XiaoMi-AI文件搜索系统
World File Search SystemLocalization
使用深度卷积神经网络对基因表达和 DNA 结合位点定位进行预测建模
摘要 13 尽管测序革命已然到来，但迄今为止测序的大部分基因组仍然缺乏有关转录因子结合位点在调控 DNA 上的排列的任何信息。15 大规模并行报告基因检测 (MPRA) 有可能通过测量由调控区域的数千个突变变体驱动的基因表达水平来显著加速我们的基因组注释。然而，对此类数据的解释 18 通常假设调控序列中的每个碱基对都独立地对基因 19 表达作出贡献。为了能够以考虑调控序列上远距离碱基之间可能存在的相关性的方式分析这些数据，我们开发了深度学习 21 自适应调控序列标识符 (DARSI)。该卷积神经网络利用 22 MPRA 数据直接从原始调控 DNA 序列预测基因表达水平。通过利用这种预测能力，DARSI 系统地识别了转录因子在单碱基对分辨率下在调控区域内结合的位点。为了验证其预测，我们将 DARSI 与精选数据库进行了对比，证实了其在预测转录因子结合位点方面的准确性。此外，DARSI 预测了新的未映射结合位点，为未来的实验铺平了道路，以确认这些结合位点的存在并识别靶向这些位点的转录因子。因此，通过自动化和改进调控区域的注释，DARSI 生成了可付诸实践的预测，这些预测可以为理论-实验循环的迭代提供信息，旨在实现对转录控制的预测性理解。
考虑最佳传感器放置的考虑因素，以提高准确的对象定位，以定位于城市空气流动
先前对物体定位的研究表明，传感器放置和对齐在达到追踪城市空气流动性工具的估计位置的较高准确度中起着重要作用。通常，由于两者之间的重叠不确定性区域较小，地面节点观测矢量之间的近乎正交的相交导致了最高的精度。这适用于通过接地节点摄像机角度观测以及通过地面节点距离测量的三角剖分。但是，通过有限数量的静态基础节点和要本地化的移动对象的网络，这种简单的概念不容易实现。该案例研究进行了敏感性分析，并探讨了如何在这种情况下实现更高估计准确性水平的实用方法。
超级金属：一种生成的AI框架，用于蛋白质中的快速，精确的金属离子位置预测
最初的计算方法用于mRNA定位是单个标签分类任务，其中每个mRNA被预测仅定位为一个特定的隔室。rnatracker采用了深层复发的神经网络来预测mRNA定位[6]。iloc-mRNA，利用支持载体机（SVM）来预测在同性恋中的mRNA定位，[7]。sublocep通过集中在特定的细胞室，同时保留在单标签分类框架内[8]，进一步完善了预测。但是，它们本质上受到这样的假设，即每个mRNA仅定位到一个与生物学现实不符的隔间。许多mRNA众所周知，可以定位在多个隔间中，从而在细胞内履行各种作用[9，8]。
中年人体内脂肪分布、胰岛素抵抗和淀粉样蛋白负担之间的关联目的中年人肥胖是导致发育迟缓的风险因素
中年人体脂定位、胰岛素抵抗和淀粉样蛋白负担之间的关联目的中年肥胖是晚年患阿尔茨海默病的风险因素。然而，体脂的代谢和炎症影响因其解剖位置而异。在本研究中，我们旨在调查 MRI 衍生的腹部内脏和皮下脂肪组织 (VAT 和 SAT)、肝脏质子密度脂肪分数 (PDFF)、大腿脂肪与肌肉比 (FMR) 和胰岛素抵抗与认知正常中年人全脑淀粉样蛋白负担之间的关联。方法和材料总共 62 名认知正常的中年人 (年龄：50.35 岁，61.3% 为女性，BMI：32.30 kg/m2>，53.2% 为肥胖) 接受了脑部 PET 扫描、身体 MRI 和代谢评估。