XiaoMi-AI文件搜索系统
World File Search SystemRuan
金融科技的使用和废弃信用：当购买付费时
∗ We thank Tobias Berg, Frederic Boissay, Kaiji Chen, Will Cong, Ed deHaan, Hanming Fang, Andreas Fuster, Zhiguo He, Sean Higgins, Claire Hong (discussant), Yi Huang, Yang Ji, Leonardo Gambacorta, Josh Lerner, Xiang Li, Tong Liu, Congrong Ouyang, Ruolan Ouyang（讨论者），Wenlan Qian（讨论者），Tianyue Ruan，Tarun Ramadorai，Jose Scheinkman，Jose Scheinkman，Shang-Jin Wei，Wei Xiong，Yunqi Zhang，Yunqi Zhang，以及Nber Charter经济工作组在2024年2024年，中国经济工作组，中国Fintech研究会议（CFTRC 2024），CCER SUMMER INSPER，CCER SUMMER INSPER，CCER SUMMER INSPER，CCER SUMMER INSPER，20224，以及20224 Fintech和BIS研究研讨会的有用建议和评论。作者承认并感谢数字经济开放研究平台（www.deor.org.cn）的支持。所有数据均已采样并脱敏，并在蚂蚁组环境中对蚂蚁开放研究实验室进行了远程分析，这只可以远程访问以进行经验分析。我们感谢Fang Wang，Jian Hou，Shuo Shan，Yao He和Xian Jian为进行调查的数据和歌曲Han提供了促进。本文中的观点仅是作者的观点，不一定反映了银行的国际定居点。所有错误都是我们自己的。†yfdong2021@nsd.pku.edu.cn。北京大学国立发展学院‡jyhu@nsd.pku.edu.cn。北京大学国家发展学院中国经济研究中心；北京大学数字金融研究所。§yhuang@nsd.pku.edu.cn。北京大学国家发展学院中国经济研究中心；北京大学数字金融学院。¶han.qiu@bis.org。国际定居点银行。” yingguang.zhang@gsm.pku.edu.cn。北京大学管理学院。
机械工程系
机械工程系学者所作的世界级研究成果得到了不同方面的认可。根据斯坦福大学最近编制并于 2021 年 10 月发布的“标准化引文指标的科学范围作者数据库更新”，20 名机械工程系学者（其中 12 名是现任机械工程系成员）因其职业生涯引用影响力而跻身其主要学科领域中全球被引用次数最多的科学家前 2%。尤其是陈国华教授，在化学工程领域被引用次数最多的科学家中排名第 13 位。此外，张晓博士被列为理大八位被科睿唯安列入“2021 年高被引研究人员”名单的学者之一。该名单确定了全球最具影响力的学者，他们研究成果卓越，由其在各自领域发表的多篇高被引论文确定，这些论文的引用次数均位列前 1%。机械工程系同事一直积极寻求研究合作。报告期内，本院获得多项合作研究项目，包括阮海辉博士与伯恩光学（香港）有限公司的产业合作项目（550 万港元）。郑光平博士与郑州大学郑新成教授合作的绿色科技项目“一种安全、高效、简便的储氢和制氢方法：固态储氢材料的催化水解”（330 万港元）。21/22 年，本院与多伦多大学、天津大学和西北工业大学分别成功获得三项一般研究资助。与非本地博士后联合培养计划成功实施
使用社交媒体数据
I. i ntroduction 1。由于近年来神经网络和计算能力的显着进步，生成人工智能（此后的“ Genai”）基于输入数据和适当的提示产生响应，在各种自然语言处理任务中取得了尖端的绩效，包括信息摘要和答案。与依赖于预定词典的传统情感分析方法不同（Tetlock（2007）以及Loughran和McDonald（2011）），最近的研究表明，Genai可以在特定上下文中准确评估单词的情感价值2，尽管在不同的环境中，单词传达的情感可能会差异很大（Ruan等。（2020））。3除准确性外，Genai的评估比基于手动标记的文献中使用的人类评估和传统的机器学习方法更有效（Liu（2010））。实际上，这些较旧的做法是耗时的，容易出错的，并且在大规模上不切实际。