XiaoMi-AI文件搜索系统
World File Search Systemfeature
新颖的β-...
Alcantara，Marion； Simonin，Mathieu； Ludovic的Lhermitte； Touzart，Aurore；杜尔，玛丽·埃米莉（Marie Emilie）； Latiri，Mehdi；灰色，纳塔莉； Cayuela，Jean Michel；查兰登，伊夫； Graux，卡洛斯； Dombret，Hervé； Ifrah，诺伯特；小，阿诺德； MacIntyre，＆nbspelizabeth [还有3个]Alcantara，Marion； Simonin，Mathieu； Ludovic的Lhermitte； Touzart，Aurore；杜尔，玛丽·埃米莉（Marie Emilie）； Latiri，Mehdi；灰色，纳塔莉； Cayuela，Jean Michel；查兰登，伊夫； Graux，卡洛斯； Dombret，Hervé； Ifrah，诺伯特；小，阿诺德； MacIntyre，＆nbspelizabeth [还有3个]
使用新Endercript服务器
endcript 2是一款友好的Web服务器，用于以符合方式提取和渲染对第四纪蛋白质结构信息的全面分析。这一重大升级已全面设计，以通过交互式3D可视化提高速度，准确性和USABIL。它需要对我们众所周知的序列比对渲染器Espript的新版本3进行优势，以减少计算时间来处理大量数据。从单个PDB输入或文件中，端目构图显示出与查询同源的蛋白质多种蛋白质对齐的高质量图，并根据残基保守性颜色。此外，还描述了实验二级结构元素以及一组相关的生物物理和结构数据。现在，所有这些信息和更多信息都在交互式3D Pymol表示上映射。多亏了其自适应和严格的算法，专家用户的初学者可以将设置修改为满足他们的需求。endcript也已被升级为开放平台，用于可视化来自外部Biotool Web服务器的多个生化和结构数据，并具有2D和3D表示。endcript 2和es- pript 3分别在http://endscript.ibcp.fr和http://espript.ibcp.fr上免费获得。
与变压器的全球和本地功能通信进行3D人姿势估计
最近，时空变压器结构已被广泛应用于3D人类姿势估计的问题，从而实现了最新的性能。这些方法中的许多方法都将单个框架中的单个关节视为令牌，并且在同一框架或相同轨迹的令牌上施加注意力。尽管这种结构可有效地计算单个关节之间的相关性，但它过于限制，因为诸如帧或轨迹之类的全局特征无法很好地传达。在本文中，我们建议Galformer解决此问题。Galformer由局部和全局变压器块组成，前者基于关节令牌，如先前的方法一样，而后者，即全局混合变压器，将所有关节混合在特定框架范围内的所有关节，以实施特征交换的电感偏见。在提出的方法中交替重复这两个变压器块，以计算关节，形状和轨迹之间的相关性。实验表明，与人类36M，MPI-INF-3DHP和HUMANEVA数据集的现有方法相比，我们的方法具有优越或至少具有竞争性能。
大脑优化提取复杂声音特征以驱动连续听觉感知 Berezutskaya, Y.; Freudenburg, ZV; Güçlü, U.; Gerven,
了解人类大脑如何处理听觉输入仍然是一个挑战。传统上，人们会区分低级和高级声音特征，但它们的定义取决于特定的理论框架，可能与声音的神经表征不匹配。在这里，我们假设构建一个数据驱动的听觉感知神经模型，对相关声音特征做出最少的理论假设，可以提供一种替代方法，并可能更好地匹配神经反应。我们收集了六名观看长时间故事片的患者的皮层脑电图记录。原始电影配乐用于训练人工神经网络模型以预测相关的神经反应。该模型实现了高预测准确率，并且很好地推广到第二个数据集，其中新参与者观看了不同的电影。提取的自下而上的特征捕捉了特定于声音类型的声学特性，并与各种响应延迟曲线和不同的皮质分布相关。具体而言，一些特征编码了与语音相关的声学特性，其中一些特征表现出较短的延迟曲线（与后外侧裂皮质中的反应相关），而另一些特征表现出较长的延迟曲线（与前外侧裂皮质中的反应相关）。我们的研究结果支持并扩展了当前对语音感知的看法，证明了外侧裂皮质中存在时间层次，并且在视听语音感知过程中涉及该区域以外的皮质部位。
共归因于强迫症和躁郁症的临床特征：系统评价和荟萃分析
<。 170，巴塞罗那08036，西班牙和研究所，老师，Dimitrie Gerota Genomics博士，CNRS，CNRS，CNRS，斯德哥尔摩，瑞典
马达加斯加单核细胞增生李斯特菌的致命病例的临床和基因组特征
访问微生物学是一个开放的研究平台。可以通过本文的在线版本找到预印刷，同行评审报告和编辑决策。收到2024年1月5日； 2024年6月4日接受；于2024年6月27日出版了作者分支：1个细菌学实验室，马达加斯加antananarivo的Chu Joseph Raseta Befelatanana； 2马达加斯加antananarivo的马达加斯加的巴斯德学院实验细菌学单元； 3小儿服务，楚约瑟夫·拉塞塔·贝菲拉塔纳（Chu Joseph Raseta Befelatanana），马达加斯加的安塔纳里沃（Antananarivo）； 4 Madagascar Antananarivo的中心医院的细菌实验室Mère -enfantTsaralàlana； 5巴斯德研究所，感染部门的生物学，巴黎大学，INSERM U1117，巴黎，75015，法国； 6巴斯德研究所，国家参考中心以及法国巴黎的李斯特菌中心合作； 7传染病和热带医学司，Institut Imagine，APHP，Necker-Enfants Malades Malades University Hospital，法国巴黎，法国。*信函：Mamitina Alain Noah Rabenandrasana，Rabalainnoah@gmail。com关键字：致命案例；基因组表征；李斯特氏病；马达加斯加；脑膜炎。缩写：Bdal，Bruker Daltonics图书馆； BigSDB，细菌分离株基因组序列数据库； CGMLST，核心基因组多分解序列分型； CSF，脑脊液； IVD，体外诊断； MALDI-TOF MS，基质辅助激光解吸/电离飞行时间质谱； MLST，多级别序列键入； MSP，主要光谱曲线； PCR，聚合酶链反应。在Bioproject PrjNA1032442下，组件和SRA数据存放在NCBI上。000764.v3©2024作者†这些作者对这项工作也同样贡献了本文的在线版本提供补充表。
