XiaoMi-AI文件搜索系统
World File Search System区域时
陆海互联互通项目（第二期）
副总统 Scott Morris，副总统办公室（东亚、东南亚和太平洋地区） 总干事 Leah C. Gutierrez，太平洋部（PARD） 主任 Chen Chen，交通部门办公室、部门组（SG-TRA） 项目组负责人 Rika Idei，SG-TRA 高级交通专家 项目团队成员 Rachel Mary Anne A. Basas，性别官员，气候变化和可持续发展部（CCSD） 卡梅尔·布赫玛德（Kamel Bouhmad）；国家业务主管；澳大利亚悉尼太平洋联络协调办公室（PLCO）；PARD Jeffrey B. Bowyer；高级气候变化专家；气候变化、恢复力和环境集群；CCSD Leah Ann Castro，SG-TRA 助理项目分析师 Henry Cornwell，法律顾问，总法律顾问办公室 Aaron Pasquinel Cruz；财务管理官；公共财务管理司 1；采购、投资组合和财务管理部 (PPFD) Michelle M. Dooley，高级保障措施专家，保障措施办公室 (OSFG) Taniela Faletau，保障措施专家，OSFG Dalcy Lagoni Tozaka Ilala，高级国家官员，PLCO，PARD Louise McSorley，社会发展专家，人类和社会发展部门办公室，部门组 Kathleen Mae Raro，高级运营助理，SG-TRA Prasath Sanjeewa，采购专家，采购部 1，PPFD 同行评审员 Andri Heriawan，高级运输专家，SG-TRA 在制定任何国家计划或战略、资助任何项目或在本文件中指定或提及特定领土或地理区域时，亚洲开发银行无意对任何领土或地区的法律或其他地位作出任何判断。
运动前几秒钟开始动作
抽象意志 - 对自己的自愿行动的控制感或代理意识 - 被广泛认可为人类主观经验和非人类动物的自然行为的基础。几项人类研究发现，在自愿行动之前的神经活动中达到了峰值，例如准备潜力（RP），有些人甚至在意识之前就可以解码即将发生的动作。其他人提出，随机过程是基础并解释运动前神经活动的基础。在这里，我们试图通过评估小鼠运动前神经活动是否包含随机神经活动中存在的结构是否包含结构，以解决这些问题。在记录广场[Ca ++]神经活动时，实施了自发的水回水杆式杠杆范式，我们发现在移动前秒数的差异秒数的皮质活动变化可以预测3至5 s（在某些情况下在某些情况下）在移动前3和5 s之间。，我们发现在拉杆拉动之前大约5 s开始抑制运动皮层，并且在随机未经回报的左肢运动之前，从杠杆拉动和运动皮层的激活开始。我们表明，像人类一样，小鼠在神经活动的特定阶段开始进行自我启动的动作有偏见，但是在某些小鼠中，运动前神经代码会随着时间的流逝而变化，并且在使用所有和单个皮质区域时，随着行为预测的改善而被广泛分布。这些发现支持在自发动作之前的结构化多秒神经动力学的存在，而不是随机过程所期望的。我们的结果还表明，在小鼠和人类之间可以保留自启动作用的神经机制。
多模式协作脑机接口助力疫情场景下人机团队决策
