XiaoMi-AI文件搜索系统
World File Search Systemplugin
FITAI：用于 GNSS 后拟合残差和位置联合分析的人工智能。Jason 插件，Rokubun 云 GNSS 处理服务
● 模型训练：在训练模型之前，读取 (2) 生成的特征并进行预处理。例如，如果需要，对数据进行归一化，并根据可用数据量按比例拆分为训练、验证和测试数据集。模型训练完成后，将与 model.json 文件一起存储 (3)，该文件包含有关训练模型的相关信息，例如每个隐藏层的神经元数量、隐藏层数量、使用的变量（后拟合残差、SNR 等）等。● 批量推理：模型训练完成后，可以通过加载保存的模型 (3) 并对新的 GNSS 数据执行推理过程将其部署到生产中。
AutoNeuriteJ：用于测量和分类神经延伸的 ImageJ 插件
形态测量表征是描述神经元培养和识别表型差异的重要程序。这项任务通常需要劳动密集型的测量和对大量培养神经元中的众多神经突进行分类。为了自动执行这些测量，我们编写了 AutoNeuriteJ，这是一个 imageJ/Fiji 插件，可以测量和分类大量神经元中的神经突。我们表明，Auto-NeuriteJ 能够检测由已知会影响神经元生长的几种化合物引起的神经突生长变化。在这些实验中，在几个小时内获得了每种条件下超过 5000 个小鼠神经元的测量结果。此外，通过分析缺乏微管相关蛋白 6 (MAP6) 的小鼠神经元和野生型神经元，我们说明 AutoNeuriteJ 能够检测轴突长度的细微表型差异。总体而言，使用 AutoNeuriteJ 将提供快速、无偏和准确的神经元形态测量。
BrainBeats：一个开源EEGLAB插件，用于共同分析脑血和心血管（ECG/PPG）信号
CédricCannard 1,2，HelanéWahbeh2，Arnaud Delorme 1,2,3 1 Cent de Recherche Cerveau et Cognition（CERCO），CNRS，Toulouse III大学，法国2号大学2 Noetic Sciences（Ions）3 Swartz计算神经科学中心（SCCN），INC，UCSD，LA JOLLA，美国关键字：开放源代码，EEGLAB，EEG，EEG，ECG，ECG，PPG，PPG，HRV，QEEG，QEEG，特征分析，Hep/Hep/hep/hep/heo，hep/heo，brain heart Interplay，Heart Artifact，Heart Artifact，Heart Artifact，Heart Artifact。摘要：BrainBeats工具箱是一个开源EEGLAB插件，旨在共同分析EEG和心血管（ECG/PPG）信号。它提供了三个主要协议：心跳诱发的潜力评估，基于特征的分析和心脏伪像从EEG信号中提取。它应该帮助研究人员和临床医生研究脑力相互作用，并具有增强的可重复性和可及性。摘要：皮质和心血管系统之间的联系正在引起人们的关注，因为它们有可能对大脑和心脏功能耦合提供宝贵的见解。EEG和ECG/PPG提供了无创，具有成本效益和便携式解决方案，用于捕获实验室，临床或现实世界中的大脑心脏相互作用。但是，由于技术挑战和缺乏准则，该域中的可扩展应用程序受到限制。现有工具通常缺乏统计方法，易于使用的用户界面或大型数据集的自动功能，对于可重复性至关重要。在标准化定量脑电图（QEEG）和心率变异性（HRV）特征提取方法中进一步存在，破坏了临床诊断或机器学习的鲁棒性（ML）模型。应对这些挑战，我们介绍了Brainbeats工具箱，该工具箱是作为开源EEGLAB插件实现的，提供了一套信号处理和功能突出功能。工具箱集成了三个主要协议：1）心跳诱发电位（HEP）和振荡（HEO），用于以毫秒精度评估时锁的脑心脏相互作用； 2）QEEG和HRV功能提取，用于检查各种大脑和心脏指标之间的关联或构建基于功能的ML模型； 3）从EEG信号中自动提取心脏伪像，以消除进行EEG分析的任何潜在的心血管污染。我们提供了一个分步教程，用于在包含同时64通道EEG，ECG和PPG的开源数据集上执行这三种方法。可以通过图形用户界面（GUI）或命令行调整一系列参数以量身定制独特的研究需求。Brainbeats应该使大脑心脏的相互作用研究更容易访问和重现。
