XiaoMi-AI文件搜索系统
World File Search System信号分析
神经科学家的信号处理
本教科书是主要针对神经科学家和生物医学工程师的信号处理的简介。文本是为我在芝加哥大学和伊利诺伊理工学院的研究生和本科生教授的四分之一课程开发的。本课程的目的是向具有合理但适中的数学背景（包括复杂的代数，基本微积分和差分方程的入门知识）以及神经生理学，物理学和计算机编程的最小背景的学生介绍信号分析。为了帮助基本的神经科学家简化数学，第一章是小步骤开发的，并且添加了许多注释以支持解释。在整个文本中，在需要的地方引入了高级概念，在细节会使“大局”分散注意力的情况下，进一步的解释将移至附录。我的目标是为学生提供所需的背景，以了解商业上可用的分析软件的原则，以使他们能够在MATLAB等环境中构建自己的分析工具，并使更先进的工程文献易于访问。大多数章节基于90分钟的讲座，其中包括MATLAB脚本的演示。第7章和第8章包含三到四个讲座的材料。每个章都可以作为独立单位来考虑。对于需要在支持主题上刷新记忆的学生，我包括对其他章节的参考。数字，方程式和附录也由章节独立引用。
基于脑信号分析的深度学习方法
1 简介 脑信号测量来自人脑的本能生物特征信息，反映了用户的被动或主动心理状态。脑信号模拟由大脑中数百万个神经元以信号形式处理的信息。这些脑信号类似于人的神经活动（包括感觉和运动活动）。通过处理脑信号可以了解人（或用户）的感觉和运动活动。随着新兴技术的发展，可以使用不同的传统（EEG、MEG、MRI、fMRI）和非传统信号处理技术（深度学习算法、决策树等）来分析和处理脑信号。所有传统版本的脑信号分析都包括特征提取步骤，然后在某个时间点进行分类过程。Jahankhani 等人。进行了实验，并使用离散小波变换（DWT）作为特征提取技术，从EEG脑信号中提取特征，多层感知器是分类技术，与径向基函数网络（RBF）一起使用[1]，在训练性能方面，已经实现了准确的EEG信号分类。而Acharya等人已经使用EEG信号以及小波包变换（WPT）作为特征提取方法和支持向量机（SVM）作为分类方法[2]进行了实验。这些方法结合起来可以准确检测出癫痫（一种神经系统疾病）。同样，更多的其他特征
使用可解释的人工智能来获得基于脑电图信号的有效癫痫检测模型
摘要：癫痫病是一种影响全球5000万个人的疾病，会对他们的生活质量产生重大影响。癫痫发作，一种短暂的发生，其特征是表现范围，包括运动功能和意识的改变。这些事件对受影响的人的日常生活施加了重新限制，经常导致社会孤立和心理困扰。在响应中，通过EEG信号分析，采用机器学习和深度学习方法来检测和预防癫痫发作。本研究提出了一种减少简单分类器所需的特征和渠道数量的方法，利用可解释的人工智能（XAI）检测癫痫发作。所提出的方法通过在时间域分析中仅利用六个特征和五个通道，其准确性，精度，召回和F1得分超过95％，其时间窗口为1 s。该模型证明了数据库中包含的患者队列中的强大概括，这表明在简单模型中的特征降低（没有深度学习）足以进行癫痫发作检测。该研究强调了属性和渠道数量大量减少的潜力，主张培训具有战略性选择的电极的模型，从而支持开发有效的移动应用程序以进行癫痫发作检测。
