XiaoMi-AI文件搜索系统
World File Search SystemRie
引用efe o，al jurdi A，Eiting MM，Marks CR，Cote MA，Wojciechowski D，Safa K，Gilligan H，Azzi J，Goyal J，Goyal N，Raynaud M，Loupy A，Loupy A，Weins A和Riella A和Riella A and Riella
蛋白尿与肾移植受者（KTRS）中同种异体移植和患者存活率的减少有关（1，2）。在钙调神经磷酸酶抑制剂上的KTR中，优化阻断肾素 - 血管紧张素 - 醛固酮系统（RAAS）的药物通常受到不良反应（例如高钾血症）的限制（3，4）。此外，没有随机对照试验研究了KTR中SGLT-2抑制剂的抗蛋白尿作用。因此，需要其他策略来减少蛋白尿中的蛋白尿和延长同种异体移植的存活。在患有足细胞病的患者和肾小球肾炎的患者中，钙调神经蛋白抑制剂（CNIS）通过免疫和非免疫作用降低蛋白尿，例如血管收缩和足细胞稳定作用（5）。另一方面，它们还可以通过多种机制引起蛋白尿，包括管状损伤，血栓性微血管病和肾小球硬化症（6-9）。- CNIS还可以通过氧化应激和血管收缩损害内皮功能，进一步导致肾小球损伤和蛋白尿。相比之下，Belatacept不具有这些血管活性特性，可能支持更健康的内皮和降低的蛋白尿。一些临床前研究假定了共刺激阻塞的抗蛋白尿作用（10，11）。在蛋白尿KTR的回顾性队列中，CNIS的BELATACEPT转化或雷帕霉素（MTOR）抑制剂的哺乳动物靶标与转化后12个月的蛋白尿降低有关（7）。但是，这没有
引用Ruths L，Hengge J，Teixeira GQ，Haffner-Luntzer M，Ignatius A和Riegger J（2025）终端补体补体在软骨细胞上>
肌肉骨骼疾病骨关节炎（OA）是全球老年人慢性疼痛和残疾的主要原因。oa可以在所有滑膜中找到，但在膝盖和臀部等重量关节中更为明显。膝关节中的病理变化不限于关节软骨，因为OA会影响整个关节，因此滑膜倾斜，骨肥大的形成，软骨下骨硬化和退化的韧带是OA的进一步标志（1，2）。OA的病因被认为是与全身和局部因素相互作用的多因素（例如，衰老，女性性别，遗传倾向和超重）（3）。局部危险因素还包括前创伤性损伤，例如半月板或韧带，关节内骨折和软骨病变（4）。数十年来，已经研究了原发性OA和创伤后OA（PTOA）的病原机制，但是，当前可用的治疗方法都无法可靠地防止OA进展（5，6）。先前的研究表明，补体系统和细胞衰老都参与OA发病机理和特异性靶向可能是OA治疗的未来方法。补体系统是先天免疫系统的重要组成部分，以前的研究表明，在OA和PTOA进展过程中，它至关重要（7-11）。与健康个体相比，在来自OA患者和急性膝盖损伤后的滑动流体中发现了包括C3A，C5B-9，C4D和C3BBBP在内的补体激活产物水平升高（12，13）。除了软骨细胞和滑膜细胞的局部表达外（10）外，由于膝关节损伤引起的出血（11），也可能受到关节内补体成分的水平。在OA进展过程中的补体激活被认为可以通过各种微环境变化（例如，增强的蛋白酶活性和ROS的积累）以及与损伤相关的分子模式（DAMP）促进。 后者包括在坏死细胞死亡和软骨降解期间释放的细胞和基质衍生的成分（例如，II型胶原蛋白的分解产物）（2，10，14，15）。 补体系统的激活以级联的方式发生，导致过敏毒素C3a和C5a的产生以及末端补体复合物的形成（TCC；也称为C5B-9）。在OA进展过程中的补体激活被认为可以通过各种微环境变化（例如，增强的蛋白酶活性和ROS的积累）以及与损伤相关的分子模式（DAMP）促进。后者包括在坏死细胞死亡和软骨降解期间释放的细胞和基质衍生的成分（例如，II型胶原蛋白的分解产物）（2，10，14，15）。补体系统的激活以级联的方式发生，导致过敏毒素C3a和C5a的产生以及末端补体复合物的形成（TCC；也称为C5B-9）。
引用了脉冲版本（APA）：Hanifi，S。M. A.，Fisherman，A。B.，Welaga，P.，Rieckmann，A.，Jensen，A。G.，Benn，C。，＆Aaby，P。（2021）。 Diphth
