XiaoMi-AI文件搜索系统
World File Search System信号检测
饮食脂肪限制在随机交叉试验中影响大脑奖励区域
引言在治疗肥胖症的饮食方法中（1），针对饮食脂肪和碳水化合物（可引发不同外周代谢和内分泌状态的常量营养素（2））的策略的受欢迎程度时高时低。饮食中碳水化合物和脂肪的摄入也会影响大脑多巴胺（3-5）的不同肠脑通路，啮齿动物模型已证明多巴胺是饮食行为（6）和体重调节（7）不可或缺的一部分。虽然多巴胺是享乐行为的基础，但食物的强化特性仅部分由对愉悦本身的有意识的感官知觉介导。相反，食物奖励主要由来自潜意识过程的信号决定，这些信号检测营养线索以调节纹状体区域的多巴胺信号（8），这些区域不仅涉及享乐反应，还涉及动机行为、强化学习、习惯养成和强迫行为（6，9）。因此，大脑多巴胺的变化可能会影响食物选择和饮食行为。肥胖人群的多巴胺合成能力可能降低 (10–12)，而纹状体 2/3 型多巴胺受体结合潜能 (D2BP) 的可用性可能与肥胖相关 (13–15)。大脑多巴胺还与人类饮食行为 (13、16–18) 和食物奖励处理 (19) 有关，且与体重无关。限制碳水化合物和脂肪的饮食是否会对人类大脑多巴胺和饮食行为产生不同的影响尚不清楚。在这里，我们使用正电子发射断层扫描 (PET) 测量 D2BP，并使用功能性磁共振成像 (fMRI) 测量 17 名肥胖成年人对视觉食物提示作出反应的神经活动。我们预先设定的目标是调查与正常热量基线饮食相比，5 天的选择性限制饮食脂肪或碳水化合物是否会对大脑奖励区域对视觉食物提示作出反应的 D2BP 和神经活动产生不同的影响。
备忘录日期：2024年8月1日至：韦恩·萨尔特（Wayne Salter），高管...
i Mesfin YM，Cheng A，Lawrie J等人使用常规收集的电子保健数据用于后许可疫苗安全信号检测：系统评价BMJ Global Health 2019; 4：E001065。ND HHS免疫总监Molly Howell在2023年3月16日在SB 2384举行的众议院人类服务委员会举行的听证会上作证。关于进行全面的立法管理研究的可行性，豪厄尔女士说：“北达科他州卫生与公共服务部（NDHHS）无法根据联邦赠款进行研究。SB2384中所述的正式研究将需要一般资金和额外的人员。” III 2023年3月16日，来自Molly A. Howell到House Human Services委员会的电子邮件。iv 2024年3月26日，从莫莉·A·豪威尔（Molly A. Howell）到卡伦·罗尔（Karen M. Rohr）。V lai ly，Arshad F，Areia C，Alshammari TM，Alghoul H，Casajust P，Li X，Dawoud D，Nyberg F，Pratt N，Pratt N，Hripcsak G，Sustard MA，Prieto-Alhammbra D，Ryan P，Ryan P，Ryan P，Schuemie MJ。使用观察数据的当前疫苗安全性方法：Eumaeus的基本原理（在监视疫苗下评估用于不良事件的方法的方法）研究设计。前药。2022 3月22日; 13：837632。 doi：10.3389/fphar.2022.837632。PMID：35392566; PMCID：PMC8980923。vi Stroup和Teutsch，《公共卫生的统计数据》，《公共卫生问题的定性方法》（NY Oxford Press，1998）97。vii参见Lai等人以及公共卫生的统计数据，p。 110。VIIISATO S，Kawazoe Y，Katsuta T，Fukuda H.队列中的比较设计和评估能力和自控案例系列设计，用于授权后疫苗安全研究。peerj。2024 JAN 23; 12：E16780。doi：10.7717/peerj.16780。PMID：38282861; PMCID：PMC10812582。IX Steve Kirsch在MIT上的演讲，https://rumble.com/v3yovx4-vsrf-live-104-exclusive-mit-mit-spech-by- by- steve-kirsch.htmlIX Steve Kirsch在MIT上的演讲，https://rumble.com/v3yovx4-vsrf-live-104-exclusive-mit-mit-spech-by- by- steve-kirsch.html
