XiaoMi-AI文件搜索系统
World File Search System采集
文章开发用于脑电图信号采集的低接触阻抗干电极
摘要：干脑电图（EEG）系统的设置时间很短，需要有限的皮肤准备。但是，它们倾向于需要强的电极到皮肤接触。在这项研究中，通过将聚酰亚胺柔性印刷电路板（FPCB）部分嵌入聚二甲基硅氧烷中，然后将它们施放在具有六个对称的腿或肿块的传感器模具中，从而制造具有低接触阻抗（<150kΩ）的干脑电图电极（<150kΩ）。银 - 氯化物糊用在必须触摸皮肤的每条腿或凹凸的尖端上。使用FPCB使制造的电极能够保持稳定的阻抗。制造了两种类型的干电极：皮肤的平盘电极，头发有限，多型电极用于常用和浓密的头发区域。阻抗测试。实验结果表明，制造的电极表现出65至120kΩ之间的阻抗值。用这些电极获得的脑波模式与使用常规湿电极获取的电极相当。基于ISO 10993-10：2010原始Col和基于ISO 10993-5：2009协议的细胞毒性测试，基于ISO 10993-10：2010原始Col的原发性皮肤刺激测试通过了主要的皮肤刺激测试。
X Energy，LLC（X-Energy）白皮书的提交：XE-100植物控制和数据采集系统，修订版3（没有未编辑的报告）
代表X Energy，LLC（XͳEnergy），将对美国核监管委员会（NRC）提交给美国核监管委员会（NRC）的目的。和熟悉的目的，以支持预先申请讨论，并如报告中所示获得NRC反馈。控制架构将继续使用XͳEnergy的NRC项目经理开发。包含适当标记的非敏感的专有信息。 inordby@xͳenergy.com
文章 基于自动采集数据的树木采伐机性能分析中的数据挖掘
摘要：收割机自动记录的数据是一种很有前途的、可能非常有用的科学分析信息来源。大多数研究人员已将 StanForD 文件用于此目的，但这些文件很难获取，需要进行一些预处理。本研究利用了类似数据的新来源：JDLink，这是一项由机器制造商运营的基于云的服务，可实时存储来自传感器的数据。此类数据量巨大，难以理解和有效处理。数据挖掘技术有助于在此类数据库中发现趋势和模式。使用经典回归（线性和对数）、聚类分析（树状图和 k 均值）和主成分分析 (PCA) 分析了在波兰东北部工作的两台中型收割机的记录。线性回归表明，树木的平均大小是对每立方米燃料消耗和生产率影响最大的变量，而每小时燃料消耗也取决于低速行驶距离或高发动机负荷时间份额等因素。聚类和 PCA 的结果更难解释。树状图显示了最不相似的变量：每天采伐的总体积、每天的总燃料消耗和高转速 (RPM) 的工作时间份额。K 均值聚类使我们能够识别特定变量聚类更突出的时期。尽管 PCA 结果解释了近 90% 的方差，但机器之间的结果尚无定论，因此需要在后续研究中进行仔细审查。生产率值（平均约 10 m 3 /h）和燃料消耗率（平均 13.21 L/h，1.335 L/m 3）与其他作者在可比条件下报告的结果相似。本研究获得的一些新指标包括，例如，低速行驶距离（每天约 7 公里）或发动机在低、中或高负荷下运行的时间比例（分别为 34%、39% 和 7%）。本研究的假设是使用不从外部来源补充的数据，并且尽可能少地进行处理，这将分析方法限制在无监督学习上。在后续研究中扩展数据库将有助于监督学习技术在建模和预测中的应用。
引用：Sikandar Qammar、Ayimen Khalid Khan 博士 (2022) BCI 系统和各种信号采集技术的比较。J Data Sci Mod Tech 6: 1
