XiaoMi-AI文件搜索系统
World File Search SystemMultiscale
行为过程中脉冲和场电位信号之间的多尺度因果关系建模
摘要 目的。脑记录在多个时空尺度上表现出动态，这些动态可以用脉冲序列和更大规模的场电位信号来测量。为了研究神经过程，重要的是不仅要在单个活动尺度上识别和建模因果关系，还要在多个尺度上识别和建模因果关系，即脉冲序列和场电位信号之间。标准因果关系度量在这里不直接适用，因为脉冲序列是二值，而场电位是连续值。因此，重要的是开发计算工具来恢复行为过程中的多尺度神经因果关系，评估它们在神经数据集上的性能，并研究多尺度因果关系建模是否可以提高神经信号的预测能力，使其超出单尺度因果关系所能达到的范围。方法。我们设计了一种基于有向信息的多尺度模型的 Granger 类因果关系方法，并评估其在现实的生物物理脉冲场模拟和两个执行运动行为的非人类灵长类动物 (NHP) 的运动皮层数据集中的成功率。为了计算多尺度因果关系，我们学习了点过程广义线性模型，该模型基于脉冲序列和场电位信号的历史来预测给定时间的脉冲事件。我们还学习了线性高斯模型，该模型基于场电位信号自身的历史以及二元脉冲事件或潜在放电率的历史来预测给定时间的场电位信号。主要结果。我们发现，尽管存在模型不匹配，但我们的方法仍揭示了生物物理模拟中真正的多尺度因果关系网络结构。此外，与仅对单尺度因果关系进行建模相比，在 NHP 神经数据集中具有已识别多尺度因果关系的模型可以更好地预测脉冲序列和场电位信号。最后，我们发现与 NHP 数据集中的二元脉冲事件相比，潜在放电率是场电位信号的更好预测因子。意义。这种多尺度因果关系方法可以揭示跨大脑活动时空尺度的定向功能相互作用，从而为基础科学研究和神经技术提供信息。
研究水对多尺度分子动力学模拟纤维素机械性能的影响
粗粒（CG）力场参数是使用真空中纤维素Iβ的原子分子动力学模拟得出的（0％的水分含量），并使用Gromacs软件[5]和CHARMM力场进行的水（95％水分含量）溶剂（95％的水分含量）[6]。72使用自下而上的粗粒方法将葡萄糖残基映射到一个CG位置：在存在水存在下，使用雨伞采样确定了100个纤维素表面之间的非键相互作用，以计算平均力的潜力（PMF）。势能被视为真空模拟中PMF的近似值，因为缺乏水减少了对自由能的熵贡献。使用Boltzmann倒置参数化键合的相互作用，以从与CG位点相对应的原子组之间的键长和角度的概率分布来计算PMF。使用LAMMPS软件进行了粗粒纳米纤维素组件的MD模拟[7]。进行了机械应力MD模拟，以确定具有强力场参数的CG纳米纤维素组件的拉伸模量，其水分含量为0％和95％。
实时的多尺度成像技术，无创的锂离子电池故障
大多数Libs都包含各种材料的复杂性，并侵入了阴极，阳极，电力和分离器的四个主要成分。它还由从软材料（例如包装材料和粘合剂）到陶瓷，碳和金属材料（如当前收集器，导电添加剂和外部标签）组成的各种材料。[11,12]了解每种材料的个体特征以及电池内的降解行为引起的潜在缺陷对于验证安全性和可靠性至关重要。[7,13]通过广泛的研究，电池老化的主要起源已被确定为活性材料晶体结构的降解[14-16]，并且由于电极/电解质界面的不稳定性，化学和电化学侧面的反应。[17 - 20]这些发现提供了有关解决学术界和行业问题的见解，并通过推进制造技术来验证绩效可靠性。然而，面向性能的细胞设计和高尺度制造的意外细胞失衡会增加电池故障和火灾的风险。[21 - 24]在制造过程中很难检测出意外的故障或小错误，并且可以被视为在极端工作条件下可能出现的“潜在缺陷”。[25 - 27]此处的“潜在”缺陷术语是指在实际使用前进行合理彻底检查无法发现的电池内部的故障。例如，几个潜在缺陷可能包括无法完全尽管细胞制造过程已经智能自动化，但确定细胞的断层类型和失败模式并寻求潜在缺陷的位置仍然是一个挑战。
香港通往绿色流动性的道路 - 研究收集