第十届国际BCI会议
摘要 - 人类机器接口（HMI）和大脑计算机接口（BCI）最近已成为许多机器控制或计算机应用程序的有效解决方案，以便发送直接控件的命令或提供在任务执行过程中纠正某些机器人操作的反馈[1]，[2]，[2]，[3]。但是，设计一个高效有效的BCI系统存在许多挑战，该系统需要减少涉及人类大脑的精神努力，因此它可以成为日常任务的实用工具，而无需要求额外的大脑努力。在相关作品中，由放置在人头皮上的外部电极获得的脑电图（EEG）信号被用作实施算法的输入，以纠正机器人任务性能期间可能的故障和错误[4]，[5]。尽管有很多工作重点是使用BCI，目的是基于EEG信号检测到实时反馈，但将其用作算法输入以纠正机器人任务期间可能的故障和错误的想法，就像在本文导航期间提议的障碍避免案例一样，仍然是一个挑战性的目标[6]。此外，大多数现有的BCI协议用于使人类参与机器人控制循环，要求用户观察到完整的视觉和大脑浓度，以便在不同的认知情况下具有良好的信号[1]。这项研究的目的是设计基于BCI的协议，该协议与轮椅机器人控制系统一起在室内方案中进行安全导航，以避免板载传感器设备未检测到的障碍。此外，特定协议的设计的目的是唤起和收集将与ROS集成（机器人操作系统）的BCI系统进行培训和测试的脑电图数据。在ROS环境中，BCI将衬有一个已经开发的包装[7] - [9]，从而产生虚拟障碍并支持人类在循环方法集成中。设计的协议是通过使用仿真平台（即凉亭）实现的，包括环境和特定的移动机器人，即智能轮椅。智能轮椅可以在室内场景中自动导航，避免使用智能轮椅的可用传感器，避免了可能的障碍物，而无需任何人类干预。但是，如果传感器在障碍物检测中可能失败，由于阻塞或意外的障碍位置，人类参与机器人路径计划控制可以改善人类安全。在BCI系统的培训阶段，要求用户观察机器人试图避免
车辆自主驾驶系统
摘要：自动驾驶汽车或自动驾驶汽车行业和技术在研究行业和汽车行业中发挥了重要作用。自动驾驶汽车是那些车辆能够在没有人工干预的情况下通过交通方式感知周围，导航和驾驶自己的道路。换句话说，它们可以从一个位置转移到另一个位置，而无需人类互动。在本文中，提出了自动驾驶汽车系统原型。该车辆能够感知其周围环境，并通过交通和其他障碍（例如人和交通信号灯）自行上路。也就是说，车辆能够驾驶和检测道路信号，并相应地做出决定，是继续还是转弯。所提出的系统使用Raspberry Pi微控制器和超声传感器来检测车辆前面的任何物体，障碍物或行人，并测量距离。此外，覆盆子Pi摄像头连接到Raspberry Pi，以不断拍摄道路的照片。这些图片将由Raspberry Pi微控制器分析。车辆能够安全到达目的地。已经设计和实施了自动驾驶汽车原型。对Porotype自动驾驶汽车系统进行了测试和执行。关键字：自动驾驶汽车，覆盆子PI，超声波传感器，信号检测，Raspberry Pi摄像机的介绍，随着技术的发展，制造业也正朝着自动化发展。车辆自动化实际上正在改变行业的概念（Al-Smadi＆Msallam，2022）。自动驾驶汽车或自动驾驶汽车行业和技术在研究和汽车行业中发挥了重要作用。自动驾驶汽车是那些汽车能够在没有人工干预的情况下通过交通方式吸引周围，导航和驱动自己（Szikora＆Madarász，2017; Pawar等，2021）。换句话说，自动驾驶汽车是那些可以从一个位置转移到另一个位置而无需人类互动的汽车。随着每个国家 /地区迅速增加的车辆数量，道路每天都在增加交通事故的数量。这些事故中有许多是由于人类错误。这些事故的一些常见原因是在开车时使用手机，此外还有几种车内娱乐设备。根据研究（Ondruša等，2020），预计由于自动驾驶汽车，事故将在2040年下降至80％。这种期望的原因是因为自动驾驶汽车将有可能减少交通碰撞和控制速度限制。目前，自动驾驶汽车已经在几个没有任何人类投入的国家实施（Shetty等，2019）。Tesla Motors Inc.Tesla Motors Inc.