中年和老年人中肠道微生物组组成与肌肉骨骼特征的关联：两组联合研究
保留所有权利。未经许可就不允许重复使用。永久性。预印本（未经同行评审的认证）是作者/资助者，他已授予Medrxiv的许可证，以在2025年2月22日发布的此版本中显示在版权所有者中。 https://doi.org/10.1101/2025.02.19.25322523 doi：medrxiv preprint
基于非线性特征提取和堆叠集成学习的混合EEG-fNIRS脑机接口
a 哈尔滨工业大学计算机科学与技术学院，哈尔滨，中国 b LINEACT CESI，里昂 69100，法国 c 埃法特大学电气与计算机工程系，吉达 22332，沙特阿拉伯 d Persistent Systems Limited，那格浦尔，印度 e AGH 科技大学生物控制论与生物医学工程系，克拉科夫，波兰 f 克拉科夫理工大学计算机科学与电信学院计算机科学系，华沙 24，31-155，克拉科夫，波兰 g 波兰科学院理论与应用信息学研究所，Ba ł tycka 5，44-100，格利维采，波兰 h EIAS 数据科学实验室，苏丹王子大学计算机与信息科学学院，利雅得 11586，沙特阿拉伯 i 梅努菲亚大学理学院数学与计算机科学系，32511，埃及j 埃及梅努菲亚大学计算机与信息学院信息技术系
在单元格的监督分类中优化特征提取和分类器的组合xhoena polisi duro 1,2*，arban uka 2，
在细胞的监督分类中优化特征提取和分类器的组合组合Xhoena polisi duro 1,2*，Arban UKA 2，Griselda alushllari 2，Albana Ndreu Halili 3，Dimitrios A. Karras A. Karras A. Karras 2，Nihal Engin vrana vrana 4 1 Informatics obs s. noli oblia，“ fan nori”，koria，koria，koria，korica，korica，korica，korka，korka，“ korcua”。 xpolisi@epoka.edu.al（X.P.D.）。2埃波卡大学计算机工程系，阿尔巴尼亚蒂拉纳市； auka@epoka.edu.al（a.u.）galushllari@epoka.edu.al（G.A。）dkarras@epoka.edu.al（d.a.k.）3西巴尔干大学医学系，阿尔巴尼亚提拉娜； albana.halili@wbu.edu.al（a.n.h。） 4法国斯特拉斯堡的Spartha Medical； evrana@sparthamedical.eu（N.E.V.） 摘要：医学领域的发展已经开放了在个性化患者层面进行分析的机会。 可以进行的重要分析之一是对工程材料的细胞反应，最合适的非侵入性方法是成像。 这些细胞的图像是未染色的Brightfield图像，因为在存在生物材料和流体的情况下，它们是从多参数微流体室获取的，这些室可能会随着时间的流逝而改变光路的长度，因为细胞的健康状态被监测。 这些实验条件导致具有独特照明，纹理和噪声频谱的图像数据集。 本研究通过将特征提取体系结构和机器学习分类器结合起来，探讨了监督细胞分类的优化，并重点介绍了生物材料风险评估中的应用。 1。 简介3西巴尔干大学医学系，阿尔巴尼亚提拉娜； albana.halili@wbu.edu.al（a.n.h。）4法国斯特拉斯堡的Spartha Medical； evrana@sparthamedical.eu（N.E.V.）摘要：医学领域的发展已经开放了在个性化患者层面进行分析的机会。可以进行的重要分析之一是对工程材料的细胞反应，最合适的非侵入性方法是成像。这些细胞的图像是未染色的Brightfield图像，因为在存在生物材料和流体的情况下，它们是从多参数微流体室获取的，这些室可能会随着时间的流逝而改变光路的长度，因为细胞的健康状态被监测。这些实验条件导致具有独特照明，纹理和噪声频谱的图像数据集。本研究通过将特征提取体系结构和机器学习分类器结合起来，探讨了监督细胞分类的优化，并重点介绍了生物材料风险评估中的应用。1。简介分析了三种细胞类型（A549，BALB 3T3和THP1）的Brightfield显微镜图像，以评估Inception V3，Squeeze Net和VGG16架构与分类器与包括KNN，决策树，随机森林，Adaboost，Adaboost，Neural Networks和Natan bayes的分类器配对的影响的影响。使用信息增益降低维度，以提高计算效率和准确性。使用不同参数的Butterworth过滤器用于平衡图像特征和降噪的增强，从而在某些情况下提高了分类性能。实验结果表明，与神经网络配对时，VGG16体系结构可实现通过不同指标衡量的更高分类精度。与未经过滤的数据集相比，使用Butterworth过滤器时的精度提高了，并且各种Butterworth滤波器之间的差异表明了优化这些类型图像的过滤器参数的重要性。关键字：生物材料风险评估，细胞图像分类，分类器，特征提取，个性化医学，监督分类。