•您可以下载此工作仅供个人使用。•您不得进一步分发材料或将其用于任何盈利活动或商业收益•如果您认为本文档违反版权，请与我们联系以提供详细信息，我们将调查您的索赔，可以自由分发此开放访问版本的URL。请将所有查询转移到puresupport@bib.sdu.dk
研究经验
计划委员会CVPR地区主席。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。2025 ICCV区椅。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。2023 ISMAR。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。2021 CVMP。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>2018-2020富有表现力。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>2013-2015，2017-2017太平洋图形。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>2019 div>
审查Riemannian距离和分歧，应用于基于SSVEP的BCI
背景是大脑计算机界面（BCI）分类的第一代多通道脑电图（EEG）信号，通过优化的空间滤波器增强。第二代基于直接向前算法（例如最小距离至riemannian-mean）（MDRM）的直接算法，直接根据EEG信号估算了Covari-Ance矩阵。分类结果差异很大，具体取决于所选的riemannian距离或分歧，其定义和参考文献分布在广泛的数学上。方法本文审查了所有Riemannian距离和分歧，以处理协方差，并具有与BCI约束兼容的实现。使用不同指标的影响对稳态的视觉诱发电势（SSVEP）数据集进行了评估，从而评估了类别和clasifitation精度的中心。结果和结论Riemannian方法具有嵌入至关重要的特性来处理脑电图数据。Riemannian课程中心的表现要优于OfflINE和在线设置的欧几里得。一些Riemannian
黎曼切线空间中的联合对齐群体学习
摘要——在脑机接口（BCI）领域，学习模型通常针对每个受试者和每个会话分别进行训练，因为不同会话和不同受试者之间的数据并不一致。这里我们提出了一种小组学习的方法，即在联合调整多个主题和/或课程之后，使用它们同时进行学习。我们的方法受到盲源分离文献的启发。作为演示，我们在 22 个受试者的数据集上训练单一学习模型，并应用该组模型对所有受试者进行类似地预测测试数据。与传统的单独训练测试设置相比，我们观察到平均精度显著提高了 6.8 个点。我们的方法是通用的，可以用于任何应用程序。它还可用于训练需要大量数据的学习模型，例如深度神经网络。
使用谱聚类检测黎曼流形上的 BCI 的 EEG 异常值
摘要 — 自动检测和去除脑电图 (EEG) 异常值对于设计强大的脑机接口 (BCI) 至关重要。在本文中，我们提出了一种新的异常值检测方法，该方法适用于样本协方差矩阵 (SCM) 的黎曼流形。现有的异常值检测方法存在错误地将某些样本拒绝为异常值的风险，即使没有异常值，因为检测基于参考矩阵和阈值。为了解决这一限制，我们的方法黎曼谱聚类 (RiSC) 基于提出的相似性度量将 SCM 聚类为非异常值和异常值，从而检测异常值。这考虑了空间的黎曼几何，并放大了非异常值簇内的相似性并削弱了非异常值和异常值簇之间的相似性，而不是设置阈值。为了评估 RiSC 的性能，我们生成了受不同强度和数量的异常值污染的人工 EEG 数据集。比较 RiSC 与现有异常值检测方法之间的 Hit-False (HF) 差异，证实 RiSC 可以显著更好地检测异常值 (p < 0.001)。特别是，对于异常值污染最严重的数据集，RiSC 对 HF 差异的改善最大。
