XiaoMi-AI文件搜索系统
World File Search Systemvisual
Farmentalg获得FSSC 22000认证，加入UN Global Compact，并揭示新的视觉标识
Fermentalg是微藻研究和生物工业剥削的专家，旨在提供可持续的解决方案和创新产品，从而有助于发展健康，自然和高性能产品。我们的业务：可持续解决方案的开发，生产和营销以及来自微藻的活性成分，用于营养，健康和环境。营养脂质，替代蛋白质，天然食品着色和创新的环境解决方案构成了我们公司当前和未来的产品。发酵股股票在巴黎的EuroNext增长（FR0011271600-藻类）上列出，并且符合PEA -PME的资格。它已从Elthifinance ESG评级获得了示例性评级（90/100），这是一家专门从事欧洲市场上列出的中小企业ESG表现的评级机构，有利于社会负责的投资（SRI）。
视觉脑机接口作为肌萎缩侧索硬化症患者的沟通辅助工具 Verbaarschot，CS；Tump，D.；Lutu，A.；Borhana
目的：对于患有肌萎缩侧索硬化症 (ALS) 的患者，利用代码调制视觉诱发电位 (cVEP) 的脑机接口 (BCI) 拼写器可能为现有的视觉 BCI 拼写器提供一种快速且更准确的替代方案。但到目前为止，cVEP 拼写器仅在健康参与者身上进行过测试。方法：我们评估了 20 名健康参与者和 10 名 ALS 患者的大脑反应、BCI 性能和 cVEP 拼写器的用户体验。所有参与者都执行了提示和自由拼写任务，以及自由选择是/否答案。结果：30 名参与者中有 27 名可以完成提示拼写任务，ALS 患者的平均准确率为 79%，健康老年参与者的平均准确率为 88%，健康年轻参与者的平均准确率为 94%。所有 30 名参与者都可以自由回答是/否问题，平均准确率约为 90%。结论：对于平均每分钟输入 10 个字符的 ALS 患者，本文介绍的 cVEP 拼写器的表现优于其他视觉 BCI 拼写器。意义：这些结果支持 cVEP 信号对 ALS 患者的普遍可用性，这可能远远超出测试的拼写器，例如控制智能家居中的警报、自动门或电视。2021 年国际临床神经生理学联合会。由 Elsevier BV 出版这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
强制力导向放置：一种用于大图可视化的新算法
摘要 – 图形可视化是一种帮助用户基于人类感知轻松理解连接数据（社交网络、语义网络等）的技术。随着大数据的盛行，这些图形往往太大，无法仅凭用户的视觉能力进行解读。导致此问题的主要原因之一是节点离开可视化空间。人们已经进行了许多尝试来优化大型图形可视化，但它们都有局限性。在这些尝试中，最著名的是力导向放置算法。该算法可以为中小型图形提供漂亮的可视化效果，但当涉及到较大的图形时，它无法将一些独立节点甚至子图保留在可视化空间内。在本文中，我们提出了一种名为“强制力导向放置”的算法。该算法通过提出更强大的力函数来增强经典的力导向放置算法。我们将其命名为“FForce”，它可以在达到平衡位置之前将相关节点拉近彼此。这帮助我们获得了更多的显示空间，并使我们能够可视化更大的图形。
Zhang, Y., Valsecchi, M., Gegenfurtner, KR, Chen, J. (2023)。拉普拉斯参考是稳态视觉诱发电位的最佳选择。JOURNAL OF N
Zhang, Y., Valsecchi, M., Gegenfurtner, KR, Chen, J. (2023)。拉普拉斯参考是稳态视觉诱发电位的最佳选择。JOURNAL OF NEUROPHYSIOLOGY，130(3)，557-568 [10.1152/jn.00469.2022]。
coxbase：一个流行病学监视，可视化，分析和键入coxiella burnetii基因组序列
