XiaoMi-AI文件搜索系统
World File Search SystemICA
使用在线光子独立成分分析...
摘要：独立成分分析 (ICA) 是一种通用技术，用于分析多维数据以揭示彼此最大程度独立的底层隐藏因素。我们报告了第一个通过采用片上微环 (MRR) 权重库对未知信号混合进行的光子 ICA。MRR 权重库对接收到的混合信号执行所谓的加权加法（即乘法累加）运算，并输出感兴趣信号的单个降维表示。我们提出了一种新颖的 ICA 算法，仅基于加权加法输出的统计信息来恢复独立成分，同时不仅对原始源而且对混合信号的波形信息都保持盲目性。我们研究了通道可分离性和近远问题，我们的双通道光子 ICA 实验表明我们的方案与传统的基于软件的 ICA 方法具有相当的性能。我们的数值模拟验证了所提出方法的保真度，并研究了噪声效应以确定我们方法的运行方式。所提出的技术可以为盲源分离、微波光子学和片上信息处理的未来研究开辟新的领域。
学术 - 临时心理学掌握时间。 ...
Professionalism 6-Jan 11-Jan 15 Study break 15 Study break 13-Jan 18-Jan 16 Study break 16 Study break 20-Jan 25-Jan 17 EOS/ICA S-4 17 EOS/ICA S-1 27-Jan 1-Feb 18 Chinese New Year Break Chinese New Year * 3-Feb 8-Feb 19 Vacation/Resit 18 Vacation/Resit 10-Feb 15-Feb S5 1 S2 1 17-Feb 22-Feb 2 2 24-Feb 1-Mar 3 3 3-Mar 8-Mar 4 4 10-Mar 15-Mar 5 5 17-Mar 22-Mar 6 6 24-Mar 29-Mar 7 7 31-Mar 5-Apr Hari Raya Break Hari Raya * 7-Apr 12-Apr 8 Study break 8 Study break 14-Apr 19-Apr 9 EOS/ICA S-5 9 EOS/ICA S-2 21-Apr 26-Apr 10 Vacation 10 Vacation 28-Apr 3-May 11 Vacation 11 Vacation 5-May 10-May 12 Vacation/Resit 12 Vacation/Resit 12-May 17-May S6 1 S3 1 19-May 24-May 2 2 26-May 31-May 3 3 2-Jun 7-Jun 4 4 9-Jun 14-Jun 5 5 16-Jun 21-Jun 6 6 23-Jun 28-Jun 7 7 30-Jun 5-Jul 8 8 7-Jul 12-Jul 9 9 14-Jul 19-Jul 10 10 21-Jul 26-Jul 11 11 28-Jul 2-Aug 12 12 4-Aug 9-Aug 13 13 11-Aug 16-Aug 14 14 18-Aug 23-Aug 15 Study break 15 Study break 25-Aug 30-Aug 16 Study break 16 Study break 1-Sep 6-Sep 17 EOS/ICA S-6 17 EOS/ICA S-3 8-Sep 13-Sep 18 Vacation 18 Vacation 15-Sep 20-Sep 19 Vacation/Resit 19 Vacation/Resit
正在进行的脑电图矫正使用盲源分离Nicole Ille A，*，Yoshiaki Nakao B，Yano Shumpei B，Toshiyuki Taura B，Arndt Ebert A
在过去的几年中，已经描述了许多方法，以减少伪影污染，同时试图保留大多数大脑活动，即使这与伪影活动相关。自从引入眼部伪影校正的ICA以来，大量已发表的方法基于盲源分离（BSS）或独立组件分析（ICA）（Vigário，1997; Jung et al。，1998）。Other successful approaches use for example spatial filters modelling artifact and brain activity (Berg and Scherg, 1991, 1994; Ille et al., 1997, 2002), spatially constrained ICA (SCICA) (Ille, 2001; Ille et al., 2001; Hesse and James, 2006), or hybrid approaches like BSS/ICA in combination with wavelet transformation (WT) (Castellanos and Makarov，2006年； Mammone等，2012年；有关脑电图删除方法的全面审查，请参见Kaya（2022），Urigüen和Garcia-Zapirain（2015），Islam等。（2016）。
胰岛细胞抗原（IA-2）
糖尿病通常被分类为1型（胰岛素依赖性糖尿病）或2型（非胰岛素依赖性糖尿病）。在大多数情况下，1型糖尿病（T1DM）的发作是胰岛中产生胰岛素β细胞的自身免疫性破坏的结果，而内源性胰岛素分泌的随之而来的丧失。1 IA-2，以前称为ICA-512，是与T1DM发展相关的自身抗体的重要靶标。2测量这些免疫标记物已被证明在协助诊断糖尿病患者的诊断临床医生方面具有相当大的价值。1，2，3糖尿病诊断时的多个胰岛细胞抗体（ICA）可以预测未来的完全β细胞衰竭；诊断后，ICA发育的抗体阴性患者诊断为阴性，表明β细胞功能降低。1 ICA可能会在糖尿病症状之前几年，即使在葡萄糖耐量正常的人中，但这些滴度并不总是伴随着糖尿病。ICA通常在胰岛素依赖性糖尿病的临床发作后不久或不久出现，但此后其患病率会降低。1-3
补充材料脑脑内脑内...