人体组织工程矩阵（HTEMS）已被提议作为原位式心脏瓣膜（TEHVS）的有前途的方法。然而，人们对HTEM中的ECM组成如何在组织培养时间中发展仍然存在有限的理解。因此，我们使用（IM-MUNO）组织学，生化测定和质谱法（LC-MS/MS）进行了培养时间（2、4、6周）的纵向HTEM评估。 2）使用基因集富集分析（GSEA）分析参与ECM开发的蛋白质途径； 3）使用单轴拉伸测试评估HTEM机械表征。最后，作为概念验证，使用6周HTEM样品进行了TEHV制造，在脉冲重复器中测试。LC-MS/MS证实了在组织学和生化测定中观察到的ECM蛋白的组织培养时间依赖性增加，揭示了最丰富的胶原蛋白（Col6，Col12），蛋白聚糖（HSPG2，VCAN，VCAN）和糖蛋白（FN，TNC）。gsea在2周（mRNA代谢过程），4周（ECM生产）和6周（ECM组织和成熟度）的HTEM中鉴定出最大代表的蛋白质途径。单轴机械测试显示出在失败时的刚度和应力增加，以及组织培养时间的应变减少。htem的TEHV在肺部和主动脉压力条件下表现出有希望的体外性能，具有对称的LEA频率和无狭窄。总之，在组织培养时间内ECM蛋白丰度和成熟度增加，随之而来的是HTEM机械性征象。这些发现表明，较长的组织培养会影响组织组织，导致可能适合高压应用的HTEM。
多尺度自动调整半监督深度子空间聚类及其在脑肿瘤聚类中的应用
在本文中，我们介绍了一种新颖的多尺度和自动调整的半监督深度子空间聚类（MAS-DSC）算法，旨在解决高维现实世界数据（特别是在医学成像领域）中深度子空间聚类的挑战。传统的深度子空间聚类算法大多是无监督的，其有效利用医学图像中固有的先验知识的能力有限。我们的 MAS-DSC 算法结合了半监督学习框架，使用少量标记数据来指导聚类过程，从而增强了特征表示的判别能力。此外，多尺度特征提取机制旨在适应医学成像数据的复杂性，从而实现更准确的聚类性能。为了解决深度子空间聚类中超参数选择的困难，本文采用贝叶斯优化算法来自适应调整与子空间聚类、先验知识约束和模型损失权重相关的超参数。在ORL、Coil20、Coil100等标准聚类数据集上进行的大量实验验证了MAS-DSC算法的有效性。结果表明，通过多尺度网络结构和贝叶斯超参数优化，MAS-DSC在这些数据集上取得了优异的聚类结果。此外，在脑肿瘤数据集上的测试证明了该算法的鲁棒性，以及其在半监督学习框架下利用先验知识进行高效特征提取和增强聚类性能的能力。
冰川突然变化是由单一可激发动力学产生的多尺度现象
摘要：古气候代理揭示了在过去的冰川间隔中被称为Dansgaard - Oeschger（DO）事件的北大西洋气候的突然过渡。DO事件的主要特征是在绿地中突然变暖，标志着相对温和的相对阶段，称为间质。这些表现出数百至几千年的逐渐冷却，直到最终的降低使温度恢复到冷场水平。到目前为止，这种千禧一代可变性背后的确切机制仍然没有定论。在这里，我们提出了一个令人兴奋的模型来解释Dansgaard - Oeschger Cycles，该模型以噪声诱导的状态空间偏移而发生，在该模型中。我们的模型包括代表北极大气温度，北欧海洋温度和海冰覆盖的四个动态变量之间的相互尺度相互作用，以及大西洋子午线翻转循环。该模型的大气 - 海洋热量由海冰主持，这又受到快速发展的间歇性噪声动态产生的大型扰动。如果超临界，扰动触发了类似的状态空间段游览，在此期间，所有四个模型变量都经历了定性变化，而定性变化始终类似于相应的代理重新质量中的星座的特征。作为一个产生噪声的物理间歇过程，我们提出了海洋或大气阻塞事件中的对流事件。我们的模型准确地重现了DO循环形状，返回时间以及间质和体积持续时间对背景条件的依赖性。与普遍的理解可变性是基于基础动力学的双态性的相反，我们表明，多尺度，单稳定的兴奋动态为解释与事件相关的千禧年气候变化提供了一种有希望的替代方案。
大脑建模工具包：用于大脑回路多尺度建模的开源软件套件
。CC-BY-NC-ND 4.0 国际许可，未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者（此版本于 2020 年 5 月 10 日发布。；https://doi.org/10.1101/2020.05.08.084947 doi：bioRxiv 预印本
多尺度大脑建模：用于临床和技术应用的桥接显微镜和宏观脑动力学
大脑的复杂组织从神经元内的分子级过程到大型网络，因此必须了解这种多尺度结构以发现大脑功能并解决神经系统疾病至关重要。多尺寸的大脑建模已成为一种变革性方法，将计算模型，高级成像和大数据集成以弥合这些组织水平。本评论探讨了将微观现象与宏观大脑功能联系起来的挑战和机遇，并强调了推动领域进步的方法。它还强调了多尺度模型的临床潜力，包括它们在推进人工智能（AI）应用程序和改进医疗保健技术中的作用。通过检查当前的研究并提出了跨学科合作的未来方向，这项工作展示了多尺度大脑建模如何彻底改变科学的理解和临床实践。