摘要Q（查询）发烧是一种由革兰氏菌细菌引起的感染性人畜共患病。尽管该疾病已经研究了数十年，但由于欧洲各个农场的零星暴发，它仍然代表着威胁。缺乏用于巡逻数据管理的中央平台是一个重要的流行病学差距，在爆发的情况下是相关的。为了填补这一差距，我们已经设计并实施了一个在线，开源的，基于Web的平台，称为Coxbase（https：// coxbase.q-gaps.de）。该平台包含一个数据库，该数据库与元数据旁边有400多个Coxiella隔离株的基因分型信息，以注释它们。我们还使用五种不同的键入方法，查询现有分离株的查询，通过在世界地图上的聚集来对分离株的视觉构造，对分离株的视觉构造，对完全组装的coxiella序列的硅基因分型实现了特征，并提交了新的分离株。我们在从RefSeq数据库中下载的50个Coxiella基因组上测试了我们的计算机打字方法，除了序列质量较差的情况外，我们成功地基因分型了所有基因组。我们使用我们对所有50个基因组及其质粒类型的ADAA基因表型识别了新的间隔序列（MST），并确定了ADAA基因表型。
视觉隐式学习中的结构传输和巩固
由库存定义（上图）。第1阶段中的所有对具有水平或垂直方向相同的基础结构。图中的颜色仅用于说明目的；对于参与者，所有形状都是黑色的。中断：在第1阶段之后，在两分钟至24小时之间的五个实验中有一个破裂。参与者在睡眠或清醒状态中度过了休息。训练阶段2：休息后，参与者接触了由不同抽象形状组成的视觉场景。新库存的创建对的一半具有水平，而另一半具有垂直的底层结构。2AFC测试试验：在第2阶段之后，参与者完成了一系列2AFC测试试验，在这些试验中，他们不得不确定训练阶段的真实对还是由形状随机组合创建的箔对，更熟悉。汇报：最后，参与者回答了有关实验的开放性问题，这些问题用于评估他们是否获得了有关形状对的存在的明确知识。
视觉特征前额编码的个体差异
摘要：外侧前额叶皮层 (LPFC) 通常与高级认知有关，例如注意力、语言和认知控制。然而，最近的研究表明，它对于包括物体识别在内的基本感知功能也至关重要。在这里，我们用计算模型描述了 LPFC 在视觉处理中的作用。使用 7T 的人类 fMRI 数据数据集，我们建立了编码模型，将从深度神经网络（CLIP [对比语言-图像预训练] 网络的图像编码器）中提取的视觉特征与大脑对数千张自然图像的反应联系起来。在八个受试者中，我们能够稳健地预测 LPFC 斑块中的反应，最明显的是 FEF（额叶眼场）和 vlPFC（腹外侧 PFC）区域。利用这些强大的编码模型，我们随后探索了表征结构并筛选了 LPFC 中具有高预测反应的图像。我们发现 LPFC 的编码方案存在显著的个体差异。相比之下，腹侧视觉流的编码方案在个体之间保持更一致。总体而言，我们的研究证明了 LPFC 在视觉处理中的作用未被充分重视，并表明 LPFC 可能是不同个体体验视觉世界的独特之处的基础。从方法论上讲，这些发现也可能解释了为什么以前的团体研究往往未能观察到 LPFC 中强大的视觉功能，因为受试者的反应可能需要单独校准。
.4cmstudy基于图像处理的新能量车辆电动机系统的视觉感知控制
本文根据图像处理技术介绍了一种新的能源车辆驾驶控制系统。通过处理和分析道路图像，新的能源驾驶控制系统能够识别道路元素，计划路线并计算其方向和速度参数。为了改善系统在各种环境中的适用性，它首先将道路图像分为两类：路面和其他物体。然后，它使用手动迭代方法来确定最佳阈值，并建议一种自适应阈值改进方法。第二，该系统将进行道路元素的特征提取，包括样本类型，例如坡道，直路，曲线，十字路口和障碍物。通过辅助特征提取和样品类型表征，系统实现了各种道路元素的识别和分类。最终，系统执行了图像捕获，预处理和边界提取。然后使用路径计划和道路中心线拟合来实现车辆导航。该技术确定了角参数，并在车辆方向和速度参数测试期间提供了车辆的精确导航方向。新能量汽车的驾驶控制系统非常适用且实用，为这些车辆在复杂的道路条件下安全运行提供了有效的技术援助。
RNA-Seq基因融合检测工具的荟萃分析
。cc-by-nc-nd 4.0国际许可证（未经同行评审证明）获得的是作者/资助者，他授予Biorxiv授予Biorxiv的许可，以永久显示预印本。它是此预印本版本的版权持有人，该版本发布于2025年2月7日。 https://doi.org/10.1101/2025.02.07.636955 doi：Biorxiv Preprint