FOI 23/492 – 关于孕期接种新冠疫苗安全性的报告
所有黄卡数据，而不是与您的请求相关的黄卡疫苗监测数据子集。鉴于此，我们认为在正式发布之前向您发布信息不符合公众利益。我们关于孕期接种 COVID-19 疫苗安全性的立场可在我们网站上的以下链接中找到（请点击链接并向下滚动到“关于特定人群安全性的评论”部分）：https://www.gov.uk/government/publications/coronavirus-covid-19-vaccine-adverse-reactions/coronavirus-vaccine-summary-of-yellow-card-reporting 解释一下黄卡疫苗监测计划产生的数据的评估过程可能会有所帮助。我们会不断评估来自 Covid-19 疫苗监测策略这一要素的数据，以及我们收集或可以访问的其他数据，以支持我们的信号检测活动，因此我们不会单独定期审查这个数据源。 MHRA 正在开发黄卡疫苗监测的科学出版物，但为了在此期间提供一些信息，我附上了 2021 年 7 月提交给我们的药物警戒专家顾问组的黄卡疫苗监测数据的中期审查。您会注意到，目前有 1197 人报告说他们怀孕了。最终的注册人数以及结果分析将在适当的时候纳入我们的科学出版物中。请注意，本文件中有一些信息被删节。我们根据《信息自由法》第 40 (2) 条应用了这些删节。删节的信息是个人数据（员工姓名），其披露将导致个人身份被识别。隐瞒的员工姓名是资历低于一定级别的员工的姓名；这与我们披露员工姓名的方法一致。虽然我们感谢您要求进行内部审查，但我们没有将此回复视为该审查，因为考虑到延迟，您还没有机会考虑我们的回复。如果您对请求的处理不满意，您有权要求进行内部审查。内部审查请求应在您收到此回复之日起两个月内提交，并发送至：info@mhra.gov.uk 请记住在未来的任何通信中引用上述参考编号。如果您对内部审查的结果仍然不满意，您有权直接向信息专员申请作出决定。请记住，信息专员通常不会审查我们对您请求的处理，除非您首先联系我们进行内部审查。信息专员的联系方式：信息专员办公室 Wycliffe House Water Lane Wilmslow
飞行光子计数电子乘电荷电荷耦合设备开发罗马空间望远镜coronagraph仪器
摘要。我们描述了将在2.4 m Nancy Grace Roman Space望远镜上飞行的冠状器仪器（CGI）的光子计数摄像头系统的飞行电子乘电荷耦合设备（EMCCD）的开发。罗马是一项NASA旗舰任务，它将研究暗能量和暗物质，并在2020年代中期计划推出，寻找系外行星。CGI旨在证明高对比度成像和系外行星光谱所需的技术，例如高速波浪前传感和指向控制，具有可变形镜的自适应光学器件以及具有光子计数，可见敏感的（350至950 nm）检测器的超级噪声信号检测。相机系统是这些演示的核心，需要在高达1000帧-S -1时自适应地感知微弱和明亮的目标（10-4-10 7计数-S-1），以向仪器控制环提供必要的反馈。该系统包括两个相同的摄像机，一个相机表现出微弱的光科学能力，另一个用于提供仪器指向的高速实时感知。我们在喷气推进实验室（美国加利福尼亚州帕萨迪纳）的计划评估了辐射损坏的商业EMCCD传感器的低信号性能，并将这些测量作为与开放大学（米尔顿·凯恩斯（Milton Keynes），英国王国和泰瑞德尼·凯恩（Milton-Ekeynes）和泰瑞德尼（Teledyne-e2V）（泰瑞德尼（Teledyne-E2V））（英国凯尔多·金（Chelden-e2v）（英国凯尔多·金（Cheldne-E2V），英国王者），对靶向辐射硬化修饰进行了基础。