XiaoMi-AI文件搜索系统
World File Search System工具箱
BioPyC，一个用于离线脑电图和生理信号分类的开源 Python 工具箱
摘要：近几十年来，脑机接口 (BCI) 的研究变得更加民主，使用基于脑电图 (EEG) 的 BCI 的实验急剧增加。协议设计的多样性和对生理计算日益增长的兴趣要求同时改进 EEG 信号和生物信号（如皮肤电活动 (EDA)、心率 (HR) 或呼吸）的处理和分类。如果一些基于 EEG 的分析工具已经可用于许多在线 BCI 平台（例如 BCI2000 或 OpenViBE），那么在线使用算法之前，执行离线分析以设计、选择、调整、验证和测试算法仍然至关重要。此外，研究和比较这些算法通常需要编程、信号处理和机器学习方面的专业知识，而许多 BCI 研究人员来自其他背景，对这些技能的培训有限或没有培训。最后，现有的 BCI 工具箱专注于 EEG 和其他脑信号，但通常不包括其他生物信号的处理工具。因此，在本文中，我们描述了 BioPyC，这是一个免费、开源且易于使用的 Python 平台，用于离线 EEG 和生物信号处理和分类。基于直观且引导良好的图形界面，四个主要模块允许用户遵循 BCI 过程的标准步骤，而无需任何编程技能：（1）读取不同的神经生理信号数据格式，（2）过滤和表示 EEG 和生物信号，（3）对它们进行分类，以及（4）可视化并对结果进行统计测试。我们在四项研究中说明了 BioPyC 的使用，即根据 EEG 信号对心理任务、认知工作量、情绪和注意力状态进行分类。
流体动力学家需要在其工具箱中添加量子力学
量子计算设置为转换流体动力学，就像量子和分子机械方法转化了材料科学一样。它将提供一个更严格的框架，具有可转让的表示1，除了扩展流体动力学的缩放分析外，还将设计创新的多尺度系统。尤其是2020年，尤其是11月，看到了一系列算法，用于方程式的通用非线性系统，引用其应用中的流体流量2-4。这与早期涉及的发展形成鲜明对比，例如量子晶格气体算法5和晶格Boltzmann方程的仿真，它的模拟与Dirac的6相比。尽管以前的方法是利用量子算法作为通用数值求解器7的通用性，但它证明了用于流体流动的量子计算的实际兴趣。基于将流体动力放置在量子理论中的情况下，应进行课程纠正。
用于条件控制顶复门寄生虫基因表达的工具箱
本文已接受出版并经过完整的同行评审，但尚未经过文字编辑、排版、分页和校对过程，这可能会导致此版本与记录版本之间存在差异。请引用本文 doi: 10.1111/MMI.14821
NeuroPycon：一个用于快速多...的开源 Python 工具箱
近年来，神经科学领域出现了大量可重复研究的趋势。不幸的是，这一努力往往受到所用工具种类繁多、项目特定的自定义代码以及难以跟踪所有用户定义参数的挑战。NeuroPycon 是一个开源多模态脑数据分析工具包，它提供基于 Python 的模板管道，用于 MEG、EEG、功能和解剖 MRI 数据的高级多处理，重点是连接性和图论分析。重要的是，它提供可共享的参数文件，以方便复制所有分析步骤。NeuroPycon 基于 NiPype 框架，该框架通过将许多常用的神经成像软件工具包装到一个通用的 Python 环境中来促进数据分析。换句话说，NeuroPycon 并不是一个拥有自己脑信号处理标准算法实现的脑成像软件，而是将现有包（用 Python、Matlab 或其他语言编写）无缝集成到一个统一的 Python 框架中。重要的是，由于 NiPype 提供的多线程处理和计算效率，NeuroPycon 提供了一种快速并行处理的简单选项，这在处理大量多维脑数据时至关重要。此外，其灵活的设计允许用户通过将不同的节点相互连接来轻松配置图形分析管道。每个节点可以是 Python 包装的模块、用户定义的函数或成熟的工具（例如用于 MEG 分析的 MNE-Python、用于图论指标的 Rada 工具等）。