相反，Genai提供了一种新方法，可以帮助解决以前棘手的问题（BIS（2024a））。2。利用专门从事中国任务的内部genai（s i cored a I refore a a i reearch a ssistant，“ sara”），根据社交媒体文字和视频，在中国大陆的住房市场中开发了每日情绪指数，以追踪中国大陆的住房市场，以增强对全面和及时的方式的监视。接下来，我们证明该指数是房地产销售的领先指标，并表现出色的方法。4特别是，我们首先构建了从2013年开始的Genai驱动的住房市场情绪指数，此前几个必要的步骤，包括消除已识别的社会机器人和网络巨魔。此外，我们将我们的分析扩展到了国家情绪指数之外，并以更精细的水平发展住房市场情感指数，利用Genai的强大理解和推理能力来识别地区。
hello@acoerela.com - 铼生物
1. Zhou, C., Chia, GWN, Ho, JS, Moreland, AS, Seviour, T., Liedberg, B., Parikh, AN, Kjelleberg, S., Hinks, J., & Bazan, GC (2019). 链延长的寡苯乙烯电解质可提高微生物膜稳定性。Advanced Materials, 31(18)。https://doi.org/10.1002/adma.201808021 2. Zhou, C., Ho, JS, Chia, GWN, Moreland, AS, Ruan, L., Liedberg, B., Kjelleberg, S., Hinks, J., & Bazan, GC (2020)。使用共轭寡电解质进行革兰氏分型。Advanced Functional Materials, 30(42)。 https://doi.org/10.1002/adfm.202004068 3. Zhou, C.、Li, Z.、Zhu, Z.、Chia, GWN、Mikhailovsky, A.、Vázquez, RJ、Chan、SJW、Li, K.、Liu, B. 和 Bazan, GC (2022)。用于通过增量 NIR-II 发射进行长期肿瘤追踪的共轭寡电解质。先进材料，34(20).https://doi.org/10.1002/adma.202201989 4. Zhou, C.、Cox-Vázquez、SJ、Chia、GWN、Vázquez、RJ、Lai、HY、Chan、SJW、Limwongyut, J. 和 Bazan, GC (2023)。基于共轭寡电解质的水溶性细胞外囊泡探针。Science Advances，9(2)。https://doi.org/10.1126/sciadv.ade2996 5. Pham, TT、Le, AH、Dang, CP、Chong, SY、Vinh, D.、Peng, B.、Jayasinghe, MK、Ong, HB、Hoang, DP、Louise, RA、Loh, Y.、Hou, HW、Wang, J. 和 Le, MT (2023)。巨噬细胞对红细胞细胞外囊泡的内吞作用导致细胞质血红素释放并防止动脉粥样硬化中的泡沫细胞形成。Journal of Extracellular Vesicles，12(8)。https://doi.org/10.1002/jev2.12354
4D核心项目的当前状态和未来目标
Job Dekker，1，2， *弗兰克·阿尔伯（Frank Alber），3莎拉·奥夫姆科尔克（Sarah Aufmkolk），4布莱恩·J·利沃（Brian J. Liveau），5贝诺伊特·布鲁诺（Benoit G. 5大卫·吉尔伯特（David M. Gilbert），托马斯·格雷戈里（Thomas Gregory）），szhong@ucsd.edu（s.z。）https://doi.org/10.1016/j.molcel。https://doi.org/10.1016/j.molcel。