XiaoMi-AI文件搜索系统
World File Search SystemRaphy
Gd@C82 内嵌富勒烯的胺化
近来，量子信息处理（QIP）已被证明能够在密码学10，11和数据库搜索方面提供有效的解决方案。12分子自旋作为构建块的多功能性，正成为QIP领域的竞争性材料。13基于分子磁体的“量子位”的高自旋态符合Leuenberger和Loss提出的Grover算法的要求。14该提案要求自旋系统拥有非等距能级和足够长的量子相位记忆时间。磁配位化合物的设计将使我们有机会精细控制量子相干性和构建量子门。15然而，这些条件之间存在显著的矛盾，因为各向异性高自旋系统与环境的强耦合很容易破坏其量子相干性。解决该问题的一种可能方案是使用具有高自旋基态和小各向异性的稀土离子。内嵌富勒烯的核壳结构可以满足 QIP 的要求，16,17 并且与其他基于分子的量子比特相比表现出更好的性能。各种顺磁性内嵌富勒烯表现出一些特殊现象，包括量子比特交叉现象 18 和不同的 Rabi 循环。19
增强基于运动意象的脑机接口用于中风康复
在全球范围内，中风幸存者的残疾率超过 80%，其中上肢运动障碍影响了 85% 以上的个人。为了应对这一挑战，基于运动想象 (MI) 的脑机接口 (BCI) 已成为一种有前途的方法，可将个人想象的运动意图转化为外部设备的控制信号。脑电图 (EEG) 信号因其非侵入性、便携性、高时间分辨率和价格实惠而常用于 MI-BCI。本研究利用了公开可用的脑电图运动/图像数据集 (EEGMMIDB)，包括来自 109 名参与者的 64 通道 EEG 记录，采样率为 160 Hz。目的是直接使用长短期记忆 (LSTM) 网络在清理后的 EEG 信号上对手掌和脚的张开/闭合进行分类，从而绕过计算密集且耗时的传统特征提取方法。通过调整与时期和段长度相关的超参数，我们实现了 71.2% 的平均分类准确率。这项研究强调了深度学习方法在生成稳健的控制信号以使用 EEG 信号预测运动意图方面的有效性，从而无需使用费力的特征提取方法。通过利用深度学习模型，MI-BCI 设备可以促进神经康复，尤其是中风患者的神经康复，通过提供运动辅助，使患者能够仅通过想象力来执行动作。
增强基于运动意象的脑机接口用于中风康复
在全球范围内，中风幸存者的残疾率超过 80%，其中上肢运动障碍影响了 85% 以上的个人。为了应对这一挑战，基于运动想象 (MI) 的脑机接口 (BCI) 已成为一种有前途的方法，可将个人想象的运动意图转化为外部设备的控制信号。脑电图 (EEG) 信号因其非侵入性、便携性、高时间分辨率和价格实惠而常用于 MI-BCI。本研究利用了公开可用的脑电图运动/图像数据集 (EEGMMIDB)，包括来自 109 名参与者的 64 通道 EEG 记录，采样率为 160 Hz。目的是直接使用长短期记忆 (LSTM) 网络在清理后的 EEG 信号上对手掌和脚的张开/闭合进行分类，从而绕过计算密集且耗时的传统特征提取方法。通过调整与时期和段长度相关的超参数，我们实现了 71.2% 的平均分类准确率。这项研究强调了深度学习方法在生成稳健的控制信号以使用 EEG 信号预测运动意图方面的有效性，从而无需使用费力的特征提取方法。通过利用深度学习模型，MI-BCI 设备可以促进神经康复，尤其是中风患者的神经康复，通过提供运动辅助，使患者能够仅通过想象力来执行动作。
注意力网：通过基于脑电图的测量系统监测学生的注意力类型
摘要 - 学生的关注是揭示其目标，意图和兴趣的必不可少的输入，这对于从心理学到互动系统的众多研究领域被证明是无价的。但是，大多数现有的对注意力进行分类的方法都无法对其复杂的性质进行建模。为了弥合这一差距，我们提出了一种新型的卷积神经网络方法，它利用脑电图（EEG）数据将注意力分为五个状态：选择性，持续，持续，分裂，交替和放松状态。我们通过标准的神经心理学任务收集了20个受试者的数据集，以引起不同的注意状态。我们提出的模型在此配置下的平均跨学生精度为92.3％（SD = 3.04），非常适合最终用户应用程序。我们基于转移学习的方法将模型个性化为个别受试者有效地解决了脑电图信号中个体可变性的问题，从而提高了对现实世界应用程序模型的性能和适应性。这代表了基于脑电图的分类领域的重大进步。实验结果表明，注意力集优于受试者独立和受试者依赖性设置中流行的EEGNET基线（P值<0.05），尽管我们的数据集有局限性，但仍证实了我们提出的方法的有效性。这些结果强调了使用脑电图数据对注意力分类的注意力的有希望的潜力。索引术语 - eeg，注意，情感计算，认知参与评估
