XiaoMi-AI文件搜索系统
World File Search Systemsenko
贾尼斯·蒂莫申科 (Janis Timoshenko, 贾尼斯·蒂莫申科)
4. 研究专长和兴趣 a) 专业领域：材料科学、纳米催化、X 射线吸收光谱、原位 XAS 研究、高级 XAS 数据分析、机器学习方法、原子模拟技术（分子动力学、逆蒙特卡罗方法）、全局优化技术（模拟退火、进化算法）、线性代数方法（主成分分析、多元曲线分辨/盲源分离方法）、理论物理（介观电荷传输、量子计算、统计物理）、一些计算流体动力学经验。 b) 目前的研究兴趣：使用时间分辨 XAS 方法对材料进行实验研究，将 XAS 的结构和动力学信息与材料特性和功能联系起来。我对开发和应用先进的数据分析方法特别感兴趣，以充分利用 X 射线吸收光谱中编码的信息，并将实验测量与理论建模的结果相结合。 c) 参与同步辐射装置的实验； XAS 经验：我曾参加过 BESSY、DORIS、PETRA III 和 ANKA（德国）、SLS（瑞士）、ELETTRA（意大利）、SOLEIL、ESRF（法国）、ALBA（西班牙）、SSRL、NSLS-II APS（美国）同步辐射设施的 XAS 实验，包括荧光、透射模式和掠入射模式的测量、温度相关、压力相关 XAS 测量、催化过程的原位研究、RIXS 测量（APS、ESRF）、QXAFS 模式测量（NSLS-II、SOLEIL、SLS 和 DESY）、X 射线拉曼散射实验（ESRF）和光学色散装置测量（SOLEIL）。此外，我还在 SOLEIL 同步加速器和基于同步加速器的 XRD（NSLS II 和 DESY）方面有 FTIR 测量经验。目前，我还领导着一个团队，负责设计 PETRA III/IV 上由马克斯·普朗克学会资助的新光束线，该光束线致力于使用 XAS、XRD、SAXS 和 XES 方法对催化剂进行原位研究。此外，我和 FHI 的团队目前正在努力改造新的实验室 XAS 光谱仪，以对催化剂进行原位研究。我与他人合作撰写了 100 多篇关于 XAS 研究的论文，其中包括关于 XAS 数据分析高级方法的论文。 d) 参与重大研究项目：CatLab 研究平台的扩展（德国联邦教育与研究部（BMBF）和马克斯普朗克学会资助）：与 Beatriz Roldan Cuenya 教授共同提议设计 PETRA 同步加速器的光束线前端站，2021 年至今美国国家科学基金会项目工具包，用于表征和设计 DMREF 计划下的双功能纳米颗粒催化剂（合作项目，涉及叶史瓦大学/石溪大学、德克萨斯大学奥斯汀分校、匹兹堡大学），2015 年 – 2018 年。EUROFUSION 项目 ODS 颗粒何时以及如何形成？- ODS 钢和高蠕变强度 ODS 钢的 X 射线吸收光谱和从头算建模（拉脱维亚大学与德国卡尔斯鲁厄理工学院和西班牙 CIEMAT 合作项目），2014- 2015 年。 EURATOM 项目 实验室规模的纳米结构 ODSFD 批次的生产和特性以及模型的实验验证（拉脱维亚大学与德国卡尔斯鲁厄理工学院和芬兰赫尔辛基大学合作项目，2013 – 2015 年。 e) 参加暑期学校和研讨会 1) 原子模拟技术暑期学校（2010 年 7 月 4 日 - 2010 年 7 月 25 日，意大利的里雅斯特）； 2) 超快 X 射线科学与 X 射线自由电子激光器 (2011 年 3 月 29 日至 2011 年 4 月 2 日，德国汉堡 DESY)；3) 第 32 届柏林中子散射学校 (2012 年 3 月 7 日至 2012 年 3 月 16 日，德国柏林 HZB)。4) HERCULES-2013（大型实验系统用户高级欧洲研究课程）（2013 年 2 月 24 日至 2013 年 3 月 28 日，法国格勒诺布尔 ESRF）。
引用：Henkel M、Horn T、Leboutte F、Trotsenko P、Dugas SG、Sutter SU 等人 (2022) AI Pathway Companion 的初步经验：评估仪表板增强的前列腺癌筛查临床决策。PLoS ONE 17(7): e0271183。https://doi.org/10.1371/journal.pone.0271183
2017 年，全球新增前列腺癌病例 140 万例，导致 416 000 人死亡 [1]。发病率上升和人口老龄化导致前列腺癌病例自 2007 年以来增加了 42% [1]。事实上，前列腺癌患者的管理是一个复杂的过程，涉及不断扩大的多学科团队，包括泌尿科、放射科、病理科和放射治疗科。这些部门之间有效的信息交换对于提供适当的高质量护理和减少不良影响至关重要。然而，在大多数组织中，相关数据分散存储在不同的 IT 系统中，各部门基本上独立运作 [2-4]。部门之间的这些技术差距阻碍了临床医生全面了解患者的个体状况 [5,6]。在日常临床实践中，临床医生花费大量时间收集、整合和评估患者数据以护理患者 [7]。为了让医生全面了解患者的病情，需要跨系统和部门进行无缝的信息交换 [8-10]。需要整合最佳实践指南支持的有效数据集成工具可以从多个来源提取和组合数据，以确保持续的跨学科患者护理 [6,11-13]。此外，数据表示必须适应每个接收者的个人需求和选择及其在护理供应链中的目的，以避免信息缺失或过载 [6]。在过去三年中，我们与行业合作伙伴西门子医疗合作，根据欧洲医学联合会前列腺癌指南定义的最佳实践，开发了针对特定途径的临床决策支持系统原型。这项工作包括数据映射、数据集成和前端数据表示的开发。在这里，我们在前列腺癌治疗决策的背景下评估了这一发展的第一个 CE 认证版本。
引用：Vera A Grin-Yatsenko (2020) 超低频神经反馈调节脑电位的超慢振荡：一项对照研究。
本研究对超低频神经反馈与主动控制条件心率变异性训练进行了正式比较。研究涉及 17 名年龄在 21-50 岁之间、没有神经或精神疾病史但报告了一些生理或心理不适的参与者。在 20 节训练课之前和之后的测试中，通过视觉 Go/NoGo 测试表现和慢 EEG 振荡的频谱功率来监测参与者的进展。在健康状况和视觉 Go/NoGo 测试结果方面，结果显示超低频神经反馈训练优于心率变异性训练。仅在神经反馈队列中观察到超低频范围内振幅的显著升高。关键词：神经反馈；脑电图；超慢 EEG 振荡；心率变异性；超低频训练