靶向肝癌细胞中的 PCSK9 可引发代谢衰竭和铁死亡
摘要：脂质代谢失调是肝癌的共同特征，维持肿瘤细胞生长和存活必不可少。我们旨在利用这一弱点，通过靶向关键代谢因子前蛋白转化酶枯草溶菌素/kexin 9 型 (PCSK9) 来重新连接致癌代谢中心。我们使用三种肝癌细胞系 Huh6、Huh7 和 HepG2 评估了 PCSK9 抑制的效果，并使用斑马鱼体内模型验证了结果。PCSK9 缺乏导致所有细胞系的细胞增殖受到强烈抑制。在脂质代谢水平上，PCSK9 抑制导致细胞内中性脂质、磷脂和多不饱和脂肪酸增加以及脂质氢过氧化物积累增加。分子信号分析涉及 sequestome 1/Kelch 样 ECH 相关蛋白 1/核因子红细胞 2 相关因子 2 (p62/Keap1/Nrf2) 抗氧化轴的破坏，导致铁死亡，其形态特征通过电子和共聚焦显微镜得到确认。使用斑马鱼异种移植实验验证了 PCSK9 缺乏的抗肿瘤作用。抑制 PCSK9 可有效破坏肿瘤代谢过程，诱导代谢衰竭并增强癌细胞对铁触发脂质过氧化的脆弱性。我们提供了强有力的证据支持抗 PCSK9 方法的药物重新定位以治疗肝癌。
基于小波的特征提取及SVM分类
Pradesh) 摘要 本文探讨了使用小波变换技术在运动想象 (MI) 任务中对 EEG 信号进行特征提取和分类，重点关注事件相关去同步 (ERD) 和事件相关同步 (ERS) 现象。该研究强调了离散小波变换 (DWT) 相对于连续小波变换 (CWT) 的有效性，因为它在处理时间上更高效，并且能够紧凑地表示信号。根据能量压缩特性和捕获与 MI 相关的信号特征的能力对各种小波函数进行了评估，包括 Daubechies 和双正交小波。选择在近似带中表现出最高能量集中的小波进行进一步分析。使用这些选定的小波从 EEG 信号中提取特征，并使用统计和 (HoS) 度量（例如均值、方差、偏度和峰度）进行表征。然后使用这些特征来训练具有不同核函数的支持向量机 (SVM) 分类器。分类结果显示，小波 J db10 和 J bior6.8 的准确率最高，表明它们最适合 MI 任务中的 EEG 信号分析。研究结果表明，优化的小波特征提取与先进的机器学习技术相结合，具有提高脑机接口 (BCI) 系统分类性能的潜力。
使用机器学习检测阿尔茨海默病...
信息技术系主任 1 信息技术系学生 2、3、4、5 辛加德理工学院，马哈拉施特拉邦罗纳瓦拉，印度 摘要：阿尔茨海默病是西方国家最常见且增长最快的神经退行性疾病之一。开发不同的生物标志物工具是诊断阿尔茨海默病及其进展的关键问题。从脑电图预测受试者的认知表现和识别相关的生物标志物是一些研究问题。脑电图信号分析非常适合阿尔茨海默病的自动诊断。虽然基于脑电图的技术有助于筛查阿尔茨海默病和痴呆症；但在诊断准确性、敏感性和特异性方面仍有改进的空间。因此，在使用脑电图信号进行阿尔茨海默病诊断领域仍然存在许多问题，这些问题与选择有助于区分两个或多个受试者的特征有关。本文主要研究使用脑电图信号诊断阿尔茨海默病的新功能，以有效提高诊断准确性。本文提出了使用新的基于复杂性的特征来提高诊断准确性并有助于早期诊断阿尔茨海默病。关键词：神经退行性疾病、认知、痴呆、脑电图、诊断
使用光波播放以提高和超快信号...
