XiaoMi-AI文件搜索系统
World File Search Systemsce
屏幕时间与青少年学习表现之间的关系
背景和目标：青年是一个敏感的时期，在此期间，习惯是一生。今天的一代人浪费了智能手机和其他电子媒体的时间，这使他们无法专注于学术和其他健康活动。本研究的目的是调查屏幕时间和学习成绩的问题。方法：这是一项基于社区的描述性横断面研究，在2020年1月至2021年12月之间的301名青少年中进行了10-18岁的青少年。使用访谈方法进行试验性测试的半结构调查表来引起回答，重点是基本的人口统计信息和屏幕时间。这项试点研究是针对REWA GMH儿科儿科诊所的健康青少年进行的，然后在Rewa县的采样学校中使用了相同的问卷（M.P.）。发现：在本研究中，有106名儿童（35％）属于青少年年龄段，174名（58％）属于中年年龄组，而青少年晚期的21岁（7％）。参与者成绩的平均百分比为74.6％。发现，随着屏幕时间的增加，获得的成绩的平均百分比降低。每天屏幕时间> 3个小时的63名（20.9％）的儿童平均成绩为62.1％，而不使用屏幕媒体的人的平均成绩为88.4％。这具有统计学意义，p值为<0.001。结论：青少年每天在计算机屏幕前花费3个小时可能会降低他们的学业表现。
荧光传感器在灵长类动物的大脑中揭示了多巴胺信号
大多数人都熟悉帕夫洛维亚的调节，其中奖励的预期行为遵循了预测的刺激。这种机制的背后是纹状体中释放的多巴胺，纹状体是皮层基底神经节的最大结构，它连接运动运动和动机。然而，尚不清楚将哪种多巴胺信号传输到纹状体以引起灵长类动物的行为。
使用跨颗粒波前显微镜
荧光显微镜是细胞生物学1 - 3中普遍存在的表征技术。活细胞的荧光标记不仅可以专门突出生物分子，细胞器或细胞室，还可以绘制物理化学量，例如离子浓度，动作电位，pH，pH，分子方向等。在过去的二十年中，荧光显微镜经历了深刻的改进，并开发了许多变体，从而在空间分辨率，速度，信号噪声比率，特异性，标记技术和3D成像方面推动了成像的极限。然而，荧光显微镜受到限制。它本质上仍然是侵入性的，因为它需要用分子染料或蛋白质4将样品标记。此外，由于荧光标签的光漂白和光吸毒性，无法任意长时间进行实时观察。最后，荧光分子并不总是忠实地标记它们应该的内容，而伪影有时会发生5。定量相显微镜（QPM）是另一个专门针对细胞生物学领域6、7的成像技术家族。与荧光显微镜不同，QPM技术不含标签且非特异性。它们仅对样品的折射率敏感。他们的主要好处是与明亮的场显微镜相比，提供更好的对比度。由于QPM不含标签，因此它们不会遭受与荧光显微镜相关的上述缺陷。但是，QPM本质上不是特定的。此外，生物学介质的折射率和质量密度之间存在的密切关系为QPM提供了QPM的独特能力，可以测量和映射培养物中细胞的质量，从而实现细胞生长的定量监测，以及在第8-11级的亚细胞级别的质量转运。尤其没有任何分子探针的光漂白，并且如果使用红色或红外照明，可以取消光毒性，以非侵入性的方式使图像获取为任意长时间的习得12。一个人无法选择细胞的功能来突出显示，尽管最近一些涉及机器学习的作品试图提高此限制13，14。荧光显微镜和QPM因此以互补方法的形式出现，并将它们结合起来提供多种好处。OPD图像显示的细节在荧光图像中无法看到，反之亦然。OPD揭示了细胞中的所有内容，尤其是细胞的部分未荧光标记的部分。例如，它可以清楚地突出片状膜，核，囊泡或线粒体。相反，荧光受特异性受益，因为它仅突出显示细胞中标记的物体，尤其是对比度太低的对象，无法在OPD图像上看到。然而，荧光显微镜和QPM很少相关。然而，将荧光显微镜与QPM技术偶联至少具有三个重要应用：（i）它将提供生物分子或细胞器的空间分布（例如微管，肌动蛋白，线粒体等）或物理化学参数与细胞的总体形态相关，并具有出色的对比度，包括细胞的微弱部分，例如层状脂肪膜。我们设想重要的应用，例如在细胞内贩运研究中；
AI模型预测青少年精神疾病的风险和潜在原因
