XiaoMi-AI文件搜索系统
World File Search Systemcategorization
母亲的气味影响婴儿大脑对面部的快速分类
a 发育行为学和认知心理学小组，勃艮第弗朗什孔泰大学胃肠和营养科学中心，法国国家科学研究院，法国农业研究理事会，第戎，F-21000，法国 b 鲁汶大学神经科学研究所心理科学研究所，1348 Louvain-la-Neuve，比利时 c 洛林大学，法国国家科学研究院，CRAN，F-54000，南锡，法国 d 洛林大学，CHRU-Nancy，神经病学系，F-54000，南锡，法国 e 发展、个体、过程、残疾和教育实验室（DIPHE），发展、教育和脆弱心理学系（PsyDÉV），里昂大学（Lumière Lyon 2）心理学研究所，69676 Bron cedex，法国 * 通讯作者：Arnaud Leleu (arnaud.leleu@u-bourgogne.fr) 和 Jean-Yves Baudouin (j.baudouin@univ- lyon2.fr) 1 这些作者贡献相同 数据可用性声明
新育种技术的外行和科学分类：对食品政策和转基因生物立法的影响
Gervaise Debucquet 是 AUDENCIA 的副教授和研究员。她是一名农学家，拥有管理科学博士学位和心理社会学能力，从事与生命科学相关的跨学科研究。她的主要研究领域是食品风险认知、食品生物技术和纳米技术的接受度以及最近的可持续食品。 Régis Baron 自 1992 年以来一直在 IFREMER 担任生物技术研究员。其活动侧重于分析不同的过程，例如干燥熏制过程、化合物提取的反应性挤压、通过酶水解对海洋副产品进行生物精炼、贝类解毒、优化微生物（微藻和细菌）代谢物的产生以及微藻改良。 Mireille Cardinal 是 IFREMER 传感平台的负责人。食品工业工程师，拥有食品科学硕士学位，她的主要研究领域是海洋产品的感官品质，包括加工和品质之间的相互作用以及海鲜微生物生态系统知识。
根据机器学习应用程序的微生物组数据的全面概述：分类，可访问性和未来方向
宏基因组学，代谢组学和元蛋白质组学通过将独立的见解与其组成和功能潜力提供了无关的见解，从而显着提高了我们对微生物群落的了解。然而，这个领域的一个关键挑战是缺乏与原始数据相关的标准和全面的元数据，从而阻碍了执行强大的数据分层并考虑混杂因素的能力。在这篇全面的综述中，我们将公开可用的微生物组数据分为五种类型：shot弹枪测序，扩增子测序，元转录组，代谢组和元蛋白质组数据。我们探讨了元数据对数据再利用的重要性，并解决了收集标准化元数据的挑战。我们还评估收集宏基因组数据的现有公共存储库的元数据收集的局限性。本综述强调了元数据在解释和比较数据集中的重要作用，并强调了对标准化元数据协议的需求，以充分利用元基因组数据的潜力。此外，我们探讨了在元数据检索中实施机器学习（ML）的未来方向，并为有前途的途径提供了对微生物群落及其生态作用的更深入了解。利用这些工具将增强我们对各种生态系统中微生物功能能力和生态动态的见解。最后，我们强调了ML模型开发中至关重要的元数据作用。
第一部分：纳米载体的概述和分类
纳米载体——当前的知识状态 本报告总结了有关纳米载体的当前知识状态。纳米载体是具有独特物理化学性质的先进材料，可能对化学监管和风险评估带来特殊挑战。为此，我们准备了有关现有或正在开发的纳米载体及其（潜在）应用的文献综述。本报告的目的是首先全面描述纳米载体领域。基于纳米载体的工作定义，描述和分类了目前市场上的纳米载体类型和正在开发的新技术。此外，本报告概述了纳米载体的（潜在）应用领域及其当前的发展状况。
第一部分：纳米载体的概述和分类
纳米载体 - 当前知识状态本报告总结了有关纳米载体的当前知识状态。纳米载体是创新的材料（英语“高级材料”）具有独特的物理化学特性，可以为化学物质和风险评估的调节带来特殊的挑战。为此，创建了现有或开发纳米载体及其（潜在）应用的文献概述。本报告的目的是首先全面地表征纳米载体的面积。基于纳米载体的工作定义，当前市场上的两种类型的纳米载体类型都被描述并分类并归类为开发中的新技术。此外，该报告概述了纳米载体的应用领域及其开发水平。
dod 指令 4165.03 dod 不动产分类
术语定义基本类别三位数代码，用于表示类别组内的设施类型。CATCODE军事部门和 WHS 使用的五位数或六位数代码，用于表示特定类型的设施。每个 CATCODE 都映射到特定的 FAC 代码，包括使用分配给该 FAC 代码的计量单位类别组两位数代码，用于表示设施类别中的主要设施类型。设施在国防部指令 4165.14 中定义。FAC 代码国防部模式中的四位数代码。具有共同计量单位和基于该计量单位的等价成本的不动产资产分组。此等价成本包括与不动产建设、维护、维持和维修相关的成本。设施类别一位数代码，用于表示国防部设施最广泛的分组。