mulde：多尺度对数密度密度通过视频异常检测的DeNoSINGING估算
我们提出了一种新颖的视频异常检测方法：我们将从视频中提取的特征向量视为具有固定分布的随机变量的重新释放，并用神经网络对此分布进行建模。这使我们能够通过阈值估计估计测试视频的可能性并检测视频异常。我们使用DE-NONISE分数匹配的修改来训练视频异常检测器，该方法将训练数据注射噪声以促进建模其分布。为了消除液体高参数的选择，我们对噪声噪声级别的噪声特征的分布进行了建模，并引入了常规化器，该定期用器倾向于将模型与不同级别的噪声保持一致。在测试时，我们将多个噪声尺度的异常指示与高斯混合模型相结合。运行我们的视频异常检测器会引起最小的延迟，因为推理需要仅提取特征并通过浅神经网络和高斯混合模型将其前向传播。我们在五个流行的视频异常检测台上的典范表明了以对象为中心和以框架为中心的设置中的最先进的性能。
Cascade Residual Multiscale Convolution and Mamba- Structured UNet for Advanced Brain Tumor Image Segmentation
Abstract: In brain imaging segmentation, precise tumor delineation is crucial for diagnosis and treatment planning. Traditional approaches include convolutional neural networks (CNNs), which struggle with processing sequential data, and transformer models that face limitations in maintaining computational efficiency with large-scale data. This study introduces MambaBTS: a model that synergizes the strengths of CNNs and transformers, is inspired by the Mamba architecture, and integrates cascade residual multi-scale convolutional kernels. The model employs a mixed loss function that blends dice loss with cross-entropy to refine segmentation accuracy effectively. This novel approach reduces computational complexity, enhances the receptive field, and demonstrates superior performance for accurately segmenting brain tumors in MRI images. Experiments on the MICCAI BraTS 2019 dataset show that MambaBTS achieves dice coefficients of 0.8450 for the whole tumor (WT), 0.8606 for the tumor core (TC), and 0.7796 for the enhancing tumor (ET) and outperforms existing models in terms of accuracy, computational efficiency, and parameter efficiency. These results underscore the model's potential to offer a balanced, efficient, and effective segmentation method, overcoming the constraints of existing models and promising significant improvements in clinical diagnostics and planning.