使用人工智能，研究人员建立了一个神经网络（一种模仿大脑联系的AI模型），以预测哪些孩子会在一年内从较低的精神病风险过渡到更高的精神病风险。然后使用该模型来评分问卷，该问卷对患者或父母对当前行为，感觉和症状进行排名，以预测升级的可能性。
糖皮质激素对骨关节炎成纤维细胞样细胞的细胞衰老标志
1个风湿病学实验室，吉加研究，库迪格，李格大学，比利时4000liège； genevieve.paulissen@chuliege.be（G.P.）; celine.deroyer@chuliege.be（C.D.）; ciregia@gmail.com（f.c.）; Christophe.poulet@chuliege.be（C.P.）; sophie.neuville@chuliege.be（s.n.）; zelda.plener@chuliege.be（Z.P.）; ddeseny@chuliege.be（D.D.S.）; michel.malaise@chuliege.be（M.M.）2比利时4000Liège的Chu deliège的骨科手术部； Christophe.daniel@chuliege.be（C.D.）; philippe.gillet@chuliege.be（P.G.）3 BELGIUM的Chu deliège血液学系细胞和基因治疗实验室； c.lechanteur@chuliege.be Be 4再生医学与生物治疗研究所，Univ Montpellier，Inserm umr1183，34298法国蒙彼利埃； jean-marc.brondello@inserm.fr *通信：olivier.malaise@chuliege.be;电话。： +32-4-366-7863†这些作者对这项工作也同样贡献。‡这些作者对这项工作也同样贡献。
MSQSM：基于形态的自我监督的深度学习，用于定量敏感性映射
定量敏感性映射（QSM）已广泛应用于神经变性和铁沉积的临床诊断，而QSM重建中仍然存在偶极反转问题。最近，提出了深度学习方法来解决这个问题。但是，这些方法中的大多数是需要成对输入阶段和地面真相对的监督方法。在不使用地面实际情况的情况下训练所有分辨率的模型仍然是一个挑战，而仅使用一个分辨率数据。为了解决这个问题，我们提出了一种基于形态的自我监督QSM深度学习方法。它由形态学QSM构建器组成，可以使QSM对采样分辨率的依赖性以及有效减少伪像并有效节省训练时间的形态学损失。所提出的方法可以在人类数据和动物数据上重建任意分辨率QSM，而不管该分辨率是更高还是低于训练集，这表现优于先前最佳的无监督方法。此外，对于先前无监督学习方法中使用的周期梯度损失，形态损失还将训练时间减少了22％。实验结果和临床验证表明，该提出的方法测量具有任意分辨率的精确QSM。，它在无监督的深度学习方法和竞争性绩效中取得了最新的结果，相对于最佳的传统方法。
一个用于融合遥感数据的贝叶斯分层框架：太阳引起荧光
太阳能诱导的叶绿素荧光（SIF）已成为植被生产力和植物健康的有效指标。SIF的全球量化及其社会不确定性产生了许多重要的功能，包括改善碳通量估计，改善碳源和水槽的识别，监测各种生态系统以及评估碳序列工作。长期，区域到全球尺度监测现在是可行的，可以从多种地球观察卫星中获得SIF估计。这些努力可以通过严格的卫星SIF数据产品中存在的不确定性来源的严格核算来帮助这些努力。在本文中，我们引入了一个贝叶斯分层模型（BHM），以估算从1°×1◦分辨率分辨率分辨出具有全球覆盖的旋转碳天文台-2（OCO-2）卫星观测中的SIF和关联不确定性。我们的建模框架的层次结构允许方便模型规范，各种变异源的量化以及通过回归模型中的傅立叶项纳入季节性SIF信息。模型框架利用大多数温带土地区域的SIF可预测的季节性。所得数据产品以相同时空分辨率的现有大气二氧化碳估计值进行了补充。
分析由于气候变化政策实施而导致的萝卜供求影响：基于SSP方案
对农作物的供应和需求的气候变化，但是没有足够的研究来分析对萝卜的影响。我们研究的目的是分析气候变化政策的实施如何影响农作物类型的萝卜供应。我们建立了一个模型
