XiaoMi-AI文件搜索系统
World File Search System过多地
通过多尺度增强 P300 检测的性能...
摘要 — 基于 P300 的拼写系统是最流行的脑机接口应用之一。它的成功很大程度上取决于性能，包括信息传输率 (ITR) 和检测率（即准确率）。为了获得良好的性能，我们提出了一个多尺度卷积神经网络 (MS-CNN) 模型，该模型由七层组成。首先，使用前期数据集训练 MS-CNN，旨在获得一个用于 P300 检测的非特定于受试者的模型（通用模型）。其次，通过结合迁移学习技术，利用来自受试者的一部分数据对该通用模型进行调整，以更新模型以获得特定于受试者的模型。我们在 2019 年世界机器人大会的 BCI 控制机器人比赛中应用了所提出的模型，我们的表现是比赛中所有团队中最好的。在比赛中，比赛委员会随机分配了十名健康的年轻受试者来评估该模型。我们的模型实现了最佳的 P300 检测性能（更高的准确率和更少的重复时间）。当重复次数少于六次时，不特定主语情况下的 ITR 为 13.49 位/分钟，而特定主语情况下的 ITR 为 12.13 位/分钟。我们相信我们的方法可能为进一步高效实施基于 P300 的拼写系统铺平道路。
通过多模态生理数据测量认知负荷
1 请注意，认知负荷不足和超负荷的概念可能具有一定的误导性，因为人类的工作记忆是有限的：认知负荷显然不能低于工作记忆的最小容量，认知负荷也不能超过工作记忆的最大容量。但是，由于这些概念直观易懂，我们有时会引用它们。
打算保持无子女：是否担心气候变化和人口过多？
在Z世代中，15％的报告绝对不打算生孩子，而另有11％的报告可能不确定，而22％不确定（图1）。只有一半以上的人说他们绝对或可能打算生孩子。年轻千禧一代的数字相似，有14％的人报告说他们绝对不打算生孩子。不到一半的26-35岁的年轻人说，他们绝对或可能打算生一个孩子。在第三份报告中，在36-41岁的无子女中，他们肯定不会生孩子，另有20％的人说他们可能不会。在图1中没有显示性别的差异，因为它们很小 - 年轻男性比年轻女性报告肯定没有，或者可能不打算生孩子。
通过多模态脑成像进行监督表型发现
通过数据驱动，从大规模多模态脑成像数据中发现图像衍生表型 (IDP)，通过将 IDP 与受试者的人口统计、行为、临床和认知指标（即非成像衍生表型或 nIDP）联系起来，对神经科学和临床研究具有巨大潜力。然而，目前的方法主要基于无监督方法，而不使用 nIDP 中的信息。在本文中，我们提出了监督式 BigFLICA（SuperBigFLICA），这是一种用于 IDP 发现的半监督、多模态和多任务融合方法，它同时整合了来自多种成像模态和多个 nIDP 的信息。SuperBigFLICA 具有计算效率高的特点，并且在很大程度上避免了参数调整的需要。我们使用英国生物库脑成像数据集（包含约 40,000 名受试者和 47 种模式）以及超过 17,000 个 nIDP，表明 SuperBigFLICA 增强了 nIDP 的预测能力，与通过传统专家知识和无监督学习方法得出的 IDP 相比（平均 nIDP 预测准确率提高高达 46%）。它还可以学习可以预测新 nIDP 的通用成像特征。对 SuperBigFLICA 算法的进一步实证分析证明了其在不同预测任务中的稳健性，以及在预测健康结果和认知 nIDP（例如流体智力和高血压评分）时得出具有生物学意义的 IDP 的能力。
foxp3通过多聚化识别微卫星和桥梁DNA
（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此预印本版本的版权持有人于2023年11月10日发布。 https://doi.org/10.1101/2023.07.12.548762 doi：Biorxiv Preprint
超越人类干预：通过多学院学习策略算法勾结
