XiaoMi-AI文件搜索系统
World File Search Systemcation
基于深度第二代小波自动编码器的曲波池化脑病理分类
神经系统疾病代表与人类神经系统相关的异常。它们还包含中枢神经系统、脊髓或大脑的生化、解剖或电改变。这些疾病会引发不同的症状。及早诊断此类变化对于治疗是必要的，目的是限制疾病进展。本文介绍了一种精确的 CAD 系统来对脑 MRI 进行分类，该系统克服了模式分类中的关键问题，例如在训练阶段提取某些特征。我们的贡献是融合第二代小波 (SGW) 网络和深度学习架构，从而提出了用于模式分类的新型监督特征提取方法。我们的新型架构允许通过重建深度堆叠的第二代小波自动编码器来对数据集类别进行分类。将曲波池化 (CP) 与 Adam 梯度计算方法相结合可以提高自动编码器的准确性。在本研究中，我们利用 Haar 曲线波 (CurvPool-AH) 和 Shannon 曲线波 (CurvPool-AS) 构建了 Adam CP。该网络可以通过多个 SGW 自动编码器实现，最终在最后一层使用一个 Softmax 分类器。我们还发现 CurvPool 表现相当不错
NaxNiyMn1-yO2 阴极中氧阴离子氧化还原活性与平面蜂窝状阳离子排序的相关性
此外，当 TMO 充电至更高电压时，晶格氧可以参与阴离子氧化还原以补偿电荷。[15,16] 因此，氧化还原反应会在首次充电时贡献额外的容量。由于晶格结构内的氧损失，相关容量在接下来的循环中通常可逆性要低得多。[17-19] 此外，过渡金属离子可以在晶格氧氧化还原反应过程中迁移到钠离子层，导致层状 TMO 的结构变形。[20,21] 因此，高能量密度 SIB 正极设计需要了解层状 TMO 中的氧阴离子氧化还原活性，以更好地设计正极材料，提高氧化还原活性的可逆性，从而稳定循环性能。层状钠 TMO 的晶格氧氧化还原活性已通过多种原位或非原位技术进行了表征，例如拉曼光谱、X 射线光电子光谱和 X 射线吸收光谱。[22 – 24] 结果通常揭示有关充电或放电时表面氧局部电子态变化的信息。[18,25,26] 此外，了解本体（晶格）氧氧化还原活性对于解释相关的晶格结构变化和电化学过程的可逆性至关重要。
基于切线空间的逻辑回归跨学科学习，用于增强运动想象分类
摘要 — 脑机接口 (BCI) 的性能通常会受到影响，因为记录的 EEG 信号本身具有非平稳性，且不同受试者之间存在高度差异。本研究提出了一种新方法，使用基于切线空间的迁移学习 (LR-TSTL) 的逻辑回归来解决基于运动想象 (MI) 的 BCI 分类问题。从 EEG 信号计算出的单次试验协方差矩阵 (CM) 特征被转换为黎曼几何框架，并且通过考虑下三角矩阵来计算切线空间特征。然后使用逻辑回归模型对它们进行进一步分类，以提高分类准确性。在健康受试者的数据集以及中风患者的数据集上测试了 LR-TSTL 的性能。与现有的受试者内学习方法相比，所提出的方法在平均分类准确率 (78.95 ± 11.68%) 方面给出了相同或更好的性能，同时应用于健康受试者的留一跨受试者学习。有趣的是，对于患者数据集，LR-TSTL 显著（p < 0.05）超越了当前基准性能，平均分类准确率为 81.75 ± 6.88%。结果表明，所提出的跨学科学习方法有可能实现下一代无校准 BCI 技术，并具有增强的实用性，尤其是在针对中风患者的神经康复 BCI 设计的情况下。
AI算法审计和数据集测试（AA＆DT）用于医学成像行业添加剂制造 - 用于添加剂制造中的定向能量沉积（DED）过程 - 规格
定向能源沉积（DED）添加剂制造（AM）可以减少成本，交货时间和材料浪费。它通过以高沉积速率融化和沉积材料来创建零件的能力来实现这一目标。成本，交货时间和材料浪费的减少对制造零件有重大影响。
炔基苯并噁嗪和二氢喹唑啉作为半胱氨酸靶向共价弹头及其在选择性不可逆分子识别中的应用
摘要：随着人们对共价药物兴趣的复苏，需要识别能够形成半胱氨酸键的新部分，这些部分与常用系统（例如丙烯酰胺）有所区别。在此，我们报告了能够与半胱氨酸发生共价反应的新型炔基苯并恶嗪和二氢喹唑啉部分的发现。通过位点选择性蛋白质修饰和掺入激酶药物骨架，证明了它们作为化学生物探针和药物分子的替代亲电弹头的实用性。与相关的丙烯酰胺基抑制剂相比，鉴定出一种强效的 JAK3 激酶共价抑制剂，其在激酶组中具有优异的选择性，并且体外药代动力学特征有所改善。此外，使用新型杂环作为半胱氨酸反应性弹头来靶向 c-KIT 中的 Cys788，而丙烯酰胺此前无法在该位置形成共价相互作用。这些新的反应性和选择性杂环弹头补充了目前半胱氨酸共价修饰的全部内容，同时避免了通常与已建立的部分相关的一些限制。■ 简介
文章 Neuroscope：用于卷积神经网络语义分割和图像分类的可解释 AI 工具箱
