XiaoMi-AI文件搜索系统
World File Search SystemDecode
网络孟德尔随机化分析揭示 2 型糖尿病与胃肠道疾病之间的蛋白质通路联系
图 3 (A) 在发现数据集 (deCODE) 中，基因预测的 T2D 与循环蛋白质水平之间的 MR 关联的火山图。标记蛋白质是 464 种发现的蛋白质中的 69 种，FDR <0.05，在 UKB-PPP 和 Fenland 数据集中方向一致且保持名义显著 (p < 0.05)。 (B) 使用来自 UKB-PPP 和 Fenland 的蛋白质数据复制的关联热图。在热图中，p 值 <0.05 但 FDR 校正的 p 值 ≥ 0.05 的关联标记为 *，而 FDR 校正的 p 值 <0.05 标记为 **。FDR 在每个数据集的所有蛋白质中都表现出来。ADH1B，酒精脱氢酶 1B；ADH4，酒精脱氢酶 4；ENPP7，外核苷酸焦磷酸酶/磷酸二酯酶家族成员 7； EPHA1，肝配体 A 型受体 1；FDR，错误发现率；GI，胃肠道；GUSB，β-葡萄糖醛酸酶；INSL5，胰岛素样肽 INSL5；NCAN，神经胶质蛋白核心蛋白；SULT2A1，胆汁盐磺基转移酶；T2D，2 型糖尿病；TNFSF12，肿瘤坏死因子配体超家族成员 12。
TFP401A-Q1 TI PanelBus ™ 数字接收器... 数据表
TFP401A-Q1 是一款兼容数字视频接口 (DVI) 的 TMDS 数字接收器，用于数字平板显示系统接收和解码 TMDS 编码的 RGB 像素数据流。在数字显示系统中，主机（通常是 PC 或工作站）包含兼容 TMDS 的发射器，用于接收 24 位像素数据以及适当的控制信号。主机将数据和控制信号编码为高速低压差分串行比特流（适合通过双绞线电缆传输）到显示设备。显示设备（通常是平板显示器）需要兼容 TMDS 的接收器（如 TI TFP401A-Q1）将串行比特流解码回主机发出的相同 24 位像素数据和控制信号。然后，解码后的数据可直接应用于平板驱动电路，以在显示器上产生图像。主机和显示器之间的距离可达到 5 米或更长，因此最好采用像素数据的串行传输。要支持高达 UXGA 的现代显示分辨率，需要具有良好抖动和偏差容差的高带宽接收器。
MIDAS：从自然眼球运动模式深度学习预测人类行为意图
长期以来，眼球运动一直被研究作为了解人类大脑注意力机制的窗口，并作为新颖的人机界面提供。然而，并不是我们注视的所有东西都是我们想要与之互动的东西；这被称为凝视界面的点石成金问题。为了克服点石成金问题，目前的界面往往不依赖自然的凝视线索，而是使用停留时间或凝视手势。在这里，我们提出了一种完全由数据驱动的方法，用于仅基于自然凝视线索来解码人类对对象操作任务的意图。我们进行了数据收集实验，其中 16 名参与者被赋予操作和检查任务，这些任务将在他们面前的桌子上的各种物体上执行。受试者的眼球运动使用可穿戴眼球追踪器记录，允许参与者自由移动头部并注视场景。我们使用我们的 Semantic Fovea，一种卷积神经网络模型来获取场景中的物体及其与每一帧的凝视轨迹的关系。然后，我们评估数据并研究几种对意图预测的分类任务进行建模的方法。我们的评估表明，意图预测不是数据的简单结果，而是依赖于凝视线索的非线性时间处理。我们将该任务建模为时间序列分类问题，并设计双向长短期记忆 (LSTM) 网络架构来解码意图。我们的结果表明，我们可以仅从自然凝视线索和物体相对位置解码人类的运动意图，准确率为 91.9%。我们的工作证明了自然凝视作为人机交互的零 UI 界面的可行性，即用户只需自然地行动，而不需要与界面本身交互或偏离其自然的眼球运动模式。
AI工具地图疾病之间的隐藏链接
现在可以自由使用研究界，该工具代表了探索疾病联系的科学家的重大进步。其潜在应用从预防预防策略到建议现有药物的新用途。随着研究人员进一步研究疾病途径，该工具可以作为寻求解码人类健康相互联系的景观的关键资源。
保护脑数据：评估隐私实践......
