XiaoMi-AI文件搜索系统
World File Search Systemrecognition
陈健宇博士 土木与环境工程学院 博士（土木工程）/ 2016 届 表彰她作为土木工程专家所取得的成就
陈健宇博士 土木及环境工程学院 博士（土木工程）/ 2016 届毕业生 为表彰她在学术和环境微生物学领域的成就，南洋理工大学土木及环境工程学院 (CEE) 很荣幸向陈健宇博士颁发 CEE 青年校友奖。 陈博士是香港城市大学 (CityU) 建筑与土木工程系助理教授，她于 2022 年加入该系。此前，她曾在香港大学（研究助理教授，2019-2022 年）、香港理工大学（研究员，2018-2019 年；博士后研究员，2015-2017 年）和南洋理工大学（研究助理，2009-2015 年）担任学术和研究职务。她对环境微生物学这一学科有着深厚的热情，致力于生物学、工程学和量子信息科学的交叉研究，利用微生物的知识和力量应对碳减排、废物污染、能源短缺、人类健康和安全以及建筑环境更新等全球挑战。Tan 博士的团队专注于电子转移/隧穿/跳跃和基因调控等生物现象，以及非经典建模和元组学技术的结合使用，以超越经典生化限制，实现可持续的废物和废水管理。她目前的一些研究课题包括微生物和导电材料之间的电子转移以增强生物能源生产；生物塑料生产的营养素应激调节；以及微生物电子氧还原反应用于难处理废物的生物修复。去年，Tan 博士代表城大作为代表团成员参加了 THE Campus Live UK&IE 2023，该活动汇集了 400 多名高等教育领袖。她参加了“STEM 领域的女性，重点关注先进材料和人工智能及其在智慧城市中的应用以及学生培训”的圆桌讨论。至今为止，陈博士已发表30篇国际SCI期刊论文、22篇会议论文及演讲、以及3个书籍章节。目前，她也是《Discover Engineering》（施普林格·自然）和《Frontiers in Microbiology》（微生物技术专业部分）等出版物的编辑。她还是国际水协会的成员。陈博士获得过多项奖项，包括2019年环境论文奖（季军）和2016年香港工程师学会颁发的青年工程师/研究人员杰出论文奖，以及2012年新加坡教育部颁发的青年科学会议杰出导师奖。她拥有南洋理工大学土木与环境工程博士学位和生物科学学士学位（辅修心理学）。在本科学习期间，陈博士获得新加坡国立大学土木与环境工程博士学位和生物科学学士学位（辅修心理学）。谭先生曾获得哥伦比亚大学奖学金。
有监督的机器读取式识别 -
自动农作物识别是现代农业的重要分支。它为农田制图，农作物轮作分析，农田结构和农业用地使用监测提供了广泛的机会。遥感是一种通过实施各种植被指数（例如，标准化差异植被指数）结合机器学习和计算机视觉的技术，是一种可用于作物识别的潜在且有力的技术。当前的研究致力于对乌克兰监督机器识别的最新开发机器学习的准确性，即软件应用Agroland分类器，该分类器是基于Naas气候智能农业研究所的科学研究的结果而构建的。该应用程序采用了几种监督的机器学习方法，即多种规范的判别分析和逻辑回归，以区分冬季小麦，冬季大麦，冬季大麦，冬季菜籽，谷物玉米，大豆和向日葵等农作物。使用随机选择的标记的田地进行测试，每种作物100个田间。在乌克兰的所有领土上进行了测试。从农业监控地图平台中检索了月度归一化差异指数的输入值。已经确定，最高的作物识别精度与小麦有关（总准确度为82.0％，F1得分为0.90），而大豆的最差结果（占真实猜测的50.0％，F1得分为0.67）。需要进一步的详细测试和算法改进，并将继续进行。还观察到，识别精度高度取决于农作物种植的土壤气候条件。
能源充足性和认可公正性：家庭消费研究
2022-23 年冬季瑞士的能源“危机”凸显了将自给自足理念融入以前以效率为重点的讨论和政策的必要性。采用混合方法来探索新兴的自给自足实践和能源正义。2023 年，对日内瓦各种家庭和建筑管理公司 (' régies ') 进行了定性访谈 (n = 28)，并进行了定量在线调查。研究发现，不同的措施和建议确实有助于减少能源消耗，但也暴露出缺陷，因为实践通常缺乏能源正义视角。低收入和高收入群体、租户和业主、房屋和公寓居民之间存在重大差异。其中包括对一些居民的脆弱性、他们有限的能动性以及对差异化责任缺乏认识的错误认识。这对自给自足的实施产生了负面影响。一些居民被边缘化：感到焦虑、被忽视、无能为力、被轻视，因此被排除在集体自给自足努力之外。
转录因子的结构基础ZBTB7A识别DNA的识别和ZBTB7A的影响，在人类急性髓样白血病中出现的体细胞突变