公园，4 Jennifer E. Phillips-Cremins，18 Katherine S. Pollard，6，12，23 Susanne M. Rafelski，19 Bing Ren，9 Yijun Ruan，20 Yalon Shav-Tal，21 Yin Shen，12 Shen，Shen，12 Shen， Caterina Strambio-de-Castillia，1 Anastassiia Vertii，1 Huaiying Zhang，17岁，Sheng Zhong 9和Sheng Zhong 9， * 1 1， * 1，马萨诸塞州陈年大学，马萨诸塞州波士顿，美国马萨诸塞州2 CA, USA 4 Harvard Medical School, Boston, MA, USA 5 University of Washington, Seattle, Waldtle, Waldstestone Institutes, San Francisco, Ca, USA 7 University of Illinois Urbana-Chapaign, Urbana, il, USA 9 University of California, Lanford, Ca, Ca, Ca, Ca, Ca, Ca, Ca, Ca, Ca, Ca, Ca, Ca, Ca, Ca, Ca, Ca, Ca,美国10普林斯顿大学，美国新泽西州普林斯顿大学11马萨诸塞州技术研究所，美国马萨诸塞州剑桥市12矿石，Balmore，Balmore，Balmore，Balmore，Balmore，Balmore，Balmore，Balmore，Balmore，Balmore，Balmore，Balmore，Balmore，Balmore，Balmore，Balmore，Balmore，Balmore，Balmore，Balmore，Balmore，Balmore，Balmore，Balmore，Balmore，Balmore，Balmore，Balmore，Balmore，Balmore，Balmore，Balmore，Balmore，Balmore，Balmore，Balmore，Balmore，Balmore，Balmore，Balmore，Balmore，Balmore，Balmore。美国，美国德克萨斯州休斯顿休斯敦市16号北卡罗来纳大学，美国北卡罗来纳州教堂山吉林斯全球公共卫生学院17卡内基梅隆大学，美国宾夕法尼亚州匹兹堡，美国18吉吉安格大学，杭州，中国，巴 - 伊兰大学21号，拉马特·甘，以色列22圣地亚哥生物医学研究所，加利福尼亚州圣地亚哥，美国23 Chan Zuckerberg Biiohub，San Francisco，San Francisco，San Francisco，CA，美国加利福尼亚州，美国加利福尼亚州。
圣地亚哥UC
J. Adam 6，L。Adams2，J ER。 Bielcik 14，J。Bielcikova38，L。Bland6，I。G。Borcy 3，J。D。Brandenburg 49，45， J. M. Campbell 39，D。Cebra8，I。Chacaberia29，6，P。Challopka14，B。K。Song 9，F-H。 Chang 37，Chang 6，N。Chankova-Bunzarova 28，A。Chatterjee 11，D。Chen 10，J。H. Chen 18，X。Chen 48，J。Cheng Choudhury 18，W。Christie6，X。Chu6，A. derevchikov 43，L。Didenko6，x O. Evdokimov 12，A。Ewigleben32， 6，A。Francisco 64，L。Fulek 2，C S. S.A. Mazer 46，K。Meehan 8，N。G. Minae 43，St.Michael 55 55，B。Morozov 46，M。Nagy 16，J。D. Nam 54，医学博士。 太阳12，Y。 太阳48，Y。A. Mazer 46，K。Meehan 8，N。G. Minae 43，St.Michael 55 55，B。Morozov 46，M。Nagy 16，J。D. Nam 54，医学博士。太阳12，Y。太阳48，Y。26，St. Heppelmann 8，St。Heppelmann42，N。Herrmann19，E。 ，X。Huang57，T。J。诸法39， Jowsaee 63，X。Ju 48，E。G. Judd 7，St.Kabana 53，M。L. Kabir 10，St.Kagamaster 32，D。Calinkin 25，K。Kang 57， 29，A。Kechechan 28，M。Celes 31，35 35 35，D。P. Kiko The 62，C。Kim 10，CIM 8 8，D。Kiseel 62，M。