市场定价中的勾结是与人为通过人为有限的供应提高市场价格的人类行为相关的概念。最近，提出了算法勾结的想法，其中人类在定价过程中的行动被自动化的代理所取代。实验表明，可以通过这种技术达到共谋市场平衡，而无需人工间，但许多技术的发展仍然容易受到其他参与者的剥削，因此在实践中很难实施。在本文中，我们探讨了一个代理具有多目标策略的情况，不仅学会了单方面利用源自其他算法代理的市场动态，而且还学会了直接对其他代理的行为进行建模。我们的结果表明，如何通过使用稍微复杂的算法来克服现实生活中算法勾结的可行性的共同批评。
皮肤表面上的细菌DNA过多占据可行的皮肤微生物组
。cc-by-nc-nd 4.0国际许可证未通过同行评审获得证明）是作者/资助者，他已授予Biorxiv授予Biorxiv的许可，以永久显示预印本。它是此预印本的版权持有人（该版本发布于2023年5月3日。; https：//doi.org/10.1101/2021.08.16.455933 doi：biorxiv Preprint
皮肤表面上的细菌DNA过多占据可行的皮肤微生物组
摘要皮肤微生物组为人类健康提供了重要贡献。但是，其细菌成分的空间组织及其可行性尚不清楚。在这里，我们将培养，成像和分子方法应用于人类和小鼠皮肤样品，发现皮肤表面被比细菌DNA水平所预测的更少的可行细菌定植。相反，可行的皮肤相关细菌主要位于毛囊和其他皮肤的眼部感染中。此外，我们表明，与其他人类微生物组相比，皮肤微生物组的可行细菌比例很低，这表明皮肤表面上的大多数细菌DNA与可行细胞无关，少数细菌家族占主导地位，每种皮肤部位占主导地位，传统的测序方法既富有浓度和多样性的皮肤，又是皮肤的多样性。最后，我们使用人类志愿者进行了一项体内皮肤微生物组扰动研究研究。细菌16S rRNA基因测序表明，尽管皮肤微生物组即使在侵略性扰动之后也非常稳定，但皮肤表面的重生是由潜在的可行种群驱动的。我们的发现有助于解释皮肤微生物扰动的动力学，因为皮肤表面上的细菌DNA可以瞬时干扰，但通过稳定的基础可行的可行种群补充。这些结果解决了皮肤微生物组生物学中的多个出色问题，对未来研究和操纵它的努力产生了重大影响。
通过多切片联合建模构建三维全生物体空间图谱
图 1：STitch3D 概览。a. 来自多个 ST 组织切片的原始数据和来自参考 scRNA-seq 数据集的细胞类型特异性基因表达谱作为 STitch3D 的输入。b. STitch3D 的预处理步骤包括对来自不同组织切片的斑点进行对齐以构建斑点的 3D 位置，以及构建全局 3D 图。STitch3D 的主模型结合这些结构来执行表示学习，用于 3D 空间域识别和 3D 细胞类型反卷积。c. STitch3D 输出 3D 空间区域识别结果和组织中不同细胞类型的 3D 空间分布估计。STitch3D 还支持多种下游分析，包括空间轨迹推断、低质量基因表达测量值的去噪、虚拟组织切片的生成以及具有 3D 空间表达模式的基因识别。d. STitch3D 对多个切片进行联合建模，并利用基于图注意的神经网络学习具有 3D 空间信息的斑点和细胞类型比例的潜在表示。
通过多模态对比学习进行体内细胞类型和大脑区域分类
目前的电生理学方法可以追踪许多神经元的活动，但如果没有进一步的分子或组织学分析，通常无法知道记录的是哪些细胞类型或大脑区域。因此，开发准确且可扩展的算法来识别记录神经元的细胞类型和大脑区域对于提高我们对神经计算的理解至关重要。在这项工作中，我们开发了一种用于神经数据的多模态对比学习方法，可以针对不同的下游任务进行微调，包括推断细胞类型和大脑位置。我们利用这种方法联合嵌入单个神经元的活动自相关和细胞外波形。我们证明了我们的嵌入方法，通过多模态对比学习的神经元嵌入 (NEMO)，与监督微调相结合，实现了光标记视觉皮层数据集的最新细胞类型分类和公共国际脑实验室全脑图数据集的大脑区域分类。我们的方法代表着通过电生理记录准确进行细胞类型和大脑区域分类的迈出了有希望的一步。