XiaoMi-AI文件搜索系统
World File Search SystemSpect
机器学习在人类细菌 MALDI-TOF 质谱分析中的应用：系统评价
摘要 — 细菌鉴定、抗生素耐药性预测和菌株分型是临床微生物学中的关键任务，对于指导患者治疗和控制传染病的传播至关重要。虽然机器学习 (ML) 和深度学习 (DL) 在增强 MALDI-TOF 质谱应用方面显示出巨大的前景，但仍然缺乏从技术角度进行的全面审查。为了弥补这一差距，我们系统地回顾了 2004 年至 2024 年期间发表的 93 项研究，重点关注关键的 ML/DL 方面，例如数据大小和平衡、预处理流程、峰值选择方法、算法、评估技术以及开源数据和代码的可用性。我们的分析强调了随机森林和支持向量机等经典 ML 模型的主要用途，以及人们对使用 DL 方法处理复杂高维数据的兴趣。尽管取得了重大进展，但预处理工作流程不一致、依赖黑盒模型、外部验证有限以及开源资源不足等挑战仍然存在，阻碍了透明度、可重复性和更广泛的采用。通过解决这些关键差距，本综述提供了可行的见解，以弥合微生物学和技术视角之间的鸿沟，为诊断微生物学中更强大、可扩展和可解释的解决方案铺平了道路。
MUSICiAn：通过无控制突变谱分析对参与 DNA 修复的基因进行全基因组识别
动机：了解 DNA 双链断裂 (DSB) 修复所涉及的因素对于开发靶向抗癌疗法至关重要，但许多基因的作用仍不清楚。最近的研究表明，某些基因的扰动可以改变 DSB 修复后留下的序列特异性突变的分布。这表明全基因组筛选可以通过识别基因来揭示新的 DSB 修复因子，这些基因的扰动会导致在给定 DSB 位点观察到的突变分布谱与野生型有显著偏差。然而，为全基因组扰动筛选设计适当的对照可能具有挑战性。我们探索了这样一种想法，即全基因组筛选可能允许我们放弃使用传统的非靶向对照，方法是将分析重新定义为异常值检测问题，假设大多数基因对 DSB 修复的影响最小。结果：我们提出了 MUSICiAn（突变特征目录分析），这是一种组合数据分析方法，通过测量所有光谱分布与集中趋势的偏差，对没有对照的基因扰动特定突变谱进行排序。我们表明 MUSICiAn 可以有效估计现有 Repair-seq 数据集的伪对照，筛选 476 个基因和 60 个非靶向对照。我们进一步将 MUSICiAn 应用于全基因组数据集，该数据集分析了 CRISPR-Cas9 在三个靶位点诱导的突变结果，这些突变发生在细胞中，每个细胞的个体扰动为 18,406 个基因。MUSICiAn 成功恢复了已知基因，突出了剪接体在 DSB 修复中不太受重视的作用，并揭示了进一步研究的候选基因。可用：github.com/joanagoncalveslab/MUSICiAn。
深度卷积神经网络在脑电图中的应用：原始数据与光谱特征
摘要 — 深度学习在计算机视觉领域的成功启发了科学界探索新的分析方法。在神经科学领域，特别是在电生理神经成像领域，研究人员开始探索利用深度学习来预测他们的数据，而无需进行广泛的特征工程。本文使用两种不同的深度卷积神经架构比较了使用经过最低限度处理的 EEG 原始数据的深度学习与使用 EEG 光谱特征的深度学习。其中一个来自 Putten 等人 (2018)，专门用于处理原始数据；另一个来自 VGG16 视觉网络 (Simonyan and Zisserman, 2015)，旨在处理 EEG 光谱特征。我们应用它们对来自 1,574 名参与者的大型语料库的 24 通道 EEG 进行性别分类。我们不仅改进了此类分类问题的最新分类性能，而且还表明在所有情况下，与光谱 EEG 特征相比，原始数据分类可带来更出色的性能。有趣的是，我们表明，专门用于处理 EEG 频谱特征的神经网络在应用于原始数据分类时性能有所提高。我们的方法表明，用于处理 EEG 频谱特征的相同卷积网络在应用于 EEG 原始数据时可产生优异的性能。
自闭症谱系障碍检测的深度分析......
摘要：自闭症谱系障碍 (ASD) 是一种神经发育障碍，其特征是感觉敏感性，例如对声音、气味或触摸的异常反应。传统的自闭症筛查方法通常成本高昂且耗时。随着人工智能的进步，自闭症的早期预测变得更加可行。该项目专注于使用深度学习技术来提高自闭症的早期发现。具体来说，我们采用以高效和准确著称的 Mobile Net 算法来构建和评估预测模型。Mobile Net 能够以减少的计算资源处理复杂模式，使其成为这项任务的合适选择，有可能增强早期诊断和干预策略。 关键词：自闭症谱系障碍 (ASD)、机器学习、深度学习、MobileNet、Svm、CNN 1. 简介 自闭症或自闭症谱系障碍 (ASD) 是一种影响一个人如何感知世界和与他人互动的发育障碍。自闭症之所以被称为“谱系”，是因为它包括一系列以社交技能、重复行为、言语和非言语交流方面的挑战为特征的疾病。每个自闭症患者的经历都不同，严重程度也各不相同。自闭症是一种影响大脑功能的神经发育障碍。它可以发生在任何年龄，但通常发生在儿童时期；大多数 2 或 3 岁的儿童患自闭症的几率更大[1]。它是遗传和环境因素共同作用的结果。自闭症不是一种疾病，而是一种神经系统疾病，患儿无法集中注意力、思考、学习、专注和解决问题。他们很难通过面部表情或手势来解释事物。患有自闭症的孩子面临各种挑战，例如 1. 注意力不集中 2. 一遍又一遍地重复同一个词 3. 不像同龄的正常孩子那样与其他人互动/避免互动 4. 无法理解手势、面部表情 5. 对感觉、触觉、嗅觉或言语非常敏感。 6. 声音音调和身体姿势异常 7. 他们兴趣有限
应用傅立叶变换红外光谱（...