Kocan 14，L。Kochenda 35，L。K. Elayvalli 63，J。H. Care 25，R。Lacey 52，圣约翰浸信会6，J。Lauret 6，A。 ，W。Li45，x刘64，X。Liu39，Y R. My 6，Y。G. My 50，N。Magdy 12，R。Majka 64，D。 A. P. Suaide 47，M。Schumble 38，B。Summa 42，X。M. Sun 11，X。26，St. Heppelmann 8，St。Heppelmann42，N。Herrmann19，E。 ，X。Huang57，T。J。诸法39， Jowsaee 63，X。Ju 48，E。G. Judd 7，St.Kabana 53，M。L. Kabir 10，St.Kagamaster 32，D。Calinkin 25，K。Kang 57， 29，A。Kechechan 28，M。Celes 31，35 35 35，D。P. Kiko The 62，C。Kim 10，CIM 8 8，D。Kiseel 62，M。Kocan 14，L。Kochenda 35，L。K. Elayvalli 63，J。H. Care 25，R。Lacey 52，圣约翰浸信会6，J。Lauret 6，A。 ，W。Li45，x刘64，X。Liu39，Y R. My 6，Y。G. My 50，N。Magdy 12，R。Majka 64，D。A. P. Suaide 47，M。Schumble 38，B。Summa 42，X。M. Sun 11，X。A. P. Suaide 47，M。Schumble 38，B。Summa 42，X。M. Sun 11，X。我们的22，K。Nayak 11，D。Ne试9，J。M. Nelson 7，D。B. Nemes 64，M。Nie 49，G。Nigmatkululov 35，T。Niid 58，L。V. Nogach 58，L。Nogach 58，L。Nogach 58，A。Nogas 58，A。Nogas 58，A。Nora 58，A。A. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. S. Nunes 6，G。Odnic 31，A。Ogawa 6，S。OH 31，V。A. Ocorocov 35，B。S. Page 6，R。Pak 6，A。Pandav 36，Y。Panbratsev 28，B。Pawlitsev 28，B。Pawl 40，B。 11，C。Perkins 7，L。Pinsky 20，R。L. Pint´er 16，J。Plut 62，J。Porter 31，M。Possik 54，N。Pruhi 41，M。调整2，J。Puthi 63，J。Putschke 63，H。Qiu 26，A。 Quintero 54，S。K. Radhakrishnan 29，S。Ramachandran 30，R。L. Ray 56，R。Reed 32，H。G. Ritter 31，J.B. Roberts 45，O。V. Rogachevskiy 28，J。L. Romero 8，L。Ruan 6，J。Ruan 38，N。R. Sahoo 49，H。Salur 58，Salur 46，J。Salur 46，J。Salur 46，J。Sandwess 64，J。Sandwess 64，S。Sandweiss 64，S。Sandweiss 64，S.Sato 58，W。B. B. B. B. B. B. B. B. B. B. B. B. B. B. B. B. B. B. B. B. B. B. B. B. B. B. B. Schmidke 6 , N. Schmitz 33 , B. Schweid 52 , F. Seck 15 , J. Seger 13 , M. Sergeeva 9 , R. Seal 10 , P. Seyboth 33 , N. Shah 24 , E. Shahliev 28 , E. Shahalev 28 , P. V. V. Sanganganathan 6 , P. V. V. Shanmunathan 6 , E M. Shao 48，F。Shen 49，W。Q. Shen 50，S。Shi 11，Q. Y. Shu 50，E。P. Sichtermann 31，R。Sikora 2，M。Simko 38，J。