处理摘要：此讨论将提供光学信号处理领域的介绍和概述，重点是使用线性相位仅相位轻波操作的高效通用方法。这种方法已经实现了许多新颖的和大大增强的信号分析和处理功能，从高速电信到感应和光谱范围，使用简单的光纤启示或集成波形的设备技术。为了说明一般方法，该讨论将提供深入的洞察力，即对广泛实践兴趣的新框架，即，具有独特的经典信号和量子相关功能的时间和频率域波形的被动扩增。这种缓解噪声的方法可以恢复其他无法访问的信息，从而推动基础科学和应用科学的新边界。bio：JoséAzaña（Optica研究员）分别在1997年和2001年获得了西班牙的电信工程师学位和电信工程学位。在加拿大多伦多大学（1999年）和加利福尼亚大学 - 美国戴维斯分校（2000年）进行研究实习，他在加拿大蒙特利尔的麦吉尔大学（2001-2003）进行了博士后研究工作。随后，他加入了蒙特利尔的国家de la Recherche Scientifique - 中心Energie，Matériauxettélécommunications（INRS-EMT），他目前是教授，并且曾是加拿大研究主席“超级弹药信号处理”的持有人。
使用离散小波变换和智能技术进行脑电信号分析以诊断神经系统疾病“2279
摘要：脑电图 (EEG) 信号分析至关重要，因为它是诊断神经系统脑部疾病的有效方法。在这项工作中，我们开发了一个系统来同时诊断一到两种神经系统疾病（二类模式和三类模式）。为此，我们研究了不同的 EEG 特征提取和分类技术，以帮助准确诊断神经系统脑部疾病：癫痫和自闭症谱系障碍 (ASD)。我们针对癫痫和 ASD 分析了两种不同的 EEG 信号模式，即单通道和多通道。独立成分分析 (ICA) 技术用于从 EEG 数据集中去除伪影。然后，使用椭圆带通滤波器对 EEG 数据集进行分割和滤波，以消除噪声和干扰。接下来，使用离散小波变换 (DWT) 从滤波信号中提取脑电信号特征，将滤波信号分解为子带 delta、theta、alpha、beta 和 gamma。随后，使用五种统计方法从脑电图子带中提取特征：对数带功率 (LBP)、标准差、方差、峰度和香农熵 (SE)。此外，将这些特征输入到四个不同的分类器中，即线性判别分析 (LDA)、支持向量机 (SVM)、k 最近邻 (KNN) 和人工神经网络 (ANN)，以对对应于其类别的特征进行分类。DWT 与 SE 和 LBP 的组合在所有分类器中产生最高的准确率。对于三类单通道和多通道模式，使用 SVM 的整体分类准确率分别接近 99.9% 和 ANN 的 97%。
物质使用障碍中的生物标志物和神经调节技术
成瘾性疾病是一种严重的健康问题。传统疗法仅取得中等程度的成功，治疗后复发的可能性仍然很高。脑刺激技术，如经颅直流电刺激 (tDCS) 和深部脑刺激 (DBS)，已被证明可有效减少主观评价的物质渴求。然而，很少有客观和可测量的参数能反映成瘾性疾病和复发的神经机制。表征神经处理中物质相关变化的关键电生理特征是事件相关电位 (ERP)。这些高时间分辨率的大脑活动测量能够识别成瘾行为的神经认知相关性。此外，ERP 已显示出作为生物标志物的效用，可预测治疗结果和复发概率。成瘾治疗的未来方向可能包括能够检测成瘾相关神经生理参数并以闭环方式部署适应已识别病理特征的神经调节的神经接口。这样的系统可能超越电记录和刺激，在药理学领域采用传感和神经调节以及先进的信号分析和机器学习算法。在这篇综述中，我们描述了使用脑电刺激治疗成瘾性疾病的最新进展及其对成瘾相关神经生理标志物的影响。我们讨论了先进的信号处理方法和多模态神经接口作为未来治疗成瘾性疾病的生物电子系统的基石。
全基因组比较分析揭示了多产萨福克羊繁殖性状的选择特征
全基因组选择标签的鉴定可以揭示通过自然或人工选择产生新品种的潜在遗传机制。本研究对多产肉羊新品系多产萨福克羊进行了全基因组选择标签筛选，以鉴定繁殖性状候选基因，揭示该新品系萨福克羊的种质特征和群体遗传进化。采用20倍有效测序深度进行全基因组重测序，以分析基因组多样性和群体结构。此外，利用固定指数（F ST ）和杂合度（H ）分析研究了多产萨福克羊、萨福克羊和湖羊的选择标签。共获得了多产萨福克羊的5,236.338 Gb高质量基因组数据和28,767,952个SNP。此外，还鉴定出99个跨越候选基因的选择信号，其中23个基因与生殖、生长、免疫、代谢等KEGG通路及Gene Ontology术语显著相关，通过选择信号分析发现ARHGEF4、CATIP、CCDC115等基因与多产萨福克羊的生殖性状显著相关，并与mTOR信号通路、黑素生成通路、Hippo信号通路等高度相关，这些结果有助于理解多产萨福克羊人工选择的进化，并提供可能有利于新绵羊品种建立的候选生殖相关基因。