XiaoMi-AI文件搜索系统
World File Search Systemautomated
用于自动和通用突触事件分析的深度学习框架
1 苏黎世大学 (UZH) 分子生命科学系，瑞士苏黎世 8057 5 2 苏黎世神经科学中心，瑞士苏黎世 8057 6 3 弗莱堡大学医学院生理学研究所，Hermann-Herder-Str. 7，79104 弗莱堡，德国 7 4 苏黎世大学脑研究所，8057 苏黎世，瑞士 8 5 斯坦福大学神经生物学系，斯坦福，CA 94305，美国 9 6 斯坦福大学生物工程系，斯坦福，CA 94305，美国 10 7 弗里德里希·米歇尔生物医学研究所，4058 巴塞尔，瑞士 11 8 巴塞尔大学自然科学学院，4003 巴塞尔，瑞士 12 9 苏黎世大学大学研究优先计划 (URPP)，发展和学习中的自适应脑回路 (AdaBD)，8057 13 苏黎世，瑞士 14 * 通信地址：igor.delvendahl@physiologie.uni-freiburg.de 15
反馈驱动的脑器官平台可实现自动维护和高分辨率神经活动监控
对组织培养物，尤其是脑器官的分析需要复杂的整合和协调多种技术以监测和测量。我们已经开发了一个自动化的研究平台，可实现独立设备，以实现以反馈驱动的细胞培养研究的协作目标。我们的方法可以在各种感应和驱动设备之间的物联网（IoT）体系结构中进行连续，交流，非侵入性交互，从而确切地控制了体外生物学实验的时间。框架整合了微流体，电生理学和成像装置，以维持脑皮质器官，同时测量其神经元活性。类器官是用定制的3D打印室进行培养的，并固定在商业微电极阵列上。使用可授权的微流体泵实现周期性喂养。我们开发了一种计算机视觉量估计器，用作反馈，以纠正媒体喂养/抽吸周期中微流体灌注的偏差。我们通过一组为7天的小鼠大脑皮层器官进行了验证，比较了手动和自动化方案。在整个实验过程中维持鲁棒的神经活动时，对自动化方案进行了验证。自动化系统启用了7天研究的每小时电子生理记录。通过高频记录揭示了每个样本的中位神经单位射击率都会提高和器官射击率的动态模式。令人惊讶的是，进食不会影响率。此外，在录制过程中进行媒体交换表明对发射率没有急性影响，从而使该自动化平台用于试剂筛查研究。
使用LSST
上下文。与Vera C. Rubin天文台进行时空的传统调查（LSST）有望通过在包括难以捉摸的星际对象（ISOS）的各种对象上提供前所未有的数据来革新我们对太阳系的理解。检测和分类ISOS对于研究其他行星系统的材料的组成和多样性至关重要。但是，ISO的稀有性和简短观察窗口，再加上LSST生成的大量数据，为其识别和分类带来了重大挑战。目标。本研究的目的是通过探索机器学习算法在模拟LSST数据中的ISO曲目自动化中的应用来解决这些挑战。方法。我们采用了各种机器学习算法，包括随机森林（RFS），随机梯度下降（SGD），梯度增强机（GBMS）和神经网络（NNS），在模拟LSST数据中对ISO Tracklet进行了分类。结果。我们的结果表明，GBM和RF算法在准确区分ISO和其他太阳系对象中优于SGD和NN算法。RF分析表明，在从LSST轨迹分类中，许多派生的Digest2值比直接观察值（右提升，偏差和幅度）更重要。GBM模型达到了最高的精度，召回和F1得分，值分别为0.9987、0.9986和0.9987。结论。这些发现为使用LSST数据开发ISO发现的高效自动化系统奠定了基础，为更深入地理解材料和过程铺平了道路。将我们提出的机器学习方法集成到LSST数据处理管道中，将优化调查识别这些稀有和有价值的对象的潜力，从而及时进行后续观察并进一步表征。
引入新芽（使用阈值的区域输出的半自动化划分）：一种适应性的计算机视觉工具，用于生成3D分段
3D图像数据的可用性提高需要提高目前依赖手动标记的数字细分效率，尤其是在将结构分为多个组件时。自动化和半自动化的方法，例如深度学习和智能插值，但需要预先标记的数据，以及专门的硬件和软件。深度学习模型通常需要手动创建广泛的培训数据，尤其是对于复杂的多级分段。在这里，我们介绍了Sprout，这是一种新颖的，半自动化的计算机视觉方法，提供了时间效率且用户友好的管道，用于细分和分析图像数据。发芽基于指定的密度阈值和连接组件的侵蚀生成种子（代表对象的部分），以实现元素分离。种子生长以获得完全分类的分割。我们将Sprout的性能与智能插值的性能进行比较，并将其应用于不同的数据集，以证明此开源3D细分方法的实用性和多功能性。
自动运输对残疾人的影响
残疾人参与者可以在私人和共享自动化的车辆中看到一些好处。两种模式都具有众多安全益处的潜力，但自动化系统足够复杂以确保安全性。自动化的私家车将为用户提供更大的独立性和更多的旅程，而无需提供额外的帮助。参与者认为共同的自动运输也将能够提供改进的员工帮助，而自动化系统负责驾驶任务。此外，参与者认为自动化技术的持续开发可能会与可以提供改进的音频和视觉信息的技术相关联（例如专用智能手机应用程序）。
pipeasm：一种自动大型染色体规模基因组组装和评估的工具
。cc-by-nc-nd 4.0国际许可证。是根据作者/资助者提供的预印本（未经Peer Review的认证）提供的，他已授予Biorxiv的许可证，以在2024年10月24日发布的此版本中显示此版本的版权持有人。 https://doi.org/10.1101/2024.10.21.598381 doi：Biorxiv Preprint
基于选择性特征和可解释的人工智能预测自闭症谱系障碍的数据中心自动化方法
1 沙特阿拉伯艾卜哈国王哈立德大学计算机科学学院信息学与计算机系统系，2 安德森大学工程学院，美国南卡罗来纳州安德森，3 巴基斯坦巴哈瓦尔布尔伊斯兰大学计算机科学与信息技术系，4 沙特阿拉伯阿尔科巴尔穆罕默德·本·法赫德王子大学计算机工程与科学学院人工智能系，5 沙特阿拉伯利雅得诺拉·宾特·阿卜杜勒拉赫曼公主大学计算机与信息科学学院信息系统系，6 沙特阿拉伯阿尔哈吉萨塔姆·本·阿卜杜勒阿齐兹王子大学计算机工程与科学学院计算机科学系，7 沙特阿拉伯利雅得阿尔玛雷法大学应用科学学院计算机科学与信息系统系
恩格列净添加到自动胰岛素输送系统中对血糖结果不佳的 1 型糖尿病成人患者的有效性 - 一项随机对照平行试验
Melissa-Rosina Pasqua 博士，医学博士，麦吉尔大学健康中心 Ahmad Haidar 博士，哲学博士，麦吉尔大学健康中心 Michael Tsoukas 博士，医学博士，麦吉尔大学健康中心 Bruce Perkins 博士，医学博士，公共卫生硕士，FRCP(C)，西奈山医院 Alanna Weisman 博士，医学博士，哲学博士，西奈山医院 Rémi Rabasa-Lhoret 博士，医学博士，哲学博士，蒙特利尔诊所研究所 主办机构：