Stegastylegan：迈向通用和实用的生成图像隐志
由于具有促进安全性和散装嵌入能力的潜力，生成图像隐志的最新进展引起了人们的关注。但是，通常用于特定任务的生成隐志方案，并且几乎不应用于具有实际约束的应用。为了解决这个问题，本文提出了一种通用的生成图像steganography方案，称为隐肌Stylegan（Stegastylegan），该方案符合同一框架内的安全性，容量和稳健性的实际目标。在Stegastylegan中，使用新颖的分布保护秘密数据模块（DP-SDM）用于通过保留模型输入的数据分布来实现可证明的固定构成图像隐肌。此外，发明了一种通用和有效的秘密数据提取器（SDE），以进行准确的秘密数据提取。通过选择是否在训练过程中合并图像攻击模拟器（IAS），一个人可以获取两个具有不同参数但相同结构（发电机和提取器）的模型，以进行无损和有损的通道隐秘通信，即Stegastylegan-ls and Stegastylegan和Stegastylegan。此外，通过与GAN倒置交配，也可以实现有条件的生成型软糖。实验结果表明，无论是对于无损或有损的通信陈列而言，提出的Stegastylegan都可以显着超过相应的最新计划。
从EEG脑记录中学习强大的深视觉表示
解码人脑一直是神经科学家和人工智能研究人员的标志。重新构建来自脑电脑脑电图（EEG）信号的视觉图像，由于其在脑部计算机接口中的应用，引起了人们的极大兴趣。本研究提出了一种两阶段的方法，其中第一步是获得脑电图衍生的特征，以稳健地学习深度代表，然后将学习的表示形式用于图像产生和分类。我们使用具有监督和对比度学习方法的深度学习体系结构在三个不同的数据集中进行了特征提取管道的普遍性。我们已经执行了零摄影的脑电图分类任务，以进一步支持概括性索赔。我们观察到，与脑电图和图像之间的联合代表学习相比，在单峰设置中仅使用脑电图数据来学习一个单独使用脑电图数据的近距离线性分离的视觉表示。最后，我们提出了一个新颖的框架，将看不见的图像转换为脑电图空间，并以近似值重建它们，从而展示了来自EEG信号的图像重建潜力。我们提出的来自EEG的图像合成方法显示了62。9％和36。EEGCVPR40和ThoughtViz数据集的成立得分提高了13％，这比GAN 1中的最先进的表现效果。EEGCVPR40和ThoughtViz数据集的成立得分提高了13％，这比GAN 1中的最先进的表现效果。
神经科学与艺术的舞台：OHBM BrainArt SIG 观点
和组织学家 Santiago Ramón y Cajal 制作了详细的脑细胞插图，至今仍在教育环境中使用 (12)，这启发了其他人创作类似的艺术作品 (13)。神经病学家和小说家 Oliver Sacks 撰写了关于他病人经历的感人、畅销故事 (14)，其中一些被改编为表演艺术，如戏剧、电影和舞蹈（例如 (15)）。自从 Eadweard Muybridge 的生物运动研究 (16) 以来，摄影一直处于科学与视觉艺术互惠交流的中心。灵长类动物学家和人类学家 Jane Goodall 的作品因一部令人惊叹的电影摄影作品而受到全世界的关注，该作品展示了当时无法想象的动物互动 (17)。摄影师兼科学家 Lennart Nilsson 拍摄了具有开创性的胚胎生命及其他生命形式的照片，主要是为了“让不可见变为可见”(18)，从而启发其他人以创新的方式记录科学 (19)。罗莎琳德·富兰克林 (Rosalind Franklin) 拍摄的著名的 DNA X 射线照片是科学史上跨学科的伟大一步。事实上，这张照片启发了其他艺术形式，比如 2010 年安娜·齐格勒 (Anna Ziegler) 创作的一部戏剧 (20)。我们可以继续说下去，但让我们以莎玛·拉赫曼 (Shama Rahman) 结束：她是一位科学家、神经哲学家、作曲家和歌手兼西塔琴演奏家：第一位在南极双年展上表演的西塔琴演奏家和第一位入驻 Mi.Mu 可穿戴手套公司的艺术家 (21)。