使用胰岛素抵抗稳态模型评估 (HOMAIR) 来测量胰岛素抵抗。通过推注 15mCi [11C] PiB 并进行 60 分钟扫描进行动态淀粉样蛋白成像。注射后 30 至 60 分钟窗口内的数据用于计算全脑淀粉样蛋白 Centiloid。使用内部基于 MATLAB 的软件半自动分割 VAT 和 SAT。PDFF 图由肝脏化学位移编码的 MR 图像生成，并使用 3D CNN 模型和手动校正进行分割。在对坐骨升支和膝关节内侧髁之间的大腿中部切片进行预处理和 N4ITK 偏差校正后，使用内部 MATLAB 程序分割大腿总脂肪（皮下、肌间和肌内脂肪）和肌肉体积。计算大腿总脂肪与肌肉的比率 (FMR)。使用线性回归，评估了 Centiloid 与 BMI、HOMAIR、VAT、SAT、PDFF 和 FMR 之间的关联，年龄和性别为协变量。结果 肥胖个体的 Centiloid 比非肥胖个体高 (p=0.008)。Centiloid 与 VAT (Adj-R2=0.25, p<0.0001)、HOMAIR (Adj-R2=0.08, p=0.02)、SAT (Adj-R2=0.08, p=0.02) 和 BMI (Adj-R2=0.09, p=0.01) 显著相关，但与其他脂肪指标无关。中介分析表明，BMI 对 Centiloid 的影响完全由 VAT 介导（ACME= 0.282，p <2e-16，ADE= 0.061，p=0.56），并且 VAT 对淀粉样蛋白负担有显著的直接影响（ADE=0.0104，p<2e-16），而 HOMAIR 无法解释（ACME=-0.003，p=0.86）。结论肥胖、内脏脂肪含量较高，以及程度较小的胰岛素抵抗、BMI、皮下脂肪（但不是肝脏或大腿脂肪）与中年人全脑淀粉样蛋白含量较高有关。这凸显了体脂解剖特征对于阿尔茨海默病风险的重要性，其中肥胖相关的淀粉样蛋白病理完全由内脏脂肪解释。临床相关性/应用可以考虑修改内脏脂肪组织以在中年时期降低与肥胖相关的阿尔茨海默病风险。
使用Yolov4和RGB-D
摘要。松散的棕榈果（LPF）是一种油棕果，已从其堆中成熟并掉落，含有高油脂含量。LPF的每个损失都会影响石油提取率并导致财务损失。现有的LPF收集方法不是很有效，因为它们需要人类的控制和监督。常规方法，例如机械和滚筒型LPF收集器，由于LPF散布在广泛的人工林上，因此效率低下。因此，必须使用自主LPF检测系统。但是，基于图像的检测系统通常受到诸如亮度和草的环境因素的干扰，而LPF位置随机器人和摄像头的位置而变化。这项研究的一般目标是开发一种基于图像的LPF检测算法。这需要基于深度学习的实时应用的有效检测算法。另外，使用图像深度（RGB-D）准确地确定LPF位置是必不可少的。该项目采用高效率和准确性的Yolov4对象检测器来实现实时LPF检测。使用深度图像和Intel Realsense D435i相机的视野，LPF位置是通过LPF边界框的中心坐标与相机之间的距离确定的。该系统已集成到机器人操作系统（ROS）中，以确保机器人的可用性。该系统达到了98.74％的平均准确性（MAP@IOU 0.5），平均损失为0.124，检测时间为5.14ms。对于LPF位置确定，算法的计算位置和手动测量之间的差异仅为X坐标的3.82厘米，而Y坐标的差异仅为1.80厘米。
i-sairas 2024 UWB基于A ...