图S10。 建立用于研究缺血性中风的永久性脑动脉闭塞（PMCAO）模型。 PMCAO手术程序。 CCA，ICA和ECA暴露了，将硅细丝插入CCA和ICA直到到达MCA（有关详细信息的材料和方法）。 用biorender.com创建的数字。 b TTC染色大脑的代表性照片。 白色区域代表PMCAO的梗塞区域。 PMCAO后1、3和6小时，缺血性大脑中SIRT1的mRNA表达水平。 数据表示为折叠变化，相对于假手术组在归一化为GAPDH之后。 误差条表示平均值±S.D. （n = 3）（每组n = 10只小鼠， * p <0.05，*** p <0.001对假手术）。 缩写：CCA，常见的颈动脉； ICA，颈内动脉； ECA，外部颈动脉； MCA，中大脑中动脉； TTC，2,3,5-三苯基四唑氯化物。图S10。建立用于研究缺血性中风的永久性脑动脉闭塞（PMCAO）模型。PMCAO手术程序。CCA，ICA和ECA暴露了，将硅细丝插入CCA和ICA直到到达MCA（有关详细信息的材料和方法）。用biorender.com创建的数字。b TTC染色大脑的代表性照片。白色区域代表PMCAO的梗塞区域。PMCAO后1、3和6小时，缺血性大脑中SIRT1的mRNA表达水平。数据表示为折叠变化，相对于假手术组在归一化为GAPDH之后。误差条表示平均值±S.D.（n = 3）（每组n = 10只小鼠， * p <0.05，*** p <0.001对假手术）。缩写：CCA，常见的颈动脉； ICA，颈内动脉； ECA，外部颈动脉； MCA，中大脑中动脉； TTC，2,3,5-三苯基四唑氯化物。
通过添加 EMG 源 (ERASE) 去除肌电图 (EMG) - 一种基于 ICA 的新型算法，用于从 EEG 中去除肌电伪影 - 第 1 部分
摘要。脑电图 (EEG) 记录经常受到肌电图 (EMG) 伪影的污染，尤其是在运动过程中记录时。现有的去除 EMG 伪影的方法包括独立成分分析 (ICA) 和其他高阶统计方法。然而，这些方法不能有效地去除大多数 EMG 伪影。在这里，我们提出了一种改进的 ICA 模型来去除 EEG 中的 EMG 伪影，称为通过添加 EMG 源去除 EMG (ERASE)。在这种新方法中，将来自颈部和头部肌肉的真实 EMG 的额外通道（参考伪影）作为 ICA 的输入添加，以便将 EMG 伪影的大部分功率“强制”到几个独立成分 (IC) 中。使用自动程序识别和拒绝包含 EMG 伪影的 IC（“伪影 IC”）。首先使用模拟和实验记录的 EEG 和 EMG 验证 ERASE。仿真结果表明，ERASE 从 EEG 中去除 EMG 伪影的效果显著优于传统 ICA。此外，它的假阳性率低，灵敏度高。随后，研究人员收集了 8 名健康参与者移动双手时的 EEG 数据，以测试该方法的实际效果。结果表明，ERASE 成功去除了 EMG 伪影（使用真实 EMG 作为参考伪影时，平均可去除约 75% 的 EMG 伪影），同时保留了与运动相关的预期 EEG 特征。我们还使用模拟 EMG 作为参考伪影测试了 ERASE 程序（约 63% 的 EMG 伪影被去除）。与传统 ICA 相比，ERASE 从 EEG 中去除的 EMG 伪影平均多 26%。这些发现表明，ERASE 可以显著分离 EEG 信号和 EMG 伪影，而不会丢失底层 EEG 特征。这些结果表明，使用额外的真实或模拟 EMG 源可以提高 ICA 在去除 EMG 伪影方面的有效性。
AAV血清型php.eb与
静止状态功能性MRI（RS-FMRI）在休息期间为大脑功能提供了宝贵的见解，但是由于功能连接性的个体差异，临床应用方面面临挑战。通常使用独立的组件分析（ICA），但它努力与主体间信息平衡单个变化。为了解决这一问题，使用来自多个数据集的模板开发了受约束的ICA（CICA）方法，以提高确定性和可比性。在这项研究中，我们从不同数据集中收集了来自100,517个个体的RS-FMRI数据。数据通过标准fMRI管道进行了预处理。我们的方法首先使用可复制的fMRI组件模板作为约束ICA（神经元管道）中的PRIOR，然后是估计的动态功能网络连接（DFNC）。通过聚类分析，我们生成了可复制的DFNC状态，然后将其用作受限制的ICA中的先验，以自动从新主题中估算特定于主题的状态。这种方法为分析单个RS-FMRI的单个RS-FMRI数据提供了一个强大的框架，同时在大型数据集中保持一致性，同时可以在大型数据集中保持一致性，从而在潜在的临床应用程序中提高RS-fmri的潜在应用。