Singh 41，S。S. Singh 41，S。Singh 41，S。S. Singh 26，S。Singh 26，S。Singh 26，N。Smirnov 64，N。Smirnov 64， ，W。Solyst25，P。Sensen6，H。Spink4，B。Srivastava44，T。D。D. S. S. S. Stanislaus 60，M。Stefaniak62，D.J.Stewart 64，M。Strikhanov35，B。stringFellow35，B。stringfellow35，B。stringfellow44，A.B. Roberts 45，O。V. Rogachevskiy 28，J。L. Romero 8，L。Ruan 6，J。Ruan 38，N。R. Sahoo 49，H。Salur 58，Salur 46，J。Salur 46，J。Salur 46，J。Sandwess 64，J。Sandwess 64，S。Sandweiss 64，S。Sandweiss 64，S.Sato 58，W。B. B. B. B. B. B. B. B. B. B. B. B. B. B. B. B. B. B. B. B. B. B. B. B. B. B. B. Schmidke 6 , N. Schmitz 33 , B. Schweid 52 , F. Seck 15 , J. Seger 13 , M. Sergeeva 9 , R. Seal 10 , P. Seyboth 33 , N. Shah 24 , E. Shahliev 28 , E. Shahalev 28 , P. V. V. Sanganganathan 6 , P. V. V. Shanmunathan 6 , E M. Shao 48，F。Shen 49，W。Q. Shen 50，S。Shi 11，Q. Y. Shu 50，E。P. Sichtermann 31，R。Sikora 2，M。Simko 38，J。Singh 41，S。S. Singh 41，S。Singh 41，S。S. Singh 26，S。Singh 26，S。Singh 26，N。Smirnov 64，N。Smirnov 64， ，W。Solyst25，P。Sensen6，H。Spink4，B。Srivastava44，T。D。D. S. S. S. Stanislaus 60，M。Stefaniak62，D.J.Stewart 64，M。Strikhanov35，B。stringFellow35，B。stringfellow35，B。stringfellow44，A.Sun 21，B。Surrow 54，D。N. Svirian 3，P。手术62，A。H. Tang 6，Z。Tang 48，A。Tang 35，T。T. T. T. T. T. T. T. T. T. T. T. T. T. T. T. T. T. T. T. T. T. T. T. T. T. , M. Tokared 28 , C. A. Tomkiel 32 , S. Trentalage 9 , R. E. Tribble 55 , P. Tribedy 6 , S. Tribeyy 16 , O. Tsai 9 , Z. Tosai 6 , T. G. U. G. G. G. G. G. G. G. G. G. G. G. G. G. G. G. G. G. G. G. G. G. G. G. G. G. G. G. G. G. G. G. G. G. G. G. G. G. G. G. Upper 4 ，6，G。VanBuren 6，J。Vank38，A。Vasiliev43，I。Vassyliev17，F。Videbæk6，S。Vokal28，S。A。Vokal 63，F。Wang44，G。Wang9，J。S。Wang 21，J。S。Wang 21，J。S。Wang 21，J。S。Wang 21， P. Wang 48，Y. Wang 11，Y. Wang 57，Z. Wang 49，J.C.C.C. Web 6，P.C。Wedenk19，L。Wen9，G。Wen34，H。Weman31，H。Wemank 31，H。Wemank 31，S。Wissink 31，S。Wissink 25，R。Wit 59，Y。 WU 10，Z. G. Xiao 57，G。Xie 31，W。Xie 44，H。