XiaoMi-AI文件搜索系统
World File Search SystemFinger
利用脑机接口恢复暂时瘫痪的非人类灵长类动物的连续手指功能
1 密歇根大学生物医学工程系，美国密歇根州安娜堡 48109 2 凯斯西储大学生物医学工程系，美国俄亥俄州克利夫兰 44106 3 大都会健康医疗中心骨科系，美国俄亥俄州克利夫兰 44106 4 退伍军人事务医疗中心路易斯斯托克斯克利夫兰分部，美国俄亥俄州克利夫兰 44106 5 密歇根大学医学院麻醉系，美国密歇根州安娜堡 48109 6 密歇根大学外科系整形外科科，美国密歇根州安娜堡 48109 7 密歇根大学医学院神经外科系，美国密歇根州安娜堡 48109 8 密歇根大学电气工程与计算机科学系，美国密歇根州安娜堡48109，美国 9 密歇根大学机器人研究所，密歇根州安娜堡 48109，美国 10 密歇根大学神经科学研究生课程，密歇根州安娜堡 48109，美国 11 密歇根大学医学院神经病学系，密歇根州安娜堡 48109，美国 12 上述作者对本研究贡献相同。∗ 任何通讯作者均应致函此联系人。
新型术中在线体感手指表征功能映射，用于有针对性的刺激电极放置
刺激电极放置 David P. McMullen，医学博士，1 Tessy M. Thomas，理学士，2 Matthew S. Fifer，博士，3 Daniel N. Candrea，理学硕士，2 Francesco V. Tenore，博士，3 Robert W. Nickl，博士，4 Eric A. Pohlmeyer 博士，3 Christopher Coogan，理学硕士，5 Luke E. Osborn，博士，3 Adam Schiavi，医学博士，博士，6 Teresa Wojtasiewicz，医学博士，7 Chad Gordon，DO，8 Adam B. Cohen，医学博士，3,5 Nick F. Ramsey，博士，9 Wouter Schellekens，博士，9 Sliman J. Bensmaia，博士，10 Gabriela L. Cantarero，博士，4 Pablo A. Celnik，医学博士，4 Brock A. Wester，博士，3 William S. Anderson，医学博士，博士，7 Nathan E. Crone， MD 5 1 美国马里兰州贝塞斯达市国立卫生研究院国家精神卫生研究所 2 美国马里兰州巴尔的摩市约翰霍普金斯大学生物医学工程系 3 美国马里兰州劳雷尔市约翰霍普金斯大学应用物理实验室研究与探索性开发部 4 美国马里兰州巴尔的摩市约翰霍普金斯大学物理医学与康复系 5 美国马里兰州巴尔的摩市约翰霍普金斯大学神经病学系 6 美国马里兰州巴尔的摩市约翰霍普金斯大学麻醉学与重症监护医学系 7 美国马里兰州巴尔的摩市约翰霍普金斯大学神经外科系 8 美国马里兰州巴尔的摩市约翰霍普金斯大学整形与重建外科系 9 荷兰乌得勒支市联合医学中心乌得勒支脑中心 10 美国伊利诺伊州芝加哥市芝加哥大学生物与解剖学系 60637 摘要 定义传统上，神经外科医生在术中对功能皮质进行定位以保留患者的功能，现在可以帮助植入目标电极以恢复功能。脑机接口 (BMI) 有可能恢复瘫痪患者的上肢运动控制，但需要准确放置记录和刺激电极才能对假肢进行功能控制。除了从记录阵列进行运动解码之外，在与手指和指尖感觉相关的皮质区域精确放置刺激电极还可以传递感觉反馈，从而改善对假手的灵巧控制。在我们的研究中，我们展示了使用一种新颖的术中在线功能映射 (OFM) 技术和高密度皮层脑电图 (ECoG) 来定位人类初级体感皮质中的手指表征。结合传统的术前和术中定位方法，该技术能够准确植入刺激微电极，这通过植入后对手指和指尖感觉的皮质内刺激得到了证实。这项研究证明了术中 OFM 的实用性，并将为人类闭环脑机接口的未来研究提供参考。关键词术中功能映射；在线功能映射；脑机接口；皮层内微刺激；微电极阵列 (MEA)；皮层电图 (ECoG)