人类大脑不同于任何其他器官，因为它会产生我们所有的心理和认知活动。它产生的数据不同于任何其他数据，因为它反映了心理处理。神经数据是指直接反映个人中枢或周围神经系统活动的信息，因此能够揭示有关收集数据的人的极其敏感的信息，包括有关其心理健康、身体健康和认知处理的可识别信息。在未来几年，随着私营部门、政府和类似举措的投资扩大，神经数据的敏感性只会加深。这将导致神经技术的技术能力得到改善，提高脑部扫描的分辨率和收集的脑部数据更大的数据集，而生成人工智能将加速准确解码这些扫描的能力。同时，可植入神经技术已经可以准确解码语言和情绪，而可穿戴设备也开始具备其中一些功能。这些发展对心理隐私具有重要意义，凸显了了解消费者神经技术公司提供的隐私实践和用户保护的迫切重要性。
解码大脑活动以实现语言生成
大脑解码是将大脑活动映射到产生这些活动的刺激的过程，近年来一直是一个活跃的研究领域。在语言刺激的情况下，最近的研究表明，可以将 fMRI 扫描解码为受试者正在阅读的单词的嵌入。然而，这种词嵌入是为自然语言处理任务而设计的，而不是为大脑解码而设计的。因此，它们限制了我们恢复精确刺激的能力。在这项工作中，我们建议直接对 fMRI 扫描进行分类，将其映射到固定词汇表中的相应单词。与现有工作不同，我们对以前从未见过的受试者的扫描进行评估。我们认为这是一个更现实的设置，我们提出了一个可以解码从未见过的受试者的 fMRI 数据的模型。我们的模型在这项具有挑战性的任务中实现了 5.22% 的 Top-1 和 13.59% 的 Top-5 准确率，显著优于所有考虑过的竞争基线。此外，我们使用解码后的单词来指导 GPT-2 模型的语言生成。通过这种方式，我们进一步探索出一种将大脑活动转化为连贯文本的系统。
![arxiv：2009.04765v3 [CS.CL] 2020年11月11日](/simg/g:\will\search\icon\source\9\9d016116e44f1fa0a8e83b8444bdbba4b258004f.webp)
arxiv：2009.04765v3 [CS.CL] 2020年11月11日
大脑解码，被理解为将大脑活动映射到产生它们的刺激的过程，在过去几年中一直是一个具有研究的研究领域。在语言刺激的情况下，最近的研究表明，可以将fMRI扫描分解成读取一个主题单词的嵌入。但是，这种单词嵌入是为Natu的语言处理任务而不是用于大脑解码的。因此，它们限制了我们恢复精确刺激的能力。在这项工作中，我们建议直接对fMRI扫描进行分类，将其映射到固定的vo-cabulary中的相应单词。与现有工作不同，我们评估了以前看不见的受试者的扫描。我们认为这是一个更真实的设置，我们提出了一个模型，可以从看不见的主题中解释fMRI数据。我们的模型达到5。22％的TOP-1和13。 在这项具有挑战性的任务中，59％的前5位准确性显着超过了所有考虑的竞争基线。 fur-hoverore，我们使用解码的单词使用GPT-2模型指导语言发生。 以这种方式，我们提高了对将大脑活动转化为连贯文本的系统的追求。22％的TOP-1和13。在这项具有挑战性的任务中，59％的前5位准确性显着超过了所有考虑的竞争基线。fur-hoverore，我们使用解码的单词使用GPT-2模型指导语言发生。以这种方式，我们提高了对将大脑活动转化为连贯文本的系统的追求。
使用用户友好型、可穿戴的基于 EMG 的神经接口解码偏瘫慢性中风幸存者的手部和手腕运动意图
€ 这些作者的贡献相同。 * 通讯作者：meyerse@battelle.org 摘要：几十年来，假肢和矫形器一直被认为是恢复中风患者手部功能和独立性的潜在手段。然而，75% 的中风幸存者、护理人员和医疗保健专业人员 (HCP) 认为当前的做法还不够，特别指出上肢是需要创新的领域，以开发适用于中风人群的高度可用的假肢/矫形器。控制上肢技术的一种有前途的方法是从表面肌电图 (EMG) 活动中非侵入性地推断运动意图。虽然这种方法在文献中引起了广泛关注，但现有技术通常仅限于研究环境，难以满足所述的用户需求。为了解决这些限制，我们开发了 NeuroLife ® EMG 系统，它由一个可穿戴的前臂套组成，其中嵌入了 150 个电极以及相关的硬件和软件来记录和解码表面肌电图。在这里，我们展示了对 12 种功能性手部、腕部和前臂运动的准确解码，包括来自中风后不同程度慢性损伤的参与者的多种抓握类型，总体准确率为 77.1±5.6%。重要的是，我们展示了以 85.4±6.4% 的准确率解码严重手部损伤患者的 3 种基本运动子集的能力，凸显了其作为辅助技术控制机制的潜力。测试该系统的中风幸存者的反馈表明，袖套的设计满足了各种用户需求，包括舒适、便携和轻便。袖套的外形尺寸使其可以在家中使用，无需专业技术人员，并且可以佩戴数小时而不会感到不适。总而言之，NeuroLife EMG 系统代表了一种平台技术，用于记录和解码高清 EMG，最终以符合用户需求的外形尺寸实时控制辅助设备。
M3NetFlow：一种用于综合多组学数据分析的新型多尺度多跳图 AI 模型
图 1. M3NetFlow 的模型架构。❶ 将独热编码和多组学特征集成到每个节点的向量中。然后，将药物-基因和基因-基因相互作用合并到邻接矩阵中。❷ 在子图中执行基于多跳注意的传播。❸ 使用组合加权邻接矩阵进行全局信号传播。❹ 下游任务。（1）解码药物节点对以预测药物协同作用分数。（2）使用池化策略预测患者结果。
使用 RNA 的 DNA 修复途径解码 ECoG 中的隐性语音的可行性经过公开语音训练的 Transformer
人们已经尝试过多次语音脑机接口 (BCI)，在听觉语音感知、显性语音或想象（隐性）语音期间使用侵入性测量（例如脑电图 (ECoG)）来解码音素、子词、单词或句子。从隐性语音中解码句子是一项具有挑战性的任务。16 名颅内植入电极的癫痫患者参与了这项研究，在八个日语句子的显性语音和隐性语音期间记录了 ECoG，每个句子由三个标记组成。具体来说，Transformer 神经网络模型被用于从隐性语音中解码文本句子，该模型使用在显性语音期间获得的 ECoG 进行训练。我们首先使用相同的任务进行训练和测试来检查所提出的 Transformer 模型，然后评估该模型在使用显性任务进行解码隐性语音训练时的性能。在隐蔽语音上训练的 Transformer 模型在解码隐蔽语音时实现了 46.6% 的平均标记错误率 (TER)，而在显性语音上训练的模型实现了 46.3% 的 TER (p > 0 .05; d = 0 .07 )。因此，可以使用显性语音来解决收集隐蔽语音训练数据的挑战。通过使用几种显性语音可以提高隐蔽语音的性能。