Xu 21，N。Xu 31，N。Xu 31，Y。Xu 50，Y。Xu 50，Y。Xu 50，Y。Xu 49，Y。Xu 6，Y。Xu 6，Z。Xu 9，Z。Xu 9，Z。Xu 9，Z。Xu 9，Z。Xu 9，Q. Yang 49，Q. Yang 49，Q. Q. Yang 49，Q. Yang Yang 49。 ，S。Yang 6，Yang 37，Z. Yang 11，Z.是45，Z.是12，L。Yi 49，K。Yif 6，H。Zbroszczyk 62，W。Zha 48，W。Zha 48，W。Zha 11，D。Zhang 11，D。Zhang 11，S。Zhang 48，S。Zhang 48，S。 x。 31，M。Zyzak 17
多用途先进功能材料，第二卷
根据形态和来源，纳米级纤维素（即纳米纤维素）可分为三类，包括纤维素纳米晶体（CNC）、纤维素纳米纤维（CNF）和细菌纳米纤维素（BNC）。前两类来自植物（Yadav et al., 2021），而细菌纳米纤维素来自微生物（Ullah et al., 2017）。此外，纳米纤维素还可从藻类（Ruan et al., 2018）和动物（Bacakova et al., 2019）中获得，也可以通过无细胞酶系统合成（Kim et al., 2019）。目前，纳米纤维素的研究主要从三个方面进行：生产、品质提升和功能化，以用于各种生物技术应用。例如，植物纤维素含有木质素、半纤维素和矿物质，应将其去除以获得高纯度和质量的纳米纤维素（Ul-Islam 等，2019a）。为此，人们已开展努力来开发绿色方法，以尽量减少或避免使用木质纤维素材料水解所需的有毒化学品。另一方面，细菌生产 BNC 的产量和生产率低，生产成本高。因此，已采用菌株改良、共培养、开发工程菌株和先进反应器等多种策略来提高 BNC 的产量和生产率（Islam 等，2017；Sajadi 等，2019；Moradi 等，2021）。同时，不同的农业工业废弃物已被用作细菌生产BNC的碳源（Velásquez-Riaño和Bojacá，2017年；Ul-Islam等，2020年；Zhou等，2021年）。同样，虽然不同类型的纳米纤维素具有令人印象深刻的形态和物理化学特性并且无毒，但它们不具备材料的一些理想特性，如粘合位点、抗菌和抗氧化活性、电磁特性和催化活性，因此需要进一步改性（Picheth等，2017年；Vilela等，2019年）。由于相似的表面化学性质，所有类型的纳米纤维素都通过相同的化学策略进行改性，如酯化（Spinella 等人，2016 年）、醚化（De La Motte 等人，2011 年）、酰胺化（Kim 等人，2015 年）和氧化（Khattak 等人，2021 年），以及通过氢键、静电相互作用、亲水/疏水相互作用和 π - π 堆积进行物理改性，其中纤维素的游离 OH 基团直接与富电子的胺基、氧原子和羧基相互作用并形成氢键（Ullah 等人，2019 年）。由于不同类型的纳米纤维素具有独特的表面化学性质、多样性和令人印象深刻的特性，它们可应用于生物医学（Wang 等人，2021 年）、环境（Shoukat 等人，2019 年）、纺织（Felgueiras 等人，2021 年）、制药（Raghav 等人，2021 年）、能源（Zhang 等人，2020 年）、增材制造（Fourmann 等人，2021 年）、化妆品（Bianchet 等人，
医疗保健领域的人工智能 - AIS 电子图书馆
医疗保健中的人工智能 Keng Siau siauk@mst.edu；Linrui Han lhvpc@mst.edu；Ru Lian rlnbw@mst.edu；Yitian Luo ylcb5@mst.edu；Zhihui Ruan zrr8p@mst.edu 我们生活在信息时代。人工智能 (AI) 和大数据极大地影响了我们的日常生活。近年来，医疗保健行业受益于技术的快速发展 (Siau & Shen, 2002, 2006)。人工智能技术也已应用于医疗保健的许多领域，例如临床实践、支持医院工作和疾病预防 (Wang & Siau, 2019; Stephanidis, 2019)。例如，临床决策支持系统 (CDSS) 可以通过多种方式协助医疗保健，包括诊断、治疗 (Lysaght、Lim、Xafis 和 Ngiam，2019 年)、警报系统、处方和药物控制 (Sutton 等人，2020 年)。