最后但并非最不重要的一点是，使用 NeuroPycon 参数文件完整描述任何管道的能力是可重复性的重要特性，因为它们可以共享并用于他人轻松复制。NeuroPycon 的当前实现包含两个互补的包：第一个称为 ephypype，包括用于电生理分析的管道和用于动态管道创建的命令行界面。目前的实现允许 MEG/EEG 数据导入、预处理和清理，通过自动去除眼部和心脏伪影，以及传感器或源级连接分析。第二个包称为 graphpype，旨在通过各种图论指标（包括模块化分区）研究功能连接。本文介绍了该工具包的理念、架构和功能，并通过交互式笔记本提供了说明性示例。NeuroPycon 可通过 github（https://github.com/neuropycon）下载，两个主要包均在线记录（https://neuropycon.github.io/ephypype/index.html 和 https://neuropycon.github.io/graph pype/index.html）。未来的发展包括多模态数据融合（例如 MEG 和 fMRI 或颅内 EEG 和 fMRI）。我们希望 NeuroPycon 的发布能够吸引更多用户和新的贡献者，并且
2D 纳米片中的横向限制：扩展胶体量子工程工具箱的策略
在胶体纳米晶体中，2D 纳米片具有一组独特的特性，具有极窄的发光和低激光阈值。此外，它们的各向异性形状扩大了异质结构复杂设计的范围，可以设计光谱和散射率。仍然存在的挑战是将使 NPL 稳定的壳生长与光谱可调性结合起来。事实上，由于量子限制的损失，大多数报道的带壳纳米片最终都成为红光发射体。在这里，探索了单个异质结构内横向和平面限制的组合。生长出一种能够发射黄光的 CdS/CdSe/CdS/CdZnS 核-冠-冠壳结构，该结构可响应各种激发，包括可见光子、X 射线光子、电子束和电激发。k.p 模拟预测，在理想结构中可以获得高达几百 meV 的发射可调性。这种材料还显示出由低阈值双激子发射引起的受激发射。一旦集成到 LED 堆栈中，这种材料就与亚带隙激发兼容并表现出高亮度。还研究了通过缩小像素尺寸来缩放电致发光特性。
nleis.py：非线性电化学阻抗分析工具箱
随着电化学阻抗谱 (EIS) 社区越来越多地采用 impedance.py（Murbach 等人，2020 年）作为开源软件工具，nleis.py 是 impedance.py 的一个工具箱，旨在提供一种易于访问的工具来执行二次谐波非线性 EIS (2nd-NLEIS) 分析，并能够在未来扩展到更高的谐波分析。该工具箱在设计时考虑了 impedance.py，以最大限度地缩短用户的学习曲线。它继承了 impedance.py 的基本功能，引入了成对的线性和二次谐波非线性电路元件，并能够同时分析 EIS 和 2nd-NLEIS。使用此工具箱，可以选择单独分析 EIS 或 2nd-NLEIS 光谱，或者使用 impedance.py 工作流程同时对线性和非线性阻抗数据进行参数估计。最终，随着采用的增长，nleis.py 工具箱将被集成到impedance.py中，同时保留nleis.py的独立版本作为平台，以便在该领域成熟时开发高级功能。
SANDI-AMICO：使用 AMICO 进行快速体细胞和神经突密度成像 (SANDI) 的开源工具箱