在两个任务中，我们贡献了一个配备3D激光扫描仪映射的漫游车系统。为了使3D激光扫描对齐以获取环境的全球地图，需要将初步的姿势估计附加到单个扫描中[4]。我们使用移动和等待方案，在该方案中，操作员根据3D激光扫描决定了航路点，并使用了几个RGB相机图像来进行情境意识。共享一个单一的目的地姿势帐户，以了解行星任务中存在的通信约束。对于字段操作，实现了图形用户界面，以便轻松选择下一个航路点[12]。流动站然后自动驱动到目标目的地，然后重复周期。这种驾驶模式需要始终知道机器人姿势，因此本地化是至关重要的。
被动智能灰尘基于无人机的危险化学物质定位
摘要：在1990年代后期首次提出了在特定区域上的微小传感器的分布，称为一种称为智能灰尘的概念。几项努力主要集中在计算和网络功能上，但迅速遇到了与电源，成本，数据传输和环境污染有关的问题。为了克服这些局限性，我们建议使用基于纸张的（五彩纸屑样）化学传感器来利用化学试剂的固有选择性，例如比色指标。在这项工作中，由纤维素制成的廉价和可生物降解的被动传感器可以成功地表明存在有害化学物质，例如强酸，通过重大的颜色变化。连接到无人机的传统彩色数码相机可以轻松地从安全距离检测到这一点。处理收集的数据以定义危险区域。我们的工作介绍了智能粉尘概念，化学感应，基于纸张的传感器技术和低成本无人机，可在高风险场景中对危险化学物质的灵活，敏感，经济和快速检测。
从流量引导的纳米级定位的设计空间探索
纳米式设备为人类血液中的流动引导定位提供了引物。这种本地化允许将感知事件的位置分配给事件本身，从而沿着早期和精确的诊断方面提供益处，并降低了成本和侵入性。流引导的定位仍处于基本阶段，只有少数针对问题的作品。尽管如此，对解决方案的性能评估已经是以一种非标准化的方式进行的，通常是按单个性能指标进行的，并且忽略了在这样的规模（例如Nanodevices的Lim-Is-Ised Energy）中相关的各个方面，并且对于这种挑战性的环境（例如，在B-Body Thz peragation In-Body Thz Propagation中极端衰减）。因此，这些评估的现实主义水平较低，不能客观地进行比较。为了解决这个问题，我们说明了情景的环境和规模相关的特点，并评估了沿一系列异构性能指标（例如本地化的准确性和可靠性）沿着一组异构性能指标的两种最先进的流动定位方法的性能。
通过声源本地化手术中的空间上下文意识
摘要。背景意识和场景理解是计算机辅助和机器人手术中智能系统开发的组成部分。尽管大多数系统主要利用视觉数据进行场景理解，但最新的概念证明已展示了声学的大量，用于检测和分析与典型的噪声排放相关的手术活动。但是，尚未有效地用于手术中的定位任务，这对于获得对场景的全面理解至关重要。在这项工作中，我们介绍了可以揭示声学活动及其在手术领域的位置的新型声源定位概念（SSL），因此提供了对患者和医疗设备的外科手术人员的相互作用的见解。我们通过在两个概念验证本地化任务中使用声学摄像头解释声音活动热图，表明了这一概念的潜力。对于对象检测任务，我们以86.07％的0.5 IOU实现AP，平均欧几里得距离为13。70±14。65个PX在图像分辨率为1100x825 PX的图像分辨率，用于关键点检测任务。基于这些结果，我们认为声学事件的本地化具有外科手术理解的巨大潜力，为未来手术室中的多模式感应解决方案打开了许多新的研究方向。据作者的最佳知识，这是在医学背景下利用SSL的第一项作品。
RFID本地化的强化学习
摘要 - 我们目前RL2是一种机器人系统，用于有效，准确的UHF RFID标签。与过去的机器人RFID定位系统（主要集中在位置精度上）相比，RL2学会了如何共同优化定位的准确性和速度。为此，它引入了基于增强学习的轨迹优化网络，该网络学习了机器人安装的读取器天线的下一个最佳轨迹。我们的算法从多个RFID标签中编码孔径长度和位置置信度（使用合成驱动 - 雷达公式）到状态观测值，并使用它们来学习最佳轨迹。我们构建了RL2的端到端原型，其天线在天花板安装的2D机器人轨道上移动。我们评估了RL2，并证明了中位3D定位精度为0.55m，它与基线策略相比，它更快地定位了多个RFID标签2.13倍。我们的结果表明，基于RL的RFID本地化有可能提高跨越制造，零售和物流领域的RFID库存流程的效率。索引术语 - 增强学习，RFID本地化，机器人技术，自主定位，RF传感