摘要：对人工智能 (AI) 预测的信任是广泛接受新技术的关键点，尤其是在自动驾驶等敏感领域。因此，对用于深度学习图像的解释 AI 的工具的需求迫在眉睫。我们提出的工具箱 Neuroscope 通过提供用于图像分类的最先进的可视化算法和用于卷积神经网络 (CNN) 语义分割的新方法来满足这一需求。凭借其易于使用的图形用户界面 (GUI)，它可在 CNN 的所有层上提供可视化。由于其开放的模型视图控制器架构，使用 Keras 和 PyTorch 生成和训练的网络是可处理的，并且具有允许扩展到其他框架的接口。我们以交通场景分析为例展示了 Neuroscope 提供的解释能力。
使用基于表面肌电信号的用户独立分类方法控制电动轮椅
摘要 轮椅因其舒适性和机动性而成为运动障碍人士中最受欢迎的辅助技术 (AT) 之一。手指有问题的人可能会发现使用传统的操纵杆控制方法操作轮椅很困难。因此，在本研究中，开发了一种基于手势的控制方法来操作电动轮椅 (EPW)。本研究选择了基于舒适度的手部位置来确定停止动作。还进行了额外的探索以研究四种手势识别方法：线性回归 (LR)、正则化线性回归 (RLR)、决策树 (DT) 和多类支持向量机 (MC-SVM)。前两种方法 LR 和 RLR 的准确率分别为 94.85% 和 95.88%，但每个新用户都必须接受培训。为了克服这个限制，本研究探索了两种独立于用户的分类方法：MC-SVM 和 DT。这些方法有效地解决了手指依赖性问题，并在识别不同用户的手势方面取得了显著的成功。MC-SVM 的准确率和准确度约为 99.05%，DT 的准确率和准确度约为 97.77%。所有六名参与者都成功控制了 EPW，没有发生任何碰撞。根据实验结果，所提出的方法具有很高的准确性，并且可以解决手指依赖性问题。
GPT-2 机器生成的合成生物信号通过数据增强改善 EEG 和 EMG 的分类
摘要 — 合成数据增强对于机器学习分类至关重要，特别是对于生物数据，因为生物数据往往是高维且稀缺的。机器人控制和增强在残疾人和健全人中的应用仍然主要依赖于针对特定对象的分析。这些分析很少能推广到整个人群，而且似乎使简单的动作识别（例如机器人假肢和操纵器的抓握和释放）过于复杂。我们首次展示了多个 GPT-2 模型可以机器生成合成生物信号（EMG 和 EEG）并改善真实数据分类。仅基于 GPT-2 生成的 EEG 数据训练的模型可以以 74.71% 的准确率对真实 EEG 数据集进行分类，而基于 GPT-2 EMG 数据训练的模型可以以 78.24% 的准确率对真实 EMG 数据进行分类。在对 EEG 和 EMG 模型进行基准测试时，在每个交叉验证折叠中引入合成数据和校准数据。结果表明，使用其中一种或两种附加数据都可以改进算法。随机森林对 EEG 的分类准确率平均为 95.81% (1.46)，当在训练期间引入合成的 GPT-2 EEG 信号时，该准确率上升到 96.69% (1.12)。同样，当训练数据通过合成 EMG 信号增强时，随机森林对 EMG 的分类准确率从 93.62% (0.8) 提高到 93.9% (0.59)。此外，正如预测的那样，使用合成生物信号进行增强还会提高训练期间未观察到的新受试者数据的分类准确率。最终使用 Robotiq 2F-85 夹持器进行实时手势控制，合成 EMG 数据增强显著提高了手势识别准确率，从 68.29% 提高到 89.5%。
营养和能量传感器 mTORC1 和 AMPK 可能参与非后生动物细胞命运分化
mTORC1 和 AMPK 是相互拮抗的营养和能量状态传感器，与许多人类疾病有关，包括癌症、阿尔茨海默病、肥胖症和 2 型糖尿病。社会性变形虫 Dictyostelium discoideum 的饥饿细胞会聚集并最终形成由柄细胞和孢子组成的子实体。我们关注如何实现细胞命运的这种分歧。在生长过程中，mTORC1 高度活跃，而 AMPK 相对不活跃。饥饿时，AMPK 被激活而 mTORC1 被抑制；细胞分裂被阻止并诱导自噬。聚集后，少数细胞（前柄细胞）继续表达与聚集期间相同的发育基因集，但大多数细胞（前孢子细胞）切换到前孢子程序。我们描述了表明过表达 AMPK 会增加前柄细胞比例的证据，抑制 mTORC1 也会增加前柄细胞的比例。此外，刺激细胞内酸性区室的酸化同样会增加前柄细胞的比例，而抑制酸化则有利于孢子途径。我们得出结论，细胞分化的前柄途径和前孢子途径之间的选择可能取决于 AMPK 和 mTORC1 活性的相对强度，这些活性可能受细胞内酸性区室/溶酶体 (pHv) 的酸度控制，pHv 低的细胞具有高 AMPK 活性/低 mTORC1 活性，pHv 高的细胞具有高 mTORC1/低 AMPK 活性。深入了解这种转换的调节和下游后果应该会提高我们对其在人类疾病中潜在作用的理解，并指出可能的治疗干预措施。