此外，还开发了一些基于人工智能的机器人来执行常规任务，以支持医院专业人员 (Blechar 和 Zalewska，2019 年)。但在医疗保健中使用人工智能仍面临许多挑战。例如，道德挑战、隐私挑战以及无法解释的人工智能（即黑匣子）的问题 (Siau 和 Wang，2020 年)。这些挑战影响信任建立。本研究将研究人工智能在医疗保健行业的应用，并确定由道德和隐私挑战引起的问题。研究涉及访谈和调查。将进行定性案例研究，以研究如何在医疗保健行业中使用 AI 并提高医疗保健专业人员的工作效率。将对在医疗保健领域实施 AI 技术的 IT 和医疗保健公司的高管进行访谈。将使用调查对定性数据进行三角测量。研究 AI 在医疗保健中的应用对医疗保健行业至关重要，尤其是在我们正面临 COVID-19 造成的严重大流行的时候。这项研究的结果将使学者和专业人士受益。参考文献 Blechar, L., & Zalewska, P. (2019).机器人在改善护士工作中的作用。Pielegniarstwo XXI Wieku / Nursing in the 21st Century, 18(3), 174-182。Lysaght, T., Lim, H. Y., Xafis, V., & Ngiam, K. Y.(2019)。医疗保健中的人工智能辅助决策。亚洲生物伦理评论，11(3)，299-314。Siau, K. & Shen, Z.(2002)。供应链管理中的移动商务应用。互联网商务杂志，1(3)，3-14。Siau, K. & Shen, Z.(2006)。移动医疗信息学。医学信息学和医学互联网，31(2)，89-99。Siau, K. & Wang, W. (2020)。人工智能 (AI) 伦理：AI 伦理和道德 AI。数据库管理杂志，31(2)，74-87。Stephanidis, C. 等人。(2019)。七大 HCI 挑战。国际人机交互杂志 35(14)，1229-1269。Sutton, R. T.、Pincock, D.、Baumgart, D. C.、Sadowski, D. C.、Fedorak, R. N. 和 Kroeker, K. I.(2020)。临床决策支持系统概述：优势、风险和成功策略。Npj Digital Medicine，3(1)。Wang, W. 和 Siau, K. (2019)。人工智能、机器学习、自动化、机器人、工作的未来和人类的未来——回顾和研究议程。数据库管理杂志，30(1)，61-79。
基于双向特征金字塔注意的时间卷积网络模型用于运动想象脑电图分类
脑机接口 (BCI) 是一种新兴的交互式通信方法，通过解码大脑活动产生的信号，实现对假肢和外部设备的神经控制，以及中风后运动康复。这种最先进的技术有可能彻底改变生活的各个方面，并显着提高整体生活质量。BCI 具有广泛的应用范围，从医疗援助到人类增强（Ahmed 等人，2022 年；Altaheri 等人，2023 年）。通常，脑电图 (EEG) 信号反映大脑的电活动，并通过在头皮上放置电极阵列来非侵入式地记录。获得真实值（时间和通道）二维 EEG 信号矩阵使人与外部设备之间的直接通信成为可能（Graimann 等人，2010 年）。运动想象 (MI) 是一种思考如何移动身体的某个部位而不移动身体的活动。基于 EEG 的 MI 活动已广泛应用于车辆控制、无人机控制、环境控制、智能家居、安全和其他非医疗领域（Altaheri 等人，2023 年）。然而，解码 MI-EEG 信号仍然是一项具有挑战性的任务。在此任务中，其他生理信号（例如面部肌肉活动、眨眼和环境中的电磁干扰）会污染记录的 MI-EEG 信号并导致信噪比低（Lotte 等人，2018 年）。MI-EEG 模式的个体差异受到参与者大脑结构和功能差异的影响。此外，EEG 系统在信号通道之间表现出一定程度的相关性，这进一步使信号处理过程复杂化（Altaheri 等人，2022 年）。在对 EEG 信号进行分类和识别的传统方法中，通常依赖于领域特定知识。这导致人们更加关注开发有效的特征提取和分类技术，这主要是由于 EEG 信号固有的低信噪比（ Huang et al., 2019 ）。人们通常使用各种特征提取方法，包括独立成分分析（ Barbati et al., 2004 ； Delorme and Makeig, 2004 ； Porcaro et al., 2015 ； Ruan et al., 2018 ）、小波变换（ Xu et al., 2018 ）、共同空间模式（ Gaur et al., 2021 ）和经验模态分解（ Tang et al., 2020 ）。