XiaoMi-AI文件搜索系统
World File Search System主体
分歧的干细胞机制，负责主体轴和附属物再生
此预印本版的版权持有人于2025年2月11日发布。 https://doi.org/10.1101/2025.02.11.637618 doi：Biorxiv Preprint
跨主体解码本地场电位的眼动目标
神经工程的最新进展表明，通过长期植入的微电极阵列从受试者的前额叶皮层（PFC）收集的局部田间电位（LFP）信号是用于设计鲁棒和弹性大脑 - 计算机接口（BCIS）[1-4]的峰值计数记录的可靠替代方法。非参数回归的理论已证明对基于LFP的解码器的成功至关重要。如[4，5]所述，非参数回归在LFPS中的应用导致基于著名的Pinsker定理的基于复杂的基于频谱的特征提取技术的发展。与流行的特征提取方法相反，例如基于常规的功率谱密度（PSD）的解码器[6]或基于试验的空间协方差矩阵[7，8]的解码器，仅考虑了LFP信号振幅中存储的信息，Pinsker的特征
使用黎曼迁移学习最小化 BCI 的主体相关校准
摘要 — 校准仍然是脑机接口 (BCI) 用户体验的重要问题。常见的实验设计通常涉及较长的训练期，这会增加认知疲劳，甚至在开始使用 BCI 之前。依靠先进的机器学习技术（例如迁移学习），可以减少或抑制这种依赖于受试者的校准。基于黎曼 BCI，我们提出了一种简单有效的方案，根据从不同受试者记录的数据训练分类器，以减少校准同时保持良好的性能。本文的主要新颖之处在于提出了一种可应用于非常不同范式的独特方法。为了证明这种方法的稳健性，我们对三个 BCI 范式的多个数据集进行了荟萃分析：事件相关电位 (P300)、运动意象和 SSVEP。依靠 MOABB 开源框架来确保实验和统计分析的可重复性，结果清楚地表明，所提出的方法可以应用于任何类型的 BCI 范式，并且在大多数情况下可以显著提高分类器的可靠性。我们指出了一些进一步改进迁移学习方法的关键特征。
宗教主体对公共和私人学生道德行为发展的贡献
kitula07@gmail.com摘要：本研究评估了教授宗教学科在阿鲁沙市公立和私立中学学生发展道德行为方面的有效性。具体目标是研究教授宗教学科的实践，评估他们对学生道德行为的影响，并确定在教授这些学科方面经历的挑战。这项研究是基于劳伦斯·科尔伯格（Lawrence Kohlberg）的道德发展理论，该理论认为个人通过道德推理的不同阶段发展。该研究采用了采用收敛设计的混合方法方法。人口包括来自61所中学的34,300名学生，61名学校校长和901名教师。使用分层，简单的随机和标准目的抽样技术选出了100名受访者的样本，包括6名学校，24名教师和70名学生。通过问卷调查和访谈收集数据，并使用推论和描述性统计数据分析定量数据，同时使用内容分析分析定性数据。的调查结果表明，宗教学科是在公立和私立中学都积极教授的，在私立学校中更加重视（p = 0.000）。宗教学科的教学显着促进了您面临许多挑战，包括缺乏专业精神的挑战。关键词：宗教，行为，圣经，伊斯兰，贡献如何引用这项工作（APA）：该研究得出的结论是，宗教教育有助于学生之间的道德行为发展，并建议父母，宗教领袖和政府强调宗教学科的教学，以增强学生的道德发展。
自然音乐聆听期间大脑反应的主体间同步
音乐是人类体验的文化普遍性，也是丰富的部分。然而，关于支持扩展的自然主义“现实世界”音乐刺激的处理和整合的常见大脑系统知之甚少。我们通过展示交响音乐的扩展摘录以及两种假刺激来检查这个问题，其中自然音乐条件的时间和频谱结构被破坏了，这些刺激被破坏了，向接受功能性的脑成像的非音乐参与者分析了同步的空间时代活动模式。我们发现，音乐可以同步双边听觉中脑和丘脑的听众的大脑反应，主要听觉和听觉协会皮层，额叶和顶壁皮层的右侧结构以及大脑的运动规划区域。与伪音乐控制条件相比，自然音乐的这些影响更大。非常明显的是，自然音乐条件下的下丘和内侧基因核中的受试者间同步也更大，这表明在听觉过程的这些早期阶段，同步不简单地由刺激的光谱特征驱动。在音乐聆听过程中的同步性增加也很明显，这在右半球额叶 - 顶部 - 顶部注意力网络和涉及运动计划的双边皮质区域也很明显。尽管这些大脑结构以前已经与音乐处理的各个方面有关，但我们的结果是第一个表明这些区域在持续时间持续的时间段内跟踪音乐刺激的结构元素。我们的结果表明，在处理扩展音乐序列期间，个体之间同步的层次分布式网络，并为复杂和生物学上显着的听觉序列的时间整合提供了新的见解。
评论文章 新兴锂金属主体梯度设计取得进展
开发宿主材料已被认为是一种潜在的对策，可以避免锂金属负极 (LMA) 的固有缺陷，例如不受控制的枝晶生长、不稳定的固体电解质界面和有限的体积波动。为了实现适当的锂容纳，特别是自下而上的锂金属沉积，包括亲锂性和/或导电性的宿主材料梯度设计近年来引起了广泛关注。然而，对于这个快速发展的主题，仍然缺少批判性和专门性的综述。在这篇综述中，我们试图全面总结和更新指导锂成核和沉积的相关进展。首先，讨论了有关锂沉积的基本原理，特别关注宿主材料的梯度设计原理。相应地，系统地回顾了在亲锂性、导电性及其混合方面创建不同梯度的进展。最后，提供了面向实用 LMA 的先进宿主材料梯度设计的未来挑战和前景，这将为未来的研究提供有用的指导。