ZBTB7A属于一小部分转录因素，该因子在人类中有三个成员（7a，7b和7c）。他们在氨基端具有BTB/POZ蛋白相互作用结构域，在羧基端具有一个锌 - 纤维DNA结合域。他们控制着各种基因的转录，这些基因在造血，肿瘤发生和元质体（尤其是糖酵解）中具有不同的功能。ZBTB7A结合纤维包含共识g（A / C）CCC基序，在某些情况下以CCCC序列为止。的结构和突变研究表明，DNA特异性接触ZBTB7A的四纤维串联阵列是顺序形成的，是从ZF1 - ZF2结合到G（A / C）CCC（a / c）CCC的结合，然后扩散到ZF3 – ZF4之前的ZF2 - ZF2结合，该ZF3 – ZF4与DNA Backbone和3 0 CCC的结合。在这里，我们研究了在ZBTB7A DNA结合结构域内发生的T（8; 21） - 阳性急性髓样白血病患者中发现的一些突变。我们确定这些突变通常会损害ZBTB7A DNA的结合，最严重的破坏是由ZF1和ZF2突变引起的，而ZF3中的Frameshift突变最少，导致部分错误定位。在ZBTB7A上提供的信息 - DNA相互作用可能适用于ZBTB7B/C，它们在控制主要代谢时与ZBTB7A具有重叠的功能。
神经肌肉疾病课程2025
1。简介：用于执法目的的FRT概述，通过人工智能（AI）算法的发展促进了广泛的生物识别数据分析的自动化，这导致在各种工业中广泛使用面部识别技术（FRT）。执法机构（LEA）由于其作为公共监视工具的有效性而越来越吸引FRT。然而，在许多个人权利中，它尤其构成侵犯个人隐私的风险。几项研究（Eneman等，2022； Smith＆Miller，2021）认为，如今的隐私术语通常被定义为控制有关自己信息的权利。在这种情况下，可以无需身体入侵即使没有个人知识，就可以收集面部图像，从而在知情同意和隐私方面造成其他问题（Raposo，2022）。
肌球蛋白力引发 F- 肌动蛋白结构景观，介导机械敏感蛋白识别
。CC-BY 4.0 国际许可证下可用（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2024 年 8 月 17 日发布。；https://doi.org/10.1101/2024.08.15.608188 doi：bioRxiv 预印本
种间种间 - 奇数机的视觉，具有极化的实时导航和反脱落模式识别
尖端的人形机器视觉仅模仿人体系统，并且缺乏传达导航和真实图像信息的偏光功能。种间 - 奇数视觉保留多个主机的能力将导致高级机器视觉。但是，在一个选择性设备中实现多种物种（人类和非人类）的视觉功能仍然难以捉摸。在这里，我们基于Van der waals异质结构（RES 2 / GESE 2）开发了光学控制的偏光晶体。该设备同时提供了极化灵敏度，不易旋转性和正位/负光电传感。极化测量值可以识别像蜜蜂一样实时导航的天体极化。同时，通过感应，记忆和突触功能，可以像人类一样完成认知任务。尤其是，与传统的类人动物对应物相比，极化法的抗眩光识别可节省数量级的能量。该技术促进了种间 - 奇数视觉系统的概念，该系统将利用自动车辆，医疗诊断，智能机器人技术等的进步。
一种基于神经网络的深层癫痫病识别癫痫患者的方法
癫痫是由癫痫发作引起的最常见的神经系统疾病之一，也是中风后第二大普遍的神经系统疾病，影响了全球数百万的人。患有癫痫病的人被认为是残疾人的类别。它会大大损害一个人执行日常任务的能力，尤其是那些需要集中或记住的任务。脑电图（EEG）信号通常用于诊断癫痫患者。但是，这是乏味的，耗时的，并且遭受人类错误。已经应用了几种机器学习技术以识别癫痫病，但它们有一些局限性。本研究提出了一个深神网络（DNN）机器学习模型，以通过提高癫痫疾病的识别效率来确定先前研究的现有局限性。本研究中使用了公共数据集并将其分类为培训和测试集。进行了实验以评估不同数据集分类比（80:20），（70:30），（60:40）和（50:50）的DNN模型，分别用于培训和测试。通过使用不同的性能指标（包括验证）以及允许评估模型有效性的比较过程来评估结果。实验结果表明，与以前的作品相比，所提出的模型的总体效率最高，精度为97％。因此，这项研究比现有的癫痫发作检测方法更准确，更有效。DNN模型使用数值EEG数据集识别癫痫患者活动的巨大潜力，该数据集提供了数据驱动的方法，以提高癫痫发作检测系统的准确性和可靠性，以改善患者护理和癫痫的治疗。
人工智能在物联网身份验证中的生理特征识别
有效的用户身份验证是确保物联网 (IoT) 系统中设备安全、数据隐私和个性化服务的关键。然而，传统的基于模式的身份验证方法（例如密码和智能卡）可能容易受到各种攻击（例如窃听和旁道攻击）。因此，人们尝试设计基于生物特征的身份验证解决方案，这些解决方案依赖于生理和行为特征。行为特征需要持续监控和特定的环境设置，这在实践中可能具有挑战性。然而，我们也可以利用人工智能 (AI) 从物联网设备处理中提取和分类生理特征，以促进身份验证。因此，我们回顾了 2015 年之后发表的关于人工智能在生理特征识别中的应用的文献。我们使用物联网的三层架构（即感知层、特征层和算法层）来指导对现有方法及其局限性的讨论。我们还确定了一些未来的研究机会，希望这些机会能够指导下一代解决方案的设计。