脑机接口 (BCI) 是一个基于神经科学、信号处理、生物医学传感器、硬件等的先进、跨学科且活跃的研究领域。它是一种通信系统，允许人类使用脑电波活动产生的控制信号与周围环境进行通信，而无需外周神经或肌肉的参与。在过去的几十年里，已经开展了几项开创性的研究，探讨了不同信号采集技术对 BCI 的适用性。然而，尚未进行全面涵盖这一领域的综合综述。因此，本研究提供了全面的概述，包括对用于捕获 BCI 信号的不同技术的比较，并简要描述了每种技术的优缺点。本文还介绍了可用于从大脑采集 EEG 信号以使用 EEG 的最佳位置
引用：Sikandar Qammar，Ayimen Khalid Khan博士（2022）BCI系统以及各种信号采集技术的比较。 J Data Sci Mod Tech 6：1
大脑计算机界面（BCI）是基于神经科学，信号处理，生物医学传感器，硬件等的先进，跨学科和主动研究领域。这是一种通信系统，它允许人类使用脑波活动产生的控制信号与周围环境进行通信，而无需参与周围神经或肌肉。在过去的几十年中，已经对BCI的不同信号采集技术的适用性进行了一些开创性的研究。但是，尚未进行全面涵盖该领域的全面审查。因此，这项研究提供了全面的概述，包括比较不同技术以捕获BCI信号的比较，并简要描述了每种技术的优点和缺点。本文还提出了最佳位置，可用于从大脑中获取EEG
具有低保真度传感器和观察者不确定性的地月空间数据采集
随着民用和军用领域对地月空间的兴趣日益增加，对地月空间物体的空间域感知 (SDA) 的需求也随之增加。地月空间的太空 SDA 具有挑战性，部分原因是难以准确估计观测卫星的位置，而准确估计是有效执行 SDA 任务的必要条件。使用多颗配备低保真度设备的观测卫星有助于缓解这些问题，因为可以将方差较大的多个数据集聚合在一起，以实现与较少高质量测量系统相同或更高的精度。地月周期轨道用于观测星座，目标航天器位于 L1 Halo 轨道上。所有轨道均使用圆形限制三体问题 (CR3BP) 建模。系统工具包 (STK) 用于计算轨道几何形状和角度 - 仅提取测量值以模拟带有光学传感器的观测航天器。然后利用扩展卡尔曼滤波器处理测量数据以估计目标航天器的位置。分析重点是比较不同数量的观测航天器的有效性。模拟结果发现，使用低保真度星座可以达到高保真度星座所达到的性能。
基于眼动仪和脑电采集设备的夜间光环境下典型颜色和屏幕亮度对视觉疲劳的影响
摘要：如今人们越来越倾向于晚睡，并将睡眠时间与各种电子设备一起度过。同时，BCI（脑机接口）康复设备采用视觉显示器，需要评估视觉疲劳问题，避免影响训练效果。因此，了解夜间黑暗环境下使用电子设备对人体视觉疲劳的影响非常重要。本文利用Matlab编写不同颜色范式刺激，使用屏幕亮度可调的4K显示器联合设计实验，利用眼动仪和g.tec脑电图（EEG）设备采集信号，然后进行数据处理和分析，最终得到不同颜色和不同屏幕亮度的组合对黑暗环境下人体视觉疲劳的影响。本研究让受试者评估其主观（李克特量表）感知，并在黑暗环境下（<3 lx）收集客观信号（瞳孔直径、θ+α频带数据）。 Likert量表显示，暗环境下较低的屏幕亮度可以降低受试者的视疲劳程度，受试者对蓝色的偏好高于红色。瞳孔数据显示，中高屏幕亮度下，视知觉敏感度更容易受到刺激，更容易加深视疲劳。EEG频段数据表明，典型颜色和屏幕亮度对视疲劳的影响并不显著。在此基础上，本文提出了一个新的指标——视觉抗疲劳指数，为优化室内居住环境，提高电子设备和BCI康复设备的使用满意度，以及保护人眼提供了有价值的参考。
通过具有可变切片选择方向的采集的超分辨率重建，快速和高分辨率的新生儿大脑MRI1重新想象经济戈登·汉森（Gordon Hanson）和丹尼（Dani）...