患者特异性血管化肿瘤模型：阻塞TAM
CédricCannard 1,2，HelanéWahbeh2，Arnaud Delorme 1,2,3 1 Cent de Recherche Cerveau et Cognition（CERCO），CNRS，Toulouse III大学，法国2号大学2 Noetic Sciences（Ions）3 Swartz计算神经科学中心（SCCN），INC，UCSD，LA JOLLA，美国关键字：开源，EEGLAB，EEGLAB，EEG，ECG，ECG，PPG，PPG，HRV，特征分析，心跳 - 事实/振荡电位/振荡（HEP/HEO），心脏组成部分，心脏成分供电。摘要：Brainbeats工具箱是一个开源EEGLAB插件，旨在共同分析脑血管和心血管（ECG/PPG）信号。它提供了三个主要方案：心跳诱发潜力评估，基于特征的分析和心脏伪像从脑电图中提取。这将有助于研究人员和临床医生研究脑力相互作用，并具有增强的可重复性和可及性。摘要：皮质和心血管系统之间的联系正在引起人们的关注，因为它有可能对大脑和心脏功能耦合提供宝贵的见解。当前的联合分析方法在很大程度上涉及侵入性或高成本神经影像学方法。EEG和ECG/PPG提供了非侵入性，具有成本效益和便携式替代方案，可在实验室和临床环境中进行更广泛的数据收集。然而，由于其复杂性，对这些生物信号的分析对于可扩展应用是具有挑战性的。现有的研究和工具通常在处理和统计方法，易于使用的用户界面或大型数据集的批处理处理能力方面缺乏共识，从而阻碍了可重复性。在脑电图和心脏变异性（HRV）特征提取的标准化方法中，还存在进一步的空隙，破坏了临床诊断或机器学习模型的鲁棒性。我们介绍了针对这些挑战的Brainbeats工具箱，开源EEGLAB插件提供了一套信号处理和特征 - 萃取功能的套件，这些功能符合当前的指南和建议。工具箱集成了三个主要协议：1）心跳诱发电位（HEP）和振荡（HEO）； 2）EEG和HRV特征提取； 3）自动删除脑电图信号的心脏伪像。伴随着样本数据和指导，Brainbeats旨在促进大脑心脏的相互作用研究和可重复性。这个开源工具箱为研究大脑心脏相互作用的临床医生和研究人员提供了宝贵的资源，可以根据独特的研究需求量身定制。
SmartLab Studio II
1。引言多晶材料中的晶体纹理（首选方向）对这些材料的性质各向异性具有显着影响。这意味着Crystallites的方向分布或方向分布函数（ODF）的定量描述是材料表征和预测其性质的重要任务。无法直接测量ODF；取而代之的是，可以测量极线（PF）来确定ODF。从测量的PFS重建ODF是定量纹理分析的主要目标。因此，应解决两个问题以获得ODF：从PFS的实验PFS和ODF重建的测量和处理。在X射线衍射技术中，有两种用于PFS测量的基本模式：使用2D检测器（1）的常规模式，具有0D检测器和更高级的模式。虽然使用2D检测器的PF进行测量更为先进，但需要其他工具将检测器的数据转换为PFS。准备PFS时，可以启动ODF重建过程。当前，使用三种方法进行ODF重建：串联扩展方法（3），组件方法（4），（5）和直接方法，例如WIMV（6）或ADC（7）。每种方法都有优势和缺点。系列扩展方法更为笼统，但是它需要大量测量的PF，并且在数值计算中存在一些问题。组件方法将ODF表示为具有明确物理含义的一组模型函数（组件）。此方法最方便地解释和表示结果，但可能需要大量时间来选择组件并拟合其参数。直接方法在旋转空间中使用离散网格上的ODF的数值计算。它们是最简单，最方便的，但不提供ODF的解释。在下一节中，我们将描述SmartLab Studio II的纹理插件，该插件旨在用于数据处理和定量纹理分析。该插件实现了ODF重建的上述两种方法：WIMV和组件方法。两者都可用于所有类型的晶体系统和两种类型的样品对称性（三角骨和正骨）。另外，插件可以使用