U2AF26和U2AF35中的锌指域具有不同的功能，包括控制翻译中的作用
抽象最近的工作与剪接体组件U2AF35的两个锌指（ZnF）的点突变与恶性转化有关。然而，令人惊讶的是，对U2AF35 ZNF域的功能知之甚少。在这里，我们分析了哺乳动物U2AF35的ZNF域及其旁系同源物U2AF26的关键功能。两个ZNF都是剪接调节所必需的，而仅ZNF2控制蛋白质稳定性，并有助于与U2AF65的相互作用。这些特征在缺乏ZnF2的U2AF26的自然存在的剪接变体中得到了证实，该变体在激活原代小鼠T细胞时强烈诱导并局部位于细胞质中。在模型T细胞系中使用Ribo-Seq我们为U2AF26在激活基因表达中的细胞质步骤中的作用提供了证据，尤其是翻译。一致地，MS2绑定测定法表明，当定位于模型mRNA的5 rtr时，细胞质U2AF26/35增加了翻译。该法规部分取决于Znf1，因此在核心剪接因子，ZNF域和翻译调节之间提供了联系。总的来说，我们的工作揭示了U2AF26/35及其ZNF领域的意外功能，从而有助于更好地理解其在哺乳动物细胞中的作用和调节。
使用运动单位放电信息在手指屈曲和延伸过程中的灵活力估计
摘要 - 随着高级机器人手的发展，可靠的神经机界面对于充分利用机器人的功能灵活性至关重要。在这项初步研究中，我们开发了一种新的方法，可以在灵巧的手指屈曲和伸展过程中连续和同时估计单个手指的等距力。具体而言，分别从手指伸肌和屈肌记录的表面高密度肌电图（EMG）信号中提取运动单元（MU）排放活性。MU信息被分为不同的组，与单个手指的屈曲或伸展相关，然后在多手指屈曲和扩展任务期间用于预测单个手指力。与常规EMG振幅方法相比，当使用线性回归模型时，我们的方法可以获得更好的力估计性能（预测力和测量力之间的较高相关性和较小的估计误差）。对我们方法的进一步探索可以潜在地提供强大的神经机界面，以直观地控制机器人手。
锌指抑制剂可抑制免疫检查点分子，提高基因修饰 T 细胞的抗肿瘤活性
在 LV 介导的 ZF-R 递送至 CD3+ 细胞后，MHCI 和 CD5 抑制有效且持久。(A) CD5 基因 mRNA 敲低与 CD5 ZF-R 结合位点 (三角形) 的示意图；颜色越深表示抑制越强。选定的 CD5 ZF-R 以蓝色突出显示。(B) 生成了递送多达两个 ZFR 的 LV 粒子面板，以评估 CD3+ 细胞中的抑制效率。(C) 通过流式细胞术测量 NGFR+/MHCI- 和 NGFR+/CD5- CD3+ 细胞的百分比来量化 CD5 (左) 和 B2M (右) 抑制效率。(D) 通过监测注射到 NXG 小鼠体内 10 周的 NGFR+/MHCI- 和 NGFR+/CD5- CD3+ 细胞来评估 B2M 和 CD5 抑制的持久性。 (E) FACS 图显示注射前（左）和注射后 10 周在血液（中）和脾脏（右）中转导的 CD3+ 细胞中同时出现的 MHCI 和 CD5 抑制。
当视频遇到惯性传感器：使用惯性传感器进行手指运动分析的零样本域自适应