经济学和经济政策目前处于不断变化状态。广泛的共识 - 新自由主义，市场原教旨主义或华盛顿的共识 - 直到最近才塑造了许多政府对经济的态度，这已经消失了。它在国际舞台上的表现 - 超级全球化 - 同样也被撤退。尽管这些条款的物质和内容仍然有争议，但它们表示倾向于扩大市场活动范围的共同偏爱，同时限制政府的作用。这些政策思维方式的缺陷现在已得到充分认可。他们不仅没有产生强大的经济增长，而且还增加了国家内部的不平等和经济不安全感，同时将社会人质置于金融危机，气候变化的发展以及良好的就业机会。当意外冲击袭击（例如由19009年大流行引起的经济收缩）时，处于弱势群体的脆弱性会进一步加剧。我们当代经济的问题在三个相关的时尚中向普通百姓展现出来。首先，我们经历了一种经济学家称为“劳动力市场两极分化”的现象 - 制造业，能源，销售和文书工作的消失，传统上是对中产阶级的垫脚石，特别是对于那些没有大学教育的人来说。技能密集型和专业职业，以及在某种程度上在底端的低工资个人服务。第二，精选的大都市地区与滞后地区之间的经济差距扩大了。前者能够利用新的经济背景提供的机会，而后者停滞不前，持续的失业和渐进的社会脱位。第三，结构性种族主义的遗产集中了不安全感，并减少了有色社区的经济机会。在美国，在民权运动后的二十年中，黑人和白人家庭之间的收入差距狭窄，30年前停止关闭；今天的种族财富差距与1970年一样大。这些趋势不仅造成经济不平等，不安全和种族排斥，而且还属于经济不满的核心，这使得在民意调查和政治两极分化中赋予了威权民粹主义者权力。各种各样的事态发展影响了世界上所有社会，尽管它们在美国等人中更为明显，在美国，不平等的开始较大，而且国家公共安全网络较弱，在剩下的地区集中的地区仍然较弱。将市场视为自我纠正和市场力量是种族和社会包容性的，这是政府落后于制定积极的策略来应对经济生产性领域的问题。技术变革，全球化，市场能力和就业的发展结构被认为是不可避免的，并且在很大程度上是不可变的，即使它们至少在某种程度上是由政策塑造的。尽管本地有希望的实验具有讽刺意味的是，市场爱好者称赞大学和政府赞助的研究在硅谷等地创造道德循环中的作用，同时未能承认缺乏公共行动可以加剧前工业地区下降的破坏性损害性循环，从而使前工业区域的下降和良好的学校的有色人种被封锁。
BrainForge：用于综合神经影像采集、分析和共享的在线数据分析平台
1. Morita T、Asada M、Naito E。神经影像学研究对理解人类认知大脑功能发展的贡献。Front Hum Neurosci。2016；10：464。doi：10.3389/fnhum.2016.00464 2. Bandettini PA。神经影像学方法有什么新进展？Ann NY Acad Sci。2009；1156：260-293。doi：10.1111/j.1749-6632.2009.04420.x 3. Verner E、Baker BT、Bockholt J 等人。使用 BrainForge 加速神经影像学研究。Gateways 2020，会议改善生物医学研究的数据使用； 2020 年 10 月 21 日。4. Poldrack RA、Baker CI、Durnez J 等人。扫描地平线：迈向透明和可重复的神经影像学研究。Nat Rev Neurosci。2017；18(2):115-126。doi: 10.1038/nrn.2016.167 5. Gorgolewski K、Poldrack R。提高神经影像学研究透明度和可重复性的实用指南。PLOS Biol。2016；14:e1002506。doi: 10.1371/journal.pbio.1002506 6. Baker M。1,500 名科学家揭开可重复性的面纱。Nature。2016；533(7604):452-454。 doi: 10.1038/533452a 7. Scott A、Courtney W、Wood D 等人。COINS：为大型异构数据集构建的创新信息学和神经成像工具套件。Front Neuroinform。2011；5：33。doi: 10.3389/fninf.2011.00033 8. Yoo AB、Jette MA、Grondona M。SLURM：用于资源管理的简单 Linux 实用程序。引自：Feitelson D、Rudolph L、Schwiegelshohn U 编。并行处理的作业调度策略。JSSPP 2003。计算机科学讲义。Springer；2003：44-60。9. Avesani P、McPherson B、Hayashi S 等人。开放扩散数据衍生物、通过衍生物的集成发布和可复制的开放云服务进行脑数据升级。 Sci Data 。2019；6(1)：69。doi：10.1038/s41597-019-0073-y 10. Flywheel。为医疗和研究领域的数字化转型提供动力。2021 年 5 月 14 日访问。flywheel.io 11. Kurtzer GM、Sochat V、Bauer MW。Singularity：用于移动计算的科学容器。PLoS One。2017；12(5)：e0177459。doi：10.1371/journal.pone。0177459 12. Merkel D。Docker：用于一致开发和部署的轻量级 Linux 容器。Linux J 。2014；239：2。13. Ashburner J、Barnes G、Chen CC 等人。SPM12 手册。第 2464 卷。威康信托神经影像中心；2014 年。14. Smith SM、Jenkinson M、Woolrich MW 等人。功能性和结构性 MR 图像分析进展以及作为 FSL 的实现。神经影像。2004 年；23 (Suppl 1)：S208-S219。doi: 10.1016/j.neuroimage.2004.07.051 15. Cox RW。