脑磁图视觉映射
自 20 世纪 90 年代末以来，视觉诱发场 (VEF) 已在临床实践中得到可靠应用。这是定制枕叶皮质手术切除术的标准临床工具。1 2011 年，美国临床脑磁图学会 (ACMEGS) 发布了临床实践指南 (CPG)，详细介绍了自发性脑活动分析、使用诱发场进行术前功能性脑映射、脑磁图 (MEG) 报告以及 MEG 人员的资质。 2 – 5 最近，ACMEGS 发表了第二份立场声明，详细说明了 MEG 作为一种非侵入性诊断工具在术前映射功能皮质中的价值，并支持“在对准备手术的可手术病变患者进行术前评估时，MEG 可常规临床用于获取有关功能皮质（体感、运动、视觉、听觉和语言）的非侵入性定位或侧向信息。” 6 尽管映射功能皮质的“黄金标准”是通过直接皮质刺激，但 MEG 作为一种非侵入性诊断工具已证实其在识别这些区域方面的有效性。1 – 3,6 本文将重点介绍 MEG 在定位功能视觉皮层中的实用性。本文将首先概述 VEF 在临床实践中的当前临床作用。然后，将回顾 2011 年 ACMEGS CPG 发布后的最新研究和临床发展。最后，
达格列净治疗可减轻患者的脂肪肝......
摘要 非酒精性脂肪性肝病（NAFLD）是2型糖尿病（T2DM）患者的常见病。本研究评估了达格列净对T2DM和NAFLD患者肝脏脂肪含量的影响。分析了生化数据和代谢参数的变化。回顾性收集2022年6月至2022年12月接受达格列净治疗的T2DM和NAFLD患者的临床资料。最终分析共纳入35例患者，平均年龄45.8±2.2岁，其中男性患者占60.0%。达格列净治疗20周后，患者糖尿病参数改善，血糖和糖化血红蛋白A1C水平显著下降（P<0.01），胰岛素抵抗改善。定量计算机断层扫描评估肝脏脂肪含量的变化，结果显示治疗后从 16.1±2.2% 下降至 11.2±1.3%（P<0.01）。肝功能（丙氨酸氨基转移酶、天冬氨酸氨基转移酶和 γ -谷氨酰转移酶水平）也有所改善。治疗后内脏脂肪面积和皮下脂肪面积明显减少，内脏脂肪面积减少更为明显。通过 Pearson 相关性和回归分析确定与肝脏脂肪含量相关的因素。Pearson 相关性分析表明，治疗后肝脏脂肪含量的下降与体重变化（r=0.642，P=0.033）、稳态指数
LGGNet：从脑机接口的局部-全局图表征中学习
摘要 — 神经心理学研究表明，不同大脑功能区域之间的合作活动推动了高级认知过程。为了了解大脑不同功能区域内和之间的大脑活动，我们提出了一种新型神经学启发式图神经网络 LGGNet，用于学习脑机接口 (BCI) 的脑电图 (EEG) 的局部-全局图表示。LGGNet 的输入层由一系列具有多尺度 1D 卷积核和内核级注意力融合的时间卷积组成。它捕获 EEG 的时间动态，然后将其作为所提出的局部和全局图过滤层的输入。LGGNet 使用一组定义的具有神经生理学意义的局部和全局图，对大脑功能区域内和之间的复杂关系进行建模。在稳健的嵌套交叉验证设置下，在三个公开可用的数据集上对四类认知分类任务（即注意力、疲劳、情绪和偏好分类任务）评估了所提出的方法。 LGGNet 与 DeepConvNet、EEGNet、R2G-STNN、TSception、RGNN、AMCNN-DGCN、HRNN 和 GraphNet 等最先进的方法进行了比较。结果表明，LGGNet 的表现优于这些方法，并且在大多数情况下，改进具有统计意义（p < 0.05）。结果表明，将神经科学先验知识引入神经网络设计可以提高分类性能。源代码可以在 https://github.com/yi-ding-cs/LGG 找到