无处不在的手指运动追踪使增强现实、体育分析、康复医疗保健等领域的许多激动人心的应用成为可能。虽然使用摄像头的手指运动追踪非常成熟，这很大程度上归功于大量训练数据集的可用性，但是对于为带有惯性测量单元 (IMU) 传感器的可穿戴物联网设备开发强大的机器学习 (ML) 模型来说，训练数据却十分匮乏。为了解决这个问题，本文提出了 ZeroNet，这是一个展示以零训练开销为 IMU 传感器开发 ML 模型的可行性的系统。ZeroNet 从公开的视频中收集训练数据以对 IMU 进行推理。由于传感器-摄像头坐标系、用户身体大小、手势过程中的速度/方向变化、传感器位置变化等差异，视频和 IMU 域之间的数据差异带来了许多挑战。ZeroNet 通过系统地从视频中提取运动数据并将其转换为 IMU 传感器测量的加速度和方向信息来解决这些挑战。此外，还利用数据增强技术在收集的训练数据中创建合成变化，以增强 ML 模型对用户多样性的通用性和鲁棒性。对 10 位用户的评估表明，对于 50 个手指手势的识别，top-1 准确率为 82.4%，top-3 准确率为 94.8%，这表明前景光明。虽然我们只是触及了表面，但我们概述了许多有趣的可能性，可以将这项工作扩展到计算机视觉、机器学习和可穿戴物联网等跨学科领域，从而实现手指运动跟踪的新应用。
与雷诺现象的全身性硬化症中腹手指微举病的超声定量评估：一项比较研究
使用各种超声技术评估使用Raynaud现象（RP-SSC）的全身性硬化症患者的手指血管性的抽象目标。使用四种超声血管成像技术在室温下成像18种RP-SSC患者的所有手指（拇指）和18个对照。通过计算25 mm 2正方形的血流像素以背侧侧的指甲褶皱和25 mm 2和距腹侧100毫米2平方平方的25 mm 2平方计算血管面积的百分比。平均血管强度是根据背侧和腹侧的相应区域计算的。结果，RP-SSC中血管区域和平均血管强度的百分比明显低于背侧和腹侧的对照组（P <0.01）。无论成像技术和评估方面如何，曲线下的平均血管强度（AUC）（AUC）（AUC）的面积略高于（AUC）（AUC）（0.53-0.91 vs 0.53-0.90）。对于每种成像技术，与背侧相比，腹侧血管表现出更高的AUC（0.74–0.91）（0.53-0.81）。此外，腹侧异常与数字溃疡病史有关。结论超声表现出了量化RP-SSC的手指血管性的潜力。手指的腹侧显示出比背侧比背侧更高的精度。
使用扩展的块项张量回归根据颅内脑活动预测手指运动和共同激活
每年，全球有多达 50 万患者因脊髓损伤、脑干中风和肌萎缩侧索硬化症 (ALS) 而陷入瘫痪 [1]。脑机接口 (BCI) 能够绕过断开的神经通路来取代丢失或受损的身体部位的功能，这使得它们被推广为这些患者的解决方案。通常，BCI 系统由几个组件组成：从记录的大脑活动中提取信号特征，并将结果翻译（“解码”）为控制外部设备（如机械臂或手）的命令。BCI 控制手部肌肉的功能性电刺激 (FES) [2, 3] 和假手、外骨骼或其他效应器 [4, 5, 6, 7] 已经取得了非凡的成果。
基于面部，手指静脉，指纹和虹膜的生物特征识别的文章深度学习模型：调查
摘要：最近，个体生物特征引起了很多关注，并且是建立多种安全性和真实性系统的核心，例如监视，法医，欺诈性披露和基于身份的访问控制。广泛的生物识别性特征使选择合适的问题是至关重要的问题，这主要取决于应用程序的类型，样本的可用性，复杂性的程度和可能性的可接受价值。机器学习算法的概念对最后的方式产生了极大的兴趣，尤其是它被称为深度学习神经网络的进化版本。机器学习已在许多生物识别系统中使用和实施，因为其强大的属性和功能可以为系统提供所需的目标，具有出色的性能。这项工作旨在对过去七年来的190多种有前途的作品进行广泛的调查，描述了基于多种基于生物特征的深度学习系统，这些深度学习系统基于四个流行和大多数使用的特征，包括面部，指纹，Iris和Finger Finger静脉。本文还介绍了两种生物识别技术的简要回顾和深度学习神经网络。
实时的脑机界面实现了使用生物学启发的神经网络解码器
*通信：Cynthia A. Chestek博士生物医学工程B10-A171 NCRC Ann Arbor MI 48109-2800电话：734-763-1759