AFNI：用于分析和可视化功能性磁共振神经影像的软件。Comput Biomed Res。1996 年；29(3)：162-173。doi: 10. 1006/cbmr.1996.0014 16. Cox RW、Hyde JS。用于分析和可视化 fMRI 数据的软件工具。NMR Biomed。 1997；10(4–5)：171-178。doi：10.1002/(SICI)1099- 1492(199706/08)10:4/5<171::AID-NBM453>3.0.CO；2-L 17. fMRI 工具箱的 Group ICA (v4.0c)。神经影像和数据科学转化研究中心。2021 年 5 月 6 日访问。https://trendscenter. org/software/gift/ 18. TReNDS 中心。Docker, Inc.访问日期：2022 年 1 月 13 日。https://hub.docker.com/orgs/trendscenter/repositories 19. 神经影像和数据科学转化研究中心。GitHub, Inc. https://github.com/trendscenter/ 20. Gorgolewski K、Burns CD、Madison C 等人。Nipype：一个灵活、轻量且可扩展的 Python 神经影像数据处理框架。Front Neuroinform。2011；5：13。doi：10.3389/fninf.2011.00013 21. GorgolewskiKJ、AuerT、CalhounVD 等人。Thebrainimagingdatastructure，一种组织和描述神经影像实验输出的格式。Sci Data。2016；3(1)：160044。 doi: 10.1038/sdata.2016.44 22. FosterI.Globusonline：通过云服务加速和民主化科学。IEEEInternetComput。2011；15(3)：70-73。doi: 10.1109/MIC。2011.64 23. Allen B、Bresnahan J、Childers L 等人。面向数据科学家的软件即服务。Commun ACM。2012；55(2)：81-88。doi: 10.1145/2076450.2076468 24. Calhoun VD、Adali T、Pearlson GD、Pekar JJ。一种使用独立成分分析从功能性 MRI 数据进行组推断的方法。Hum Brain Mapp。2001；14(3)：140-151。 doi: 10.1002/hbm.1048 25. Allen E、Erhardt E、Damaraju E 等。静息状态网络多变量比较的基线。Front Syst Neurosci。2011；5：2。doi: 10.3389/ fnsys.2011.00002 26. Allen EA、Damaraju E、Plis SM、Erhardt EB、Eichele T、Calhoun VD。跟踪静息状态下的全脑连接动态。大脑皮层。2014；24(3)：663-676。doi: 10.1093/cercor/bhs352 27. Ashburner J、Friston KJ。基于体素的形态测量——方法。神经影像学。2000；11(6)：805-821。 doi: 10.1006/nimg.2000.0582 28. Fischl B. FreeSurfer。神经影像学。2012；62(2):774-781。doi: 10.1016/j.neuroimage.2012.01.021 29. Andersson JLR、Sotiropoulos SN。一种用于校正扩散 MR 成像中的偏共振效应和受试者运动的综合方法。神经影像学。2016；125:1063-1078。doi: 10.1016/j.neuroimage.2015.10.019 30. Andersson JL、Skare S、Ashburner J。如何校正自旋回波平面图像中的磁化率畸变：应用于扩散张量成像。神经影像学。 2003；20(2):870-888。doi: 10.1016/s1053-8119(03)00336-7 31. Andersson JLR、Graham MS、Drobnjak I、Zhang H、Filippini N、Bastiani M。面向扩散 MR 图像运动和失真校正的综合框架：体积运动内。神经影像学。2017；152:450-466。doi: 10.1016/j.neuroimage.2017.02.085 32. CalhounVinceD、MillerR、PearlsonG、Adal 𝚤 T。Thechronnectome：时变连接网络作为fMRIdatadiscovery 的下一个前沿。神经元。2014；84(2):262-274。 doi: 10.1016/j.neuron.2014.10.015 33. Du Y、Fu Z、Sui J 等人。NeuroMark：一种基于自动化和自适应 ICA 的管道，用于识别可重复的 fMRI 脑部疾病标记物。神经影像：临床。2020；28：102375。doi: 10.1016/j.nicl.2020.102375 34. Griffanti L、Zamboni G、Khan A 等人。BIANCA（脑强度异常分类算法）：一种用于自动分割白质高信号的新型工具。神经影像学。2016；141：191-205。doi：10.1016/j.neuroimage.2016.07.018
数据采集和恢复系统DARS-00 ...
偶然损害。“典型”参数，包括“典型”的参数，必须由Cutomer的技术专家为每个年代应用程序验证。Redwire不传达其专利权或他人权利下的任何许可证。Redwire产品未设计，打算或授权用作系统中的组件，因为Redwire产品失败可能会造成人身伤害或死亡的情况。