然后开发了一对具有测试功能的EMCCD，并在此报告其低信号性能。©作者。[doi：10 .1117/1.Jatis.9.9.1.016003]该程序导致了EMCCD的飞行版本的开发，其低信号性能在暴露于2.6×10 9质子-CM-2（10 MeV等效）后，超过三倍以上。飞行EMCCD传感器是通过与Teledyne-E2V（英国切尔姆斯福德）的合同来贡献的。我们将描述用于评估光子计数性能的程序要求，传感器设计，测试结果和指标。由SPIE在创意共享归因4.0国际许可下出版。全部或部分分发或复制此工作需要完全归因于原始出版物，包括其DOI。
迈向无人飞机系统集成
迈向无人机系统融入国家空域系统：评估视觉观察员在白天、黄昏和夜间 sUAS 操作期间的即将发生碰撞的预测 Igor Dolgov 美国新墨西哥州立大学心理学系 id@nmsu.edu 提交日期：2015 年 11 月 2 日 摘要 在严酷的沙漠地区（完全没有人工光污染）进行了一项实验，以评估视觉观察员与轻型运动载人飞机和小型无人机系统（sUAS；Raven RQ-11B 或 Wasp III）保持视线并预测它们之间即将发生的碰撞的能力。我们研究了夜间和黄昏操作设置对观察员表现的影响（与白天相比），并操纵了关键视觉观察员相对于 sUAS 飞行员的位置。分析表明，夜间和黄昏时，轻型运动飞机的识别距离明显远于白天，观察者在夜间和黄昏时对 sUAS 的跟踪效果优于白天。此外，信号检测理论分析表明，当关键视觉观察者与 sUAS 飞行员位于同一位置时，碰撞预测率更高。讨论了夜间飞行安全和 sUAS 融入国家空域系统的影响。简介 在线巨头亚马逊、Facebook 和谷歌最近收购了无人驾驶汽车制造商，这表明这些技术将在我们国家可预见的未来发挥越来越重要的作用 (Solomon, 2014)。由于小型无人机系统 (sUAS) 的初始成本相对较低，运营费用也较低，而且可用于航空摄影和其他传感应用，预计该行业将在民用/商业领域近期内快速增长（北德克萨斯州政府委员会，2011 年）。另一个扩张的动力是公共安全实体（联邦和地方执法部门、边境巡逻、急救人员等）的兴趣收购和运营 sUAS 以建立/增强其航空能力（国会预算办公室，2011 年；国会图书馆华盛顿特区国会研究服务处，2012 年；美国空军，2009 年）。路线图概述的对研究、改革和监管的迫切需求随着两则近期新闻而引起公众关注尽管无人机系统具有巨大优势，但将其整合到国家空域系统会面临许多技术、安全、隐私、法律和监管挑战 (Anand, 2007; Carr, 2013; Dalamagkidis, Valavanis, & Piegl, 2008, 2011; DeGarmo and Nelson, 2004; 国际民用航空组织, 2011; Ravich, 2009)，这些挑战已在美国联邦航空管理局 (FAA, 2013a) 的国家空域系统 (NAS) 民用无人机系统 (UAS) 整合路线图中进行了审查。
迈向无人飞机系统集成
迈向无人机系统融入国家空域系统：评估视觉观察员在白天、黄昏和夜间 sUAS 操作期间的即将发生碰撞的预测 Igor Dolgov 美国新墨西哥州立大学心理学系 id@nmsu.edu 提交日期：2015 年 11 月 2 日 摘要 在严酷的沙漠地区（完全没有人工光污染）进行了一项实验，以评估视觉观察员与轻型运动载人飞机和小型无人机系统（sUAS；Raven RQ-11B 或 Wasp III）保持视线并预测它们之间即将发生的碰撞的能力。我们研究了夜间和黄昏操作设置对观察员表现的影响（与白天相比），并操纵了关键视觉观察员相对于 sUAS 飞行员的位置。