DEIB，米兰理工大学 意大利米兰 Lisa Novello 心智/脑科学中心 - CIMeC，特伦托大学 意大利特伦托 Sara Bosticardo 维罗纳大学计算机科学系 意大利维罗纳 Jenna Hanmer 彼得·曼斯菲尔德爵士成像中心，诺丁汉大学医学院，诺丁汉，英国 Gabriel Ramos Llorde Athinoula A. Martinos 生物医学成像中心，麻省总医院，哈佛医学院 波士顿，马萨诸塞州 Chantal Tax CUBRIC，加的夫大学 | 图像科学研究所，乌得勒支大学医学中心 加的夫，英国 | 乌得勒支，荷兰 Andrada Ianus Champalimaud 研究，Champalimaud 未知中心 葡萄牙里斯本 Noam Shemesh Champalimaud 研究，Champalimaud 未知中心 葡萄牙里斯本 Emmanuel Caruyer 雷恩大学、法国国家科学研究院、法国国家信息和自动化研究所、法国雷恩国家健康与医学研究院维罗纳 意大利维罗纳 伦敦大学学院 Marco Palombo 医学图像计算中心 英国伦敦
医疗人工智能工具箱（MAIT）
机器学习提供了适合探索各种医学研究问题的多种技术，但具有凝聚力的协同框架可以促进对统一模型开发和解释中新方法的整合和理解。因此，我们引入了医学人工智能工具箱（MAIT），这是一种可解释的开源Python管道，用于在表格数据集上开发和评估二进制分类，回归和生存模型。MAIT解决了关键挑战（例如，高维度，类不平衡，混合变量类型和缺失），同时促进报告中的透明度（Tripod+AI兼容）。为初学者提供自动配置，并为专家提供可自定义的源代码，MAIT简化了两个主要用例：Discovery（通过统一评分通过统一评分的特征重要性，例如Shapley添加性解释 - Shap -Shap）和预测（模型开发和使用具有优化解决方案的模型开发和部署）。此外，MAIT提出了新技术，包括对二进制分类中概率阈值的微调，将累积危险曲线转换为二进制分类的翻译，对混合数据类型的模型解释的增强可视化以及通过半纯粹的学习进行审查，以适应广泛的数据约束和研究设计。我们使用四个开放访问数据集在GitHub上提供详细的教程，以证明如何使用MAIT来改善医学研究中ML模型的实施和解释。
医疗人工智能工具箱（MAIT）
机器学习提供了适合探索各种医学研究问题的多种技术，但具有凝聚力的协同框架可以促进对统一模型开发和解释中新方法的整合和理解。因此，我们引入了医学人工智能工具箱（MAIT），这是一种可解释的开源Python管道，用于在表格数据集上开发和评估二进制分类，回归和生存模型。MAIT解决了关键挑战（例如，高维度，类不平衡，混合变量类型和缺失），同时促进报告中的透明度（Tripod+AI兼容）。为初学者提供自动配置，并为专家提供可自定义的源代码，MAIT简化了两个主要用例：Discovery（通过统一评分通过统一评分的特征重要性，例如Shapley添加性解释 - Shap -Shap）和预测（模型开发和使用具有优化解决方案的模型开发和部署）。此外，MAIT提出了新技术，包括对二进制分类中概率阈值的微调，将累积危险曲线转换为二进制分类的翻译，对混合数据类型的模型解释的增强可视化以及通过半纯粹的学习进行审查，以适应广泛的数据约束和研究设计。我们使用四个开放访问数据集在GitHub上提供详细的教程，以证明如何使用MAIT来改善医学研究中ML模型的实施和解释。
新基因组学技术——改良农作物和牲畜的多功能工具箱
史蒂文·鲁诺 (Steven Runo) 是肯尼亚内罗毕肯雅塔大学的分子生物学教授。他从肯雅塔大学获得了理学学士和理学硕士学位。随后，他获得洛克菲勒基金会的博士奖学金，作为肯雅塔大学和加州大学戴维斯分校合作项目的一部分，研究分子生物学。 2008年获得博士学位后，他在谢菲尔德大学（英国）和弗吉尼亚大学（美国）完成了博士后项目，之后返回肯尼亚并在肯雅塔大学担任讲师。目前，他的实验室正在利用分子遗传原理了解限制非洲农业生产的寄生植物及其与宿主的相互作用。史蒂文是亚历山大·冯·洪堡研究奖学金和乔治·福斯特高级研究奖学金的获得者。为了表彰他对科学的贡献，史蒂文·鲁诺于 2020 年被授予皇家学会非洲奖。 https://spas.ku.ac.ke/department-of-biochemistry-faculty/prof-steven-runo