四肢瘫痪用户的长期 BCI 训练：自适应黎曼分类器和用户训练
基于脑电图 (EEG) 的脑机接口 (BCI) 通常被认为是针对运动障碍用户的有前途的辅助技术，但由于在现实生活中的可靠性低，在实验室外仍很少使用。因此，需要设计可供最终用户（例如严重运动障碍者）在实验室外使用的长期可靠的 BCI。因此，我们提出并评估了一种基于多类心理任务 (MT) 的 BCI 设计，用于为 CYBATHLON BCI 系列 2019 的四肢瘫痪用户进行纵向训练（3 个月内 20 次训练）。在本次 BCI 锦标赛中，四肢瘫痪的飞行员在赛车游戏中用精神驾驶虚拟汽车。我们旨在将渐进式用户 MT-BCI 训练与基于自适应黎曼分类器的新设计的机器学习流程相结合，该分类器已被证明有望在现实生活中应用。我们遵循两步训练过程：前 11 个课程用于训练用户通过执行两个认知任务（休息和心理减法）或两个运动想象任务（左手和右手）来控制 2 类 MT-BCI。第二个训练步骤（剩余 9 个课程）应用了自适应、独立于会话的黎曼分类器，该分类器结合了之前使用的所有 4 个 MT 类别。此外，由于我们的黎曼分类器以无监督的方式逐步更新，因此它将捕获会话内和会话之间的非平稳性。实验证据证实了这种方法的有效性。也就是说，与初始课程相比，训练结束时的分类准确率提高了约 30%。我们还研究了这种性能改进的神经相关性。使用新提出的 BCI 用户学习指标，我们可以显示我们的用户学会了通过产生越来越匹配 BCI 分类器训练数据分布的 EEG 信号来改善他的 BCI 控制，而不是通过改善他的 EEG 类别辨别。然而，由此产生的改进只对同步（基于提示）BCI 有效，并没有转化为 CYBATHLON BCI 游戏性能的提高。为了克服这个问题
基于类独特性的黎曼流形上基于振荡活动的 BCI 的频带选择：初步结果
摘要 — 众所周知，考虑用户特定设置可以增强脑机接口 (BCI) 的性能。特别是，振荡活动分类的最佳频带高度依赖于用户，过去二十年已经开发了许多频带选择方法。然而，这些传统方法是否可以有效地应用于黎曼 BCI 尚未得到很好的研究，黎曼 BCI 是一类新兴的 BCI 系统，与传统 BCI 管道不同，它利用了数据的非欧几里得性质。在本文中，我们提出了一种基于黎曼流形的新型频带选择方法。选择频带时，考虑到基于流形上的类间距离和类内方差量化的类独特性。该方法的一个优点是可以针对每个人调整频带，而无需进行密集的优化步骤。在使用基于运动想象的 BCI 公共数据集的比较实验中，我们的方法比固定宽频带和流行的传统频带选择方法的平均准确率有显著提高。尤其是，我们的方法显著提高了最初准确度较低的受试者的表现。这一初步结果表明，开发考虑流形属性的新用户特定设置算法的重要性，而不是直接应用在黎曼 BCI 兴起之前开发的方法。
具有间断性的 BCI 的黎曼通道选择......
摘要— 目标：会话间非平稳性是当前脑机接口 (BCI) 面临的主要挑战，会影响系统性能。在本文中，我们研究了使用通道选择来减少黎曼 BCI 分类器的会话间非平稳性。我们使用协方差矩阵的黎曼几何框架，因为它具有鲁棒性和良好的性能。当前的黎曼通道选择方法不考虑会话间非平稳性，通常在单个会话中进行测试。在这里，我们提出了一种新的通道选择方法，该方法专门考虑非平稳性影响，并在多会话 BCI 数据集上进行评估。方法：我们使用顺序浮动后向选择搜索策略删除最不重要的通道。我们的贡献包括：1) 在黎曼框架中通过不同标准量化多类问题中非平稳性对大脑活动的影响；2) 一种预测 BCI 性能是否可以通过通道选择提高的方法。结果：我们在三个基于多会话和多类心理任务 (MT) 的 BCI 数据集上评估了所提出的方法。与使用所有通道相比，它们可以显著提高受会话间非平稳性影响的数据集的性能，并且在所有数据集上都明显优于最先进的黎曼通道选择方法，尤其是在选择小通道集大小时。结论：通过通道选择降低非平稳性可以显著提高黎曼 BCI 分类准确性。意义：我们提出的通道选择方法有助于使黎曼 BCI 分类器对会话间非平稳性更具鲁棒性。索引词——脑机接口、EEG、黎曼流形、通道选择、非平稳性。