在对 EEG 信号进行预处理后，从处理后的信号中提取基本特征并输入分类器以确定输入实例的类别（ Vaid et al., 2015 ）。传统的特征提取方法通常涉及手工设计的特征提取器，例如滤波器组共享空间模式 (FBCSP) (Ang et al., 2008) 或黎曼协方差 (Hersche et al., 2018) 特征。Ang et al.（2012）使用滤波器组公共空间模式（FBCSP）算法来优化MI-EEG上公共空间模式（CSP）的受试者特定频带，然后采用基于互信息的最佳个体特征（MIBIF）算法和基于互信息的粗糙集约简（MIRSR）算法从信号中提取判别性的CSP特征。最后，我们使用CSP算法进行分类并获得了良好的性能。值得注意的是，所有这些步骤都非常耗时。虽然传统方法通过预处理方法提高了EEG信号的信噪比，但从不同时间戳和受试者采集的EEG信号通常
引文 Licata JP, Gerstenhaber JA 和 Lelkes PI (2025) 用于体外电刺激心脏细胞的新型低成本生物反应器。前沿。生物
动脉、植入式设备（如起搏器或植入式除颤器），或在最极端的情况下移植整个心脏（Aronow，2009）。然而，这些疗法并不能直接修复心脏受损的组织。为此，人们进行了无数次尝试，将干细胞衍生的心肌细胞（CM）直接整合到梗塞的心脏中（Silver 等人，2021），无论是单细胞植入（Lee 等人，2024）还是实验室制造的心脏贴片（Liu 等人，2024）。迄今为止，仍然存在阻碍这些治疗成功的重大挑战，例如细胞保留（Wu 等人，2021 年）、由于干细胞分化不完全而导致的畸胎瘤形成风险（Kawamura 等人，2016 年）或缺乏电生理整合（Gepstein 等人，2010 年；Liao 等人，2010 年）。解决这些问题的一步是持续生成干细胞衍生的成熟 CM，这些 CM 在移植后可以通过连接蛋白电耦合到现有的心脏组织（Roell 等人，2007 年）并对电信号作出反应以控制心跳（Mandel 等人，2012 年）。电信号对于体内心脏组织的发育非常重要（Thomas 等人，2018 年；Hirota 等人，1985 年）。体外电刺激 (ES) 此前已被探索作为心脏细胞成熟和功能的调节剂，特别是在人类诱导多能干细胞衍生的 CM (hiPSC-CM) 中 (Ronaldson-Bouchard 等人，2019 年；Ma 等人，2018 年；Hernández 等人，2018 年)。然而，这些研究的结果并不一致。虽然大多数研究表明，一定量的直接耦合脉动 ES 有利于 CM 成熟，但尚未就最佳刺激参数达成共识，包括刺激信号的频率、幅度和脉冲持续时间 (Dai 等人，2021 年)。虽然大多数已发表的研究都是使用 3 – 6 V/cm 范围内的电场强度进行的（Ruan 等人，2016 年；Crestani 等人，2020 年；Chan 等人，2013 年），但其他研究报告称 ES 低至 2 V/cm（Hirt 等人，2014 年）或高达 9 V/cm（Ronaldson-Bouchard 等人，2018 年）。研究在 ES 信号的频率（Tandon 等人，2011 年）和持续时间（Geng 等人，2018 年；Yoshida 等人，2019 年）以及开始此类刺激的发育时间点（Crestani 等人，2020 年；LaBarge 等人，2019 年）方面也存在显著差异。个别研究可能会同时改变多个参数，例如：电刺激的幅度、脉冲频率、持续时间和发展时间。鉴于其中一些研究（Gabetti 等人，2023 年；Hu 等人，2024 年）报告了多个参数变化的结果，但没有适当的控制，因此很难区分哪些参数对于指导心脏分化至关重要。生物反应器是动态细胞和组织培养容器，用于为体外生长的细胞提供刺激，从而重现静态培养条件下通常找不到的环境线索（Licata 等人，2023 年）。尽管最近开发了生物反应器来向心脏细胞传递电信号，但作者往往未能提供足够的细节来确保工作可以重现（Gabetti 等人，2023 年；Hu 等人，2024 年）。在本研究中，我们提出了一种生物反应器，用于精确、可控的电刺激体外生长在 2D 单层或 3D 球体中的细胞。该生物反应器设计用于低剪切流体混合，以增强营养物质的利用率，同时还允许在整个实验期间使用