XiaoMi-AI文件搜索系统
World File Search SystemResting
血小板脱粒的定量超分辨率成像揭示了von Willebrand因子和von Willebrand因子的差异释放从alpha-Granules
f i g u r e 1 vwf和VWFPP静止血小板的定位。（a，b）静止的血小板被染色为α-微管蛋白（洋红色），vWF（红色，小鼠单克隆抗VWF，clb-rag20）和（a）vwfpp（green）或（b）纤维化（a）。（c）为α-微管蛋白（洋红色），vWF（红色，兔多克隆抗VWF，dako）和sparc（绿色）染色的静止血小板。成像是通过SIM进行的，显示了代表性的高分辨率单平面，宏伟的图像。黄色正方形内包含单个颗粒的区域在右侧（黄色正方形）上放大。比例尺表示1μm。 （d，e）VWF与α颗粒蛋白VWFPP，SPARC和纤维化的共定位分析。（d）Pearson的共定位系数（PCC）和（E）对单个血小板图像（VWF-VWFPP n = 239，VWF-SPARC N = 199，VWF-FIBLIN N = 73）的成对曼德斯的共定位系数（MCC），与VWF相比，VARC与VWF相比，vwf-fibrin n = 199，vwf-sparc n = 199，vwf-fibrin n = 73）bars表示为95％顺式的平均值，平均PCC和MCC值在图的顶部。SIM，结构化照明显微镜； Sparc，分泌的蛋白质酸性和富含半胱氨酸； vwf，von Willebrand因素； VWFPP，VWF丙肽。
脑电图记录中的错误通道检测
摘要：脑电图 (EEG) 广泛应用于临床应用和基础研究。干脑电图为游戏和神经反馈期间的自我应用等新领域开辟了应用领域。在记录过程中，信号总是受到伪影的影响。手动检测坏通道是凝胶和干脑电图的黄金标准，但很耗时。我们提出了一种简单而强大的方法，用于自动检测脑电图中的坏通道。我们的方法基于对每个通道标准差的迭代计算。这些标准差的统计测量可作为坏通道检测的指标。我们将新方法与从手动识别的脑电图记录坏通道获得的结果进行了比较。我们分析了闭眼静息状态下的脑电图信号和头部运动数据集。结果显示，凝胶和干脑电图的静息状态脑电图准确率为 99.69%。对于两种设置中带有头部运动的数据集，我们的新方法的准确率为 99.38%。手动识别不良通道的黄金标准与我们的迭代标准差方法之间没有显著差异。因此，所提出的迭代标准差方法可用于静息态和运动脑电图记录中的不良通道检测。
使用小波变换和长期术语记忆网络
摘要：通常使用试验期产生的所需的血液动力学响应函数（DHRF）来识别功能近红外光谱的活化通道。但是，在未知的试验期内无法使用这种方法。在本文中，提出了一种不使用DHRF的创新方法，该方法使用最大重叠离散小波变换在静止状态下提取闪烁的信号，确定与生理噪声相对应的低频小波，并使用长期术语内存网络训练它们，并预测它们在训练它们，并预测他们在任务过程中进行训练。预测的动机是在任务开始时保持生理噪声的相位信息，这是可能的，因为信号从静止状态延伸到任务会话。该技术将静息状态数据分解为九个小波，并使用第五到第九波进行学习和预测。在第八波小波中，从15-S预测窗口中使用和没有DHRF之间的预测误差差似乎是最大的。考虑到激活周期在生理噪声附近时消除生理噪声的困难，当不适用常规方法时，提出的方法可以是一种替代解决方案。在被动脑计算机界面中，估计大脑信号启动时间是必要的。
花旗匹配参考指南 - 亚太地区
（a）可以将路由到我们算法的订单重定向到花旗匹配，无论是流动订单还是休息订单（b）订单（b）订单可以直接路由到花旗匹配时（C）确定Citi匹配中流动订单的订单大小资格，包括各种因素，包括PTS场地流动性的可用性*。（d）花旗比赛订单将始终以优于或等于TSE的可用报价价格的价格匹配。（请参阅：（1）确定匹配价格）（e）在花旗比赛中不匹配的订单将以花旗比赛的“休息订单”持有，或者以“流订单”的方式重定向。（f）流订单可以直接送到场地，也可以送到我们的智能订单路由器（“ SOR”），该路由器将订单与TSE和PTS场地（Japannext，cboe）
来自健康受试者的生成全脑动力学模型预测单个患者水平的中风的功能改变
计算全脑模型基于局部模型，区域间功能相互作用以及指定区域间连接强度的结构连接组来描述每个大脑区域的静息活动。损害了构成这些模型的骨干的健康构成构成连接组，并在区域间功能相互作用中产生巨大变化。这些相互作用通常是通过将两个大脑区域之间的活动的时间序列相关联，该过程称为静止功能连接。我们表明，添加有关患者病变产生的结构断开信息的信息，以前是先前对来自大量健康受试者的结构和功能数据进行培训的全脑模型，可以预测患者的静止功能连接性，并直接适合该模型的数据，直接适合患者的数据（Pearson Earleration = 0.37 = 0.37 = 0.37;均一差异= 0.005）。此外，模型动力学再现了基于功能连通性的措施，这些措施通常是中风患者中的MAL和特异性分离这些异常的措施。因此，尽管全脑模型通常涉及大量自由参数，但结果表明，即使固定了这些参数，该模型也会从与训练模型的人群截然不同的人群中重现。除了验证模型外，这些结果还表明，该模型可以机械地捕获解剖结构与人脑的功能活性之间的关系。
