XiaoMi-AI文件搜索系统
World File Search Systemfeatures
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
基于EEG
摘要 - 近年来，神经科学家与脑部计算机界面（BCI）设备的开发有关。运动障碍患者可能会受益于BCIS作为通信手段和恢复运动功能的手段。脑电图（EEG）是评估神经元活性的最常用之一。在许多计算机视觉应用中，深度神经网络（DNN）显示出显着的优势。倾向于最终使用DNN，我们在这里提出了一个浅神经网络，该网络主要使用两个卷积神经网络（CNN）层，其参数相对较少，并且快速学习了脑电图的光谱时暂时特征。我们将该模型与其他三个神经网络模型进行了比较，该模型具有不同的深度，该模型使用了针对患有运动障碍的患者和视觉功能下降的患者的眼神闭合状态应用于精神算术任务。实验结果表明，浅CNN模型的表现优于所有其他模型，并达到了90的最高分类精度。68％。处理跨主题分类问题也更加健壮：仅3％的准确性偏差而不是15。传统方法的6％。
家族的重新分类A DNA聚合酶揭示了新型的功能亚家族和独特的结构特征
家族A DNA聚合酶（Polas）形成了参与DNA复制和修复的现有聚合酶的重要且研究的一类。否则，尽管在独立的，专门的作品中表征了多个子家族，但到目前为止，他们的综合性分类却缺少。因此，我们重新审查了所有目前可用的pola semence，将它们的成对相似性转化为欧几里得空间中的位置，将它们分为19个主要簇。中有11个对应于已知的亚家族，但以前没有八个特征。对于每个组，我们都会汇编它们的一般特征，检查其系统发育关系，并在基本序列基序中进行保护分析。大多数亚家族与生命的特定领域有关（包括噬菌体），但一个亚科出现在细菌，古细菌和真核生物中。我们还表明，两个新的小家族含有功能性酶。我们使用alphafold2来生成缺乏实验降低结构的所有群集的高牢固预测模型。我们确定了涉及结构变化，有序的插入和明显的尿嘧啶-DNA糖基酶（UDG）结构域的明显结构掺入的新的保守效果。最后，T7样噬菌体子集的网络和结构分析表明，将3'–5'EXO和POL结构域分裂为两个单独的基因，第一次在Polas中观察到。
糖尿病患者登革热的临床特征和严重程度的预兆：2019 年留尼汪岛的一项回顾性队列研究
a 法国留尼汪圣皮埃尔留尼汪大学中心医院内分泌与糖尿病科 b 法国留尼汪圣皮埃尔留尼汪大学中心医院 INSERM，CIC 1410 c 法国留尼汪圣皮埃尔留尼汪大学中心医院传染病科、内科、皮肤科 d 法国留尼汪圣克洛蒂尔德留尼汪大学 UMR PIMIT（CNRS 9192、INSERM U1187、IRD 249） e 法国留尼汪圣皮埃尔留尼汪大学中心医院临床与转化研究平台f 法国拉鲁尼翁大学医院中心生物化学系，圣皮埃尔，拉鲁尼翁，法国 g UMR 糖尿病动脉粥样硬化血栓形成治疗拉鲁尼翁印度洋 (D ' eTROI) (INSERM U1188)，拉鲁尼翁大学 CYROI 平台，圣克洛蒂尔德，拉鲁尼翁，法国
MECHETER，Imene 等人。利用多分辨率手工特征进行深度学习，用于脑部 MRI 分割。在：医学中的人工智能，20
磁共振 (MR) 图像分割是创建伪计算机断层扫描 (CT) 图像的一项关键任务，伪计算机断层扫描 (CT) 图像可用于实现正电子发射断层扫描 (PET) 衰减校正。创建伪 CT 图像的主要挑战之一是难以对脑 MR 图像中的骨组织进行准确分割。深度卷积神经网络 (CNN) 已被广泛而有效地应用于执行 MR 图像分割。这项工作的目的是提出一种分割方法，将多分辨率手工制作的特征与基于 CNN 的特征相结合，以添加方向属性并丰富用于执行分割的特征集。主要目标是有效地将大脑分割成三个组织类别：骨骼、软组织和空气。所提出的方法使用不同的机制将非下采样 Contourlet (NSCT) 和非下采样 Shearlet (NSST) 系数与 CNN 的特征相结合。计算熵值以选择最有用的系数并降低输入的维数。使用 50 张临床脑部 MR 和 CT 图像通过计算精度、召回率、骰子相似系数 (DSC) 和 Jaccard 相似系数 (JSC) 来评估分割结果。还将结果与文献中报道的其他方法进行了比较。骨骼类的 DSC 从 0.6179 ± 0.0006 提高到 0.6416 ± 0.0006。将 NSCT 和 NSST 的多分辨率特征与 CNN 的特征相加，显示出了令人鼓舞的结果。此外，NSST 系数比 NSCT 系数提供了更多有用的信息。
数据驱动的早期预测脑瘫，使用汽车和可解释的运动学特征
由于依赖时间密集型且不可扩展的专家评估，脑瘫（CP）的早期鉴定仍然是一个重大挑战。因此，一系列研究旨在通过机器学习来预测基于运动跟踪的CP分数，例如从视频数据中。这些研究通常可以预测临床评分，这是CP风险的替代。但是，临床医生并不想估计分数，他们想估计患者患临床症状的风险。在这里，我们提出了一个数据驱动的机器学习（ML）管道，该管道从基于婴儿视频的运动跟踪中提取运动功能，并估算使用自动符号的CP风险。使用AutoSklearn，我们的框架通过抽象研究人员 - 驱动器超参数优化来最大程度地拟合过度适应的风险。接受了从3至4个月大的婴儿进行运动数据的培训，我们的分类器预测在持有的测试集中，ROC-AUC的高度指示性临床评分（General运动评估[GMA]），表明运动学运动特征临床相关的可变性。没有再培训，相同的模型可以预测在后来的临床随访中，ROC-AUC为0.74，脑瘫结局的风险，表明早期运动表现形式概括为长期神经发育风险。我们采用预注册的锁定箱验证来确保索具性能评估。本研究强调了自动驱动运动分析对神经发育筛查的潜力，这表明数据驱动的运动轨迹提取的特征可以为早期风险评估提供可解释且可扩展的方法。通过整合预先训练的视频变压器，自动驱动的模型选择和严格的验证协议，这项工作可以推进使用视频衍生的运动功能来用于可扩展的，数据驱动的临床评估，从而证明基于可用的数据（如婴儿）（如婴儿）的计算方法如何增强神经发育障碍的早期风险检测。