一种多主体闭环方法，用于自主发现氮还原的电催化剂
快速发现新型高性能电催化剂对于促进化学和材料行业的电化学革命至关重要。1,2然而，从大量可能的设计空间中识别最有希望的催化剂系统代表了一个重要的挑战。3，这种挑战会随着电催化剂设计的细微差别而加剧，扩展到新型材料类别，在这种新型材料类别中，确定最佳的活动趋势可能是高度不平凡的。不仅新近培养的催化剂需要具有最佳的催化活性，而且还需要满足其他几个绩效限制，以便在工业规模上相关。例如，（1）任何有前途的候选系统都必须在经济上可行（例如能够以相对较低的成本以相对较低的成本进行大规模合成），（2）候选系统必须在动态和操作上稳定，等等。因此，理想高性能催化剂的发现和设计需要平衡几个标准，不限于催化性能，
用于运动想象脑电图解码的跨主体深度迁移学习
摘要 — 卷积神经网络 (CNN) 已成为解码 EEG 的强大技术，并已成为运动想象 EEG 脑机接口 (BCI) 解码的基准。然而，在不降低个体表现的情况下在多个受试者的 EEG 上训练 CNN 仍然具有挑战性。这被称为负迁移问题，即从不同的分布中学习会导致 CNN 错误地表示每个受试者的 EEG，而不是学习更丰富的表示。因此，CNN 不能直接使用多个受试者的 EEG 来直接提高模型性能。为了解决这个问题，我们将深度迁移学习技术扩展到 EEG 多受试者训练案例。我们提出了一个多分支深度传输网络，即分离-公共-分离网络 (SCSN)，该网络基于为各个受试者拆分网络的特征提取器。我们还探讨了将最大均值差异 (MMD) 应用于 SCSN (SCSN-MMD) 的可能性，以更好地对齐来自各个特征提取器的特征分布。在 BCI 竞赛 IV 2a 数据集 (BCICIV2a 数据集) 和我们的在线记录数据集上对所提出的网络进行了评估。结果表明，所提出的 SCSN (81.8%，53.2%) 和 SCSN-MMD (81.8%，54.8%) 在使用多个受试者的两个数据集上均优于基准 CNN (73.4%，48.8%)。我们提出的网络显示出利用更大的多受试者数据集来训练 EEG 解码器的潜力，而不会受到负迁移的影响。索引术语 — 脑机接口、EEG、多受试者、深度学习、迁移学习、在线解码 I. 介绍
利用合成主体不变 EEG 信号实现零校准 BCI
摘要 — 最近，使用现代机器学习技术解码和解释脑信号的脑机接口 (BCI) 领域取得了实质性进展。虽然脑电图 (EEG) 提供了一种与人脑交互的非侵入性方法，但获取的数据通常严重依赖于受试者和会话。这使得将这些数据无缝整合到现实世界的应用中变得棘手，因为受试者和会话数据的差异可能导致漫长而繁琐的校准要求和跨受试者泛化问题。专注于稳态视觉诱发电位 (SSVEP) 分类系统，我们提出了一种生成高度逼真的合成 EEG 数据的新方法，这些数据不受任何受试者、会话或其他环境条件的影响。我们的方法称为主题不变 SSVEP 生成对抗网络 (SIS-GAN)，它使用单个网络从多个 SSVEP 类别生成合成 EEG 数据。此外，通过利用固定权重预训练的主题分类网络，我们确保我们的生成模型对主题特定特征保持不可知，从而生成可应用于新的以前未见过的主题的主题不变数据。我们广泛的实验评估证明了我们的合成数据的有效性，在使用我们的主题不变合成 EEG 信号进行训练时，可实现卓越的性能，在零校准分类任务中可提高高达 16 个百分点。
使用频道特征的可解释的基于EEG的跨主体EEG识别“ 2279
摘要：基于脑电图（EEG）的情绪识别正在对脑部计算机界面（BCI）和医疗保健的研究中受到显着关注。要准确地从脑电图数据中识别跨主体情绪，必须为与脑电图数据收集过程相关的主题可变性提供有效表示的技术。在本文中，提出了一种使用时间序列分析和空间相关性预测跨受试者情绪的新方法。为代表大脑区域之间的空间连通性，提出了依靠通道的特征，该特征可以有效地处理所有通道之间的相关性。通过对称矩阵定义了通道的特征，其元素是由Pearson相关系数计算得出的，这些元素在两倍通道之间能够互补处理主题特异性变异性。然后，渠道特征将被馈送到两层堆叠的长短期内存（LSTM），该记忆可以提取时间特征并学习情感模型。对两个公开数据集进行了广泛的实验，即使用生理信号（DEAP）的情绪分析数据集和SJTU（Shanghai jiao Tong University）情绪EEG数据集（SEED），证明了渠道功能和LSTM联合使用的效果。实验结果在DEAP的两级价值分类和唤醒的两级分类期间，最新的分类率分别为98.93％和99.10％，在种子中三级分类期间的精度为99.63％。