长期心血管死亡和疾病的深度学习心电图风险评分
心电图（ECG）是最常执行的心血管诊断测试，但尚不清楚有关长期心血管风险所包含多少信息的信息。在这里，我们报告说，仅基于休息的心电图，深层卷积神经网络可以准确预测心血管死亡率和疾病的长期风险。使用在斯坦福大学医学中心收集的大量静止的12铅ECG数据集，我们开发了斯坦福大学心电图风险估计器Seer。SEER在斯坦福大学的持有测试集中预测，接收器操作员特征曲线（AUC）下的面积为0.83，而在锡达尔斯西尼阿莱医学中心和哥伦比亚大学欧文大学欧文大学欧文中心进行独立评估时，AUC分别为0.78和0.83。SEER预测5年动脉粥样硬化疾病（ASCVD）为0.67，类似于ASCVD风险的合并队列方程，而仅适度相关。与合并的队列方程式结合使用时，SEER会准确地将16％的患者从低风险中重新分类，从而发现一组为9.9％的10年ASCVD风险的群体，这些风险否则不会以其他方式指示他汀类药物治疗。seer还可以预测其他几种心血管疾病，例如心力衰竭和心房。仅使用ECG的铅I，它可以预测5年心血管死亡率，AUC为0.80。seer与汇总队列方程式和其他风险工具一起使用，可以大大改善心血管风险层面的策略，并有助于医疗决策。
使用 3D 卷积神经网络评估 fMRI 数据中增强方法对自闭症谱系障碍进行分类的效果
摘要：在过去的 10 年中，使用神经影像数据将受试者分类为健康或患病引起了广泛关注，最近，人们使用了不同的深度学习方法。尽管如此，还没有任何研究关于 3D 增强如何帮助创建更大的数据集，而这需要训练具有数百万个参数的深度网络。在本研究中，深度学习被应用于静息状态功能 MRI 数据的导数，以研究不同的 3D 增强技术如何影响测试准确性。具体来说，ABIDE（自闭症脑成像数据交换）预处理中的 1112 名受试者的静息状态导数被用于训练 3D 卷积神经网络 (CNN)，以根据自闭症谱系障碍的存在与否对每个受试者进行分类。结果表明，增强只能为测试准确性提供微小的改进。
基底神经节 - 丘脑的因果相互作用。
受试者保持身体姿势不做任何计划好的动作，并在运动任务条件下，受试者用右手重复进行手指伸展/屈曲。BOLD 对比图像（4x4x4 毫米体素平面分辨率；回波平面成像重复时间为 1.6 秒；回波时间 21.6 毫秒；翻转角度 90º）以 100 个体积的块形式按照以下顺序记录：运动阻滞→静止阻滞→运动阻滞→静止阻滞（每个受试者 400 个总体积 = 100 个体积 x 2 个运动阻滞 x 2 个静止阻滞）。fMRI 数据与 3D 解剖图像（1x1x1 毫米体素分辨率；重复时间 7.6 毫秒；回波时间 1.6 毫秒；翻转角度 12º；250 x 250 毫米视野；256x256 采样矩阵）联合注册。所有数据集都标准化到 Talairach 空间（表 1 显示了 ROI 的位置和大小）。
身体健康和运动训练对患有和没有糖尿病的人类和高脂肪饮食饮食饮食小鼠模型的人类皮下脂肪组织的影响
注意：数据是中位数（第1;第三四分之一），非参数ANOVA（Kruskal-Wallis测试）和两尾Mann-Whitney U测试，并适用于Dunn's和Bonferroni调整。hba1c，FPG，TG，HDL，LDL，FFA，HSCRP，HCL和全身胰岛素敏感性（M值）。粗体表示相应比较之间差异的显着或趋势。缩写：BMI，体重指数；骗子，耐葡萄糖的人； FFA，游离脂肪酸； FPG，禁食等离子体葡萄糖水平； HBA1C，糖基化血红蛋白； HCl，肝细胞脂质含量； HDL，高密度脂蛋白； H型，身体高的人； HSCRP，高敏性C反应蛋白； LDL，低密度脂蛋白； L型，身体低适合的人； REE基础，在禁食条件下静止的能量支出； REE胰岛素刺激了夹具期间的静止能量消耗； T2D，2型糖尿病； TG，甘油三酸酯。
使用JNN
抽象心力衰竭是全球死亡的主要原因。早期检测和干预对于改善积极结果的机会至关重要。本研究提出了一种新的方法，可以预测使用神经网络模型患有心力衰竭的人的可能性。数据集包含918个样品，具有11个特征，例如年龄，性别，胸痛类型，静息血压，胆固醇，空腹血糖，静静心心电图结果，最大的心率，达到的最大心率，运动诱导的心绞痛，Oldpeak，Oldpeak，ST_SLOPE和心脏疾病。在数据集上训练了具有四层（1输入和1个输出）的神经网络模型，并获得了90％的精度，平均误差为0.009。发现心力衰竭预测中最有影响力的因素是Oldpeak，ST_SLOPE，性别，禁食库，ChestPainType，锻炼，胆固醇，胆固醇，Restingbp，Maxhr，Maxhr，静林BP，静林BP和年龄。这项研究为早期发现和干预心力衰竭提供了宝贵的工具，从而为健康和医学领域做出了贡献。