XiaoMi-AI文件搜索系统
World File Search System中视
o r i g i n a l r e s a r c h纤维蛋白原与白蛋白的比率与2型糖尿病患者中视网膜病的发生有关
目的：2型糖尿病性视网膜病是一种长期的慢性炎症性疾病。这项研究的目的是研究2型糖尿病患者中纤维蛋白原与白蛋白比（FAR）和视网膜病之间的关系。Methods: This was a retrospective study that included 500 patients with type 2 diabetes mellitus (T2DM), and were divided into non- diabetic retinopathy group (NDR, n=297) and diabetic retinopathy group (DR, n=203) according to fundus examination findings, and the DR group was further divided into non-proliferative retinopathy group (NPDR, n = 182）和增殖性视网膜病组（PDR，n = 21）。基线数据，并计算了纤维蛋白原与白蛋白比（FAR）和嗜中性粒细胞与淋巴细胞比率（NLR）的计算，以分析FAR与NLR与2型糖尿病性视网膜病之间的相关性。结果：与NDR组相比，DR组的FAR和NLR明显更高（均为p <0.001）。Spearman相关分析表明，远与NLR和DR呈正相关（P <0.05）。随着四分位数的增加，DR的患病率增加（分别为14.8％，16.7％，25.1％和43.30％； p <0.05）。多因素逻辑回归分析表明，糖尿病病程，收缩压（SBP）和糖尿病周围神经病（DPN）是T2DM患者DR发展的危险因素。ROC曲线下的面积远，预测DR的进展为0.708，最佳临界值为7.04，ROC曲线下的糖尿病持续时间和SBP的区域分别预测DR为0.705和0.588。结论：我们的发现首次表明，远是评估2型糖尿病患者DR的独立危险因素。关键字：纤维蛋白原比，2型糖尿病，糖尿病性视网膜病，炎症，影响因子
brain2gan：灵长类动物大脑中视觉感知的特征性神经编码
神经编码的一个具有挑战性的目标是表征视觉影响的基础神经表示。为此，我们分析了猕猴视觉皮层的多单元活动与最新的深层生成模型的潜在表述，包括生成对抗网络的特征 - 触发器（即Style of Stylegan）的特征 - 触发器，而语言的差异差异网络的语言对比度表示。潜在表示的质量单变量神经编码分析表明，特征示词表示的解释越来越多的方差比腹侧流的替代表示更多。随后，对特征示意图表示的多元神经解码分析导致视觉感知的最新时空重建。综上所述，我们的结果不仅强调了特征 - 触发物在塑造视觉感知基础的高级神经表示中的重要作用，而且还可以成为神经编码未来的重要基准。
通过光谱方法和卷积神经网络评估的人类脑电图大脑活动中视觉设计要素和原理的影响
1语言和计算机科学系，计算机科学与工程学院，拉加29071Má拉加，西班牙拉加； fecabrera@uma.es（F.E.C。）; fabianvaccaro@uma.es（g.v.）; jipelaez@uma.es（J.I.P。）2应用社会研究中心（CISA），ADA BYRON研究大楼，拉加大学，29071MáLaga，西班牙拉加，3 Instituto de Instituto debiomédicadica dicadeMáLagaLaga（Ibima）西班牙29071MáLaga大学5号大学5号工程学院，数字通信学院（IDCOM），爱丁堡大学，爱丁堡8号，托马斯·贝斯Rd，爱丁堡EH9 3FG，英国javier.escudero@ed.ac.uk（J.E。）†这些作者分享了高级作者身份。
使用功能性近红外光谱技术展示驾驶过程中视觉空间注意力需求与工作记忆负荷之间的大脑层面相互作用
驾驶是一项复杂的任务，需要同时调动多种认知资源。然而，目前还缺乏研究在双任务处理中不同驾驶子任务在大脑层面的相互作用。本研究调查了与驾驶难度增加相关的视觉空间注意力需求如何与大脑层面的不同工作记忆负荷 (WML) 水平相互作用。使用多通道全头高密度功能近红外光谱 (fNIRS) 大脑激活测量，我们旨在预测驾驶难度水平，既针对每个 WML 水平进行单独预测，也使用组合模型进行预测。参与者在虚拟现实驾驶模拟器中在有并发交通的高速公路上驾驶了大约 60 分钟。在一半的时间里，路线穿过一个车道宽度较窄的建筑工地，增加了视觉空间注意力需求。同时，参与者执行了 n-back 任务的修改版本，其中有五个不同的 WML 级别（从 0-back 到 4-back），迫使他们不断更新、记忆和回忆前几个“n”速度符号的序列，并相应地调整速度。使用多元逻辑岭回归，我们能够在 15 名参与者的 75.0% 信号样本（1.955 Hz 采样率）中正确预测驾驶难度，在对每个 WML 级别分别在 fNIRS 数据上训练的分类器的样本外交叉验证中。WML 级别对驾驶难度预测有显著影响