抽象的傅立叶变换红外光谱（FTIR）是一种具有傅立叶变换的红外光谱，用于检测和分析光谱结果。此方法用于定性和定量分析波数范围14000 cm -1 –10 cm -1的有机和无机分子。基于这些波数，红外区域分为三个区域，即近红外，中红外和远红外。该方法中使用的工具是FTIR分光光度计，其工作原理基于能量与材料之间的相互作用。这种方法是快速，无损，简单的样品制备，易用性，使用少量溶剂，因此与其他HPLC和光谱方法相比，它在环保方面友好。但是，此方法中的采样空间相对较小，因此可以阻止红外线。使用的研究方法是来自2005 - 2023年期间出版年的20条研究文章的系统文献综述（SLR）。基于对阿莫西林，五氧环肽，环丙沙星，双氯氟乙烯酸钠，头孢曲松钠，ibuprofen，valsartan和cefadroxil化合物在药物中可以使用这种方法进行分析和有机化的构造的结果。根据印尼药典IV版，分析的所有化合物浓度符合内容要求，该版本不少于90％，不超过110％。
ssm2mel：从EEG
摘要 - 从大脑信号中介绍语音是一个具有挑战性的研究问题，对于研究大脑的语音处理至关重要。尽管在重建受试者在单词或字母水平上使用非入侵脑电图（EEG）所感知的主体所感知的音频刺激的MEL频谱已经取得了突破，但精确地重建连续的语音特征的精确重建连续的语音特征，尤其是在微小的水平上仍然存在关键的差距。为了解决这个问题，本文提出了一个状态空间模型（SSM），以重建来自脑电图的连续语音的MEL频谱，名为SSM2Mel。该模型引入了一个新型的MAMBA模块，以有效地对EEG信号的长序列进行建模，以进行想象的语音。在SSM2MEL模型中，S4-UNET结构用于增强EEG信号的局部特征的提取，并且使用嵌入强度调节器（ESM）模块用于合并主体特定信息。实验结果表明，我们的模型在Sparrkulee数据集上达到了0.069的Pearson相关性，这比上一个基线提高了38％。索引项 - 电子皮质学（EEG），MEL频谱图，多头自我注意力，状态空间模型，想象的语音。
磁控共溅射生长的富 Ge Al2O3 薄膜相变的光谱表征
研究了不同 Ge 含量的 Ge-rich-Al 2 O 3 薄膜在热刺激下光学和结构特性的演变。发现无论 Ge 含量如何，沉积态薄膜和在 TA 550 C 下退火的薄膜都是非晶态的。非晶态 Ge 团簇在 TA = 550 C 时形成，而在 TA = 600 C 时它们的结晶化最为明显，Ge 含量越高，退火时间越短。在 TA = 550 C 下退火的薄膜显示出宽广的光致发光光谱。其形状和强度取决于 Ge 含量和激发能量。在 TA = 600 C 下退火会导致出现额外的 UV 带，这些带源自 GeO x 相覆盖的 Ge 团簇的形成。对激发光谱进行了分析，以区分这些薄膜中的发光机制，并区分 Ge 相（非晶团簇和/或纳米晶体）中载流子复合的贡献以及通过界面或宿主缺陷的贡献。还估算了自由载流子的浓度和迁移率。
垂直 GaN-on-GaN 肖特基势垒二极管中的深能级瞬态傅里叶光谱 (DLTFS) 和等温瞬态光谱 (ITS)
P. Vigneshwara Raja、Christophe Raynaud、Camille Sonneville、Hervé Morel、Luong Viet Phung 等人。垂直 GaN-on-GaN 肖特基势垒二极管中的深能级瞬态傅里叶光谱 (DLTFS) 和等温瞬态光谱 (ITS)。微纳米结构，2022 年，172，第 207433 页。�10.1016/j.micrna.2022.207433�。�hal-04032160�
链接的基因组学测序和质谱学多模式数据集以及用于微生物应变库中的简化天然产物的模型
预印本（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此版本的版权持有人于2025年1月21日发布。 https://doi.org/10.1101/2025.01.20.633932 doi：biorxiv Preprint
性能分析和改进电化学阻抗光谱范围用于在线估计电池参数
此在线数据库包含1954年从1954年前进的温莎大学学生的博士学位论文和硕士学位论文的全文。这些文件仅用于个人研究和研究目的，根据《加拿大版权法》和《创意共享许可》（CCC BY-NC-ND）（归因，非商业，无衍生作品）。根据本许可，必须始终将作品归因于版权持有人（原始作者），不能用于任何商业目的，并且不得更改。任何其他用途都需要获得版权持有人的许可。学生可以询问从该数据库中撤回其论文和/或论文。有关其他查询，请通过电子邮件（scholarship@uwindsor.ca）或电话519-253-3000EXT与存储库管理员联系。3208。