摘要 目的。关键决策是由高效的团队做出的，这些团队的特点是成员之间相互信任，并知道如何最好地整合他们的意见。在这里，我们引入了一个多模态脑机接口 (BCI)，以帮助人类和人工智能代理组成的协作团队在大流行场景中评估危险区域时做出更准确的决策。方法。使用高分辨率同步脑电图/功能性磁共振成像 (EEG/fMRI)，我们首先解开决策信心和信任的神经标记，然后使用机器学习解码这些神经特征，以进行 BCI 增强的团队决策。我们评估了 BCI 对团队决策过程的好处，并与使用标准多数或权衡个人决策的不同规模团队的表现进行了比较。主要结果。我们表明，BCI 辅助团队的决策比传统团队准确得多，因为 BCI 能够在每次试验中捕捉到信心的不同神经相关性。在协作式 BCI 的背景下，准确性和主观信心涉及平行、空间分布和时间不同的神经回路，前者专注于整合感知信息处理，后者涉及决策过程中的行动规划和执行操作。其中，顶叶上部作为一个关键区域出现，它灵活地调节其活动，并参与运动前区、前额叶、视觉和皮层下区域，以在决策过程中共享时空控制信心和信任。意义。协助人机代理团队的多模式协作式 BCI 可用于关键环境，以增强和优化决策策略。
一种新的位置隐私保护网格划分技术
攻击者可以掌握特定用户的辅助信息，并利用这些辅助信息来识别特定用户的位置。因此，针对长期统计攻击和区域攻击，本文提出了一种优化网格扩展算法的模型，并建议将缓存策略与多假名策略相结合。基于此思想，提出了一种GBGPPA。首先，用户根据隐私保护要求确定网格划分的程度，并将自己的位置投影到相应的网格上。利用遗传算法获取每个单元格的权重，对这些权重之和取平均得到阈值。其次，采用邻接网格扩展算法。该算法从第一个单元格开始，添加水平单元格的权重，然后程序判断当前权重值之和是否等于阈值。算法递归执行，直至遍历网格中的所有单元格。扩展的结果是每个单元格的权重基本相同。第三，利用缓存策略。协作小组成员可以将查询内容上传到云端，用户可以在云端信息中获得想要的查询结果。当用户在一定时间内连续发送LBS请求时，可以利用最后一次请求形成的匿名区域得到反馈信息。最后，为了掩盖用户与变化的位置信息之间的关联，采用假名策略。当用户进入匿名区域时，移动终端选择一个假名作为用户名，用户每次请求LBS时，从多个假名中选择一个作为当前用户名。通常攻击者不会将两个假名与同一个用户联系起来，该策略降低了攻击者对真实用户的识别率。
智能家居系统 (SHS) 中用户体验的神经生理相关性：来自脑电图和自主神经测量的首个证据
家庭自动化将技术、工程和用户体验 (UX) 融为一体。在此框架内，甚至神经科学也可以成为探索用户体验的宝贵学科。在这项研究中，我们首次使用神经科学方法强调了家庭自动化对用户认知和情感行为的一些独特影响。为了确定智能家居系统 (SHS) 对用户体验的可能影响，我们采用了神经科学多方法，目的是记录和对照 19 名个体在静息状态 (RS) 基线期间的神经活动 (脑电图，EEG) 和自主神经系统反应，并探索家庭自动化环境中的五个不同的技术互动区域。EEG 结果显示，当参与者探索面对 RS 的技术区域时，α 波段活动反映了普遍的神经激活。与额叶和顶枕叶区域相比，δ 波段主要存在于颞中部，并被解释为与整个用户体验相关的更高情绪激活。与 RS 相比，第六个技术互动区域（即卧室）也发现了这种影响，这应该代表着对更高多感官互动区域的情绪反应和整合处理增强。至于自主活动，与 RS 相比，卧室区域的心率 (HR) 有所增加，因此显示出对这一引人入胜的技术区域的生理指标有特定的影响。本研究是首次尝试从神经科学的角度了解用户对 SHS 的认知和情感参与反应。将根据神经生理学结果描述从这种方法中获得的一些高价值益处。
约束优化问题的有效隐式约束处理方法
许多现实世界的优化问题，尤其是工程优化问题，都涉及约束条件，这使得寻找可行解变得十分困难。许多研究人员已经针对受约束的单目标和多目标优化问题研究了这一挑战。具体而言，本研究扩展了 Gandomi 和 Deb（《计算机方法与应用机械工程》363:112917, 2020）提出的用于约束优化问题的边界更新 (BU) 方法