数据驱动的机器学习模型，用于解码诱发大脑反应的语音分类
抽象目标。对音频的分类感知（CP）对于了解人脑认为尽管声学特性的广泛可变性是如何感知语音的至关重要。在这里，我们研究了反映语音CP的听觉神经活动的时空特征（即将语音原型与模棱两可的语音分开）。方法。我们记录了64次通道脑电图，因为听众沿声音连续体迅速分类元音。我们使用支持向量机分类器和稳定性选择来确定何时何地在大脑CP中通过对事件相关电位的源级分析在空间和时间上最好地解码。主要结果。我们发现早期（120毫秒）全脑数据解码语音类别（即原型与模棱两可的代币）的精度为95.16％（曲线下的面积为95.14％； F 1分95.00％）。在左半球（LH）和右半球（RH）响应上进行单独的分析表明，LH解码比RH更准确，更早（89.03％vs. 86.45％的精度； 140 ms vs. 200 ms）。稳定性（特征）选择确定了68个大脑区域中的13个兴趣区域（包括听觉皮层，上部回旋和下额回（IFG）]，在刺激编码过程中显示出分类表示（0-260毫秒）。相比之下，有必要15个ROI（包括额叶 - 顶部区域，IFG，运动皮层）来描述以后的分类阶段（后来300-800毫秒），但这些区域与听众的分类听证会的强度高度相关（即意义。行为识别函数的斜率）。我们的数据驱动的多元模型表明，在语音处理的时间过程中，抽象类别出人意料地出现了早期（〜120毫秒），并由相对紧凑的额叶临时 - 直脑脑网络的参与来控制。
新育种技术的科学分类
新型基因育种技术的快速发展伴随着围绕其风险的两极化争论。关于公众对这些技术的看法的研究落后于科学发展。本研究测试了一种揭示普通人对不同基因技术的看法和态度的方法。目的是让普通人了解新型基因育种技术的关键原理，并允许将其分类模式与科学专家的分类模式进行比较。自由分类任务和焦点小组相结合的方法表明，参与者区分了不会引起 DNA 序列任何变化的技术，并应用两种不同的逻辑对其他育种技术进行分类：笛卡尔逻辑和具有不同价值观的自然主义逻辑。普通分类与当前对基因育种技术的科学分类有很大不同。这些发现对食品创新政策和转基因生物立法具有重要意义。
单次脑电图解码揭示了驱动快速语音分类决策的功能性大脑连接的独特状态
摘要 目的。分类感知 (CP) 是语音感知的固有属性。听众对语音识别的感知反应时间 (RT) 对个体差异高度敏感。虽然已经从大脑区域对行为的贡献角度对 CP 的神经相关性进行了深入研究，但表示听众对语音分类的速度 (RT) 的个体差异的功能连接模式尚不清楚。在本研究中，我们介绍了一种新方法来解决这些问题。方法。我们对 EEG 采用了几种计算方法，包括图挖掘、机器学习（即支持向量机）和稳定性选择，以研究预测听众行为决策速度的独特大脑状态（功能性神经连接）。主要结果。我们推断：(i) 听者的感知速度与其大脑连接组的动态变化直接相关，(ii) 全局网络的协同性和效率区分了快速、中速和慢速 RT，(iii) 对于较慢的 RT，加速决策背后的功能网络的负协同性增加（即变为不协同），(iv) 较慢的分类语音决策导致神经资源的过度使用和 CP 回路内更异常的信息流，(v) 反应较慢的人倾向于过度（或不恰当地）使用功能性大脑网络，而反应较快的人（全局效率较低）使用相同的神经通路但组织更受限制。意义。研究结果表明，神经分类器 (SVM) 加上稳定性选择可以正确地从功能连接中对行为 RT 进行分类，准确率超过 92%（AUC = 0.9）。我们的结果证实了以前的研究，通过使用完全数据驱动的方法支持 CP 中相似的颞叶（STG）、顶叶、运动和前额叶区域的参与。
交叉分类的概率模型
大多数自然领域可以通过多种方式表示：我们可以根据其营养内容或社会角色对食物进行分类，动物的分类学群体或其生态壁ni，以及乐器根据其分类学cate-cate-gore-gore或社会用途。对人类分类进行建模的先前方法在很大程度上忽略了交叉分类的问题，专注于学习一个单一的类别系统，这些类别可以解释所有功能。跨类别提出了一个困难的概率：我们如何在不首先知道该类别要解释的情况下推断类别？我们提出了一个新型模型，该模型表明人类跨类别是关于多个类别系统及其解释的特征的联合推断的结果。我们还为交叉分类行为形式化了两个常见的替代解释：第一个特征和对象 - 第一个方法。第一种方法表明，交叉分类是注意力程序的结果，其中特征是通过注意机制选择的，并且类别是第二个。对象 - 第一个方法表明，跨属性是重复的，顺序解释特征的连续性尝试，其中类别是第一个派生的，然后重新解释的特征。我们提出了两组模拟和实验，以测试模型对人类分类的预测。2011 Elsevier B.V.保留所有权利。我们发现，基于共同推论的方法为人类分类行为提供了最佳拟合，我们建议对人类类别学习的完整说明需要纳入类似于这些能力的东西。