证明了模型预测区域与神经病变的发现之间的

帕金森氏病（PD）是世界上主要的公共卫生疾病之一，其日趋增加，并已对许多国家产生影响。 因此，在疾病早期就进行预测非常重要，因为疾病的症状是在中年或中晚期出现的，因此这对于研究人员来说是一项艰巨的任务。 因此，这项工作着眼于受PD影响的人群的语音清晰度困难症状，并使用各种机器学习技术（例如自适应增强，装袋，神经网络，支持向量机，决策树，随机森林和线性回归）来建立模型。 这些分类器的性能使用各种指标进行评估，例如准确性，接收器工作特性曲线（ROC），灵敏度，精度，特异性。 最后，采用Boruta特征选择技术在预测帕金森氏病的所有特征中找到最重要的特征。

特种劳动防护用品生产销售宣传介绍PPT（等级防尘口罩的维护与保管、过滤元件的安装）预防尘肺病的呼吸防护知识学习课件.pptx

利用QTdesigner+pyqt5设计并制作可视化界面的苹果树叶片病斑检测与分级系统。系统分为检测系统以及病斑分割分级系统，检测系统可实现的功能有：患病叶片及健康叶片检测，对于患病叶片的疾病可作区分，并提出防治建议。病斑分割分级系统可实现的功能有：分割患病叶片的叶片区域以及染病区域，并根据依据计算出患病等级，并提出防治建议。本系统是博主自行研发的系统，有需要的人可以下载并随时欢迎咨询。

Matlab fft原始代码ESAI-CEU-UCH解决癫痫预测挑战的解决方案 这项工作提出了由CEU Cardenal Herrera大学（ESAI-CEU-UCH）在Kaggle美国癫痫协会癫痫发作预测挑战赛中提出的解决方案。 提出的解决方案位于的第4位。 提出了不同种类的输入功能（不同的预处理流水线）和不同的统计模型。 这种多样性是为了改善模型组合结果。 重要的是要注意，任何提议的系统都使用测试仪进行校准。 竞争允许使用测试集进行此模型校准，但这样做会降低结果在现实世界中的可重复性。 依存关系 软件 该解决方案使用以下开源软件： 工具包v0.4.0。 它是使用Lua和C / C ++核心进行模式识别的工具包。 因为此工具是非常新的，所以已经在管道中编写了安装和配置。 v3.0.2。 对于统计计算，这是Kaggle竞赛中广泛使用的工具。 软件包R.matlab，MASS，fda.usc，fastICA，stringr和plyr是运行该解决方案所必需的。 v4.3.11，使用cp，mv，find，mktemp，sort和tr命令行工具。 该解决方案准备在具有Linux平台上运行，但可

慢性肾病 通过比较基本关键绩效指标的变化来评估慢性肾脏病发生机会的增加。 计算赔率以适应范围。 推算得出的变量，创建具有交互作用的新变量，并在具有34个预测变量的数据集上应用SMOTE 使用技术评估模型执行特征选择并从随机森林中验证交互作用变量 在逻辑回归中使用比值比，解释了疾病增加的可能性，召回率为94.5％

1.1.1.2根据裂缝的宽度和长度分级 我国铁路隧道衬砌开裂分级。 AA (极严重) :长度L > 10m ,宽度a > 5mm ,且变形继续发展,拱部开裂呈块状,有可能掉落; A1 (严重) :L 为5～10m ,但a > 5mm;开裂使衬砌呈块状,在外力 作用下有可能崩塌和剥落; B(较重) :L < 5m 且5mm ≥a ≥3mm;裂缝有发展,但速度不快; C (中等) :L < 5m 且a < 3mm; D (轻微) :一般龟裂或无发展状态