分析表明，夜间和黄昏时，轻型运动飞机的识别距离明显远于白天，观察者在夜间和黄昏时对 sUAS 的跟踪效果优于白天。此外，信号检测理论分析表明，当关键视觉观察者与 sUAS 飞行员位于同一位置时，碰撞预测率更高。讨论了夜间飞行安全和 sUAS 融入国家空域系统的影响。简介 在线巨头亚马逊、Facebook 和谷歌最近收购了无人驾驶汽车制造商，这表明这些技术将在我们国家可预见的未来发挥越来越重要的作用 (Solomon, 2014)。由于小型无人机系统 (sUAS) 的初始成本相对较低，运营费用也较低，而且可用于航空摄影和其他传感应用，预计该行业将在民用/商业领域近期内快速增长（北德克萨斯州政府委员会，2011 年）。另一个扩张的动力是公共安全实体（联邦和地方执法部门、边境巡逻、急救人员等）的兴趣收购和运营 sUAS 以建立/增强其航空能力（国会预算办公室，2011 年；国会图书馆华盛顿特区国会研究服务处，2012 年；美国空军，2009 年）。路线图概述的对研究、改革和监管的迫切需求随着两则近期新闻而引起公众关注尽管无人机系统具有巨大优势，但将其整合到国家空域系统会面临许多技术、安全、隐私、法律和监管挑战 (Anand, 2007; Carr, 2013; Dalamagkidis, Valavanis, & Piegl, 2008, 2011; DeGarmo and Nelson, 2004; 国际民用航空组织, 2011; Ravich, 2009)，这些挑战已在美国联邦航空管理局 (FAA, 2013a) 的国家空域系统 (NAS) 民用无人机系统 (UAS) 整合路线图中进行了审查。
通过定量面部运动分析实时情绪检测
准确评估人类思想内部状态的能力仍然是现代神经科学的巨大挑战之一。近年来，大量研究致力于发现识别情绪和情绪的新方法。在情绪障碍研究领域中，有许多工具可以在心理上评估情绪。Some are inven- tories, such as the Patient Health Questionnaire-9 (PHQ-9) [ 1 ], the Remission Evaluation and Mood Inventory Tool (REMIT) [ 2 ], and the Ecological Momentary Assessment (EMA) [ 3 ], while others are symptom scales, including the Hamilton Rating Scale for Depression (HAM-D) [ 4 ], the Montgomery-Asburg Depression Rating Scale (MADRS) [ 5 ], and the Young躁狂评级量表（YMRS）[6]。这些工具有助于评估患有抑郁症或躁狂症状的人的情绪障碍，但是通过自我报告或观察者评估方法，它们的有效性和可靠性在很大程度上损害了[7-10]。此外，对情绪的神经生物学机制的研究需要基于调查的工具的时间精度。同样适用于情绪。现有量表的主观性因此，对情绪和情感状态的客观度量产生了需求。以前的客观情感评估尝试采用生物信号检测作为区分情绪的一种手段。某些措施已针对压力反应和情绪困扰的生理标记，例如面部皮肤温度或颜色的变化[11-13]。一个多世纪以前，威廉·詹姆斯（William James）观察到情感状态通常反映在面部运动中（“。其他研究研究了现有的诊断工具，例如心电图[14]，脑电图[15]和肌电图（EMG）[16，17]。最近，健身追踪器和智能手表等可穿戴生物传感器技术的扩散产生了另一种潜在的卧床情绪评估工具[18，19]。分析此类设备提供的身体传感数据的广泛分析可能有助于理解情绪和情感的机械基础。然而，与基于传统问卷的方法相比，这些措施的有效性和可靠性尚未得到解决。面部也许是实时情感评估的最有希望的途径。。。[]脖子弯曲，头部悬挂着（悲伤的“鞠躬”），脸颊和下巴毛刺的放松使脸看起来长而狭窄，下巴甚至可能睁开，眼睛看起来很大”）[20]。从那时起，开发了将面部运动与潜在情绪状态相关联的方法[21 - 23]。由埃克曼（Ekman）和弗里森（Friesen）普及，面部动作编码系统（FACS）根据创建它们的动作单元（肌肉或肌肉群）编码面部运动。该系统在以下前提下起作用，即通过面部运动的情绪代表在文化和人民之间得到保存[24]。其他研究使用面部EMG检测面部表达的有目的变化[25]，以及对情感触摸的反应[26]。中央因此，对面部运动的定量分析可能为研究情绪和情绪状态提供了有趣的方式。已经开发了几种基于参与者的视频记录，包括中央差异方法[27]，已经开发了几种方法来测量动态面部特征。
反卷积网络在癫痫检测中的特征可解释性应用
大脑中不规则的电活动会导致人的行为、运动、感官体验和对周围环境的意识发生深刻而暂时的变化（Nasiri 和 Clifferd，2021 年）。在早期阶段识别和治疗癫痫对患有这种疾病的人来说可以带来关键而有价值的变化。头皮脑电图 (EEG) 是一种测量大脑电活动的非侵入性技术，是诊断癫痫的广泛使用的补充检查（Liang 等人，2020 年）。在癫痫发作期间，患者的脑电图将显示出明显的异常模式（Staba 等人，2014 年）。医生可以通过检查脑电图来帮助确定是否发生癫痫。然而，审查长期脑电图需要医生投入大量的时间和精力。因此，开发自动癫痫检测算法至关重要（Si 等人，2023 年）。研究人员正积极致力于开发利用脑电图数据自动检测癫痫发作的方法。从最初使用硬件电路的尝试到后来利用时域信息和基于阈值的方法进行癫痫发作检测。后续发展涉及使用频域特征和提取时频特征（Xia 等人，2015 年）进行癫痫发作检测。自引入以来，深度学习模型在计算机视觉任务中比手动提取的特征更具弹性（Chen 等人，2024 年）、语音识别（Eris and Akbal，2024 年）和自然语言处理（Luo 等人，2024 年）。因此，利用深度学习技术自动使用脑电图信号检测癫痫发作已显示出在做出最合适和最快临床决策方面具有重大前景（Ahmad 等人，2023 年）。近几年来，各种深度学习模型已用于癫痫发作检测，包括循环神经网络（Tuncer 和 Bolat，2022 年）、生成对抗网络（Rasheed 等人，2021 年）、深度神经网络（Liu 和 Richardson，2021 年）、分层神经网络（Hu 等人，2021 年）和卷积神经网络。这些模型取得了令人鼓舞的结果（Kaur 等人，2022 年）。卷积网络在逐像素进行端到端训练后，性能得到了进一步提升。随着全卷积网络 (FCN) 的引入，神经网络设计可以处理不同大小的输入，并通过高效的推理和学习机制产生相应大小的输出（Chou 等人，2023 年）。然而，FCN 尚未广泛应用于癫痫发作检测。同时，以往的深度学习算法往往忽略了不同通道对分类任务的贡献，导致模型的可解释性有限。针对上述问题，本文提出了一种基于深度学习的独立癫痫检测算法。算法可以从多通道脑电图数据中自主提取时间和空间信息，从而能够精确识别不同患者的癫痫发作事件。本文做出了几个关键贡献，包括：λ 提出了一种结合 SE（挤压和激励）模块的 CNN 模型检测算法。该方法已在 CHB-MIT 数据集上进行了评估，并取得了优异的性能。λ 首次将 FCN 模型中的上采样方法应用于癫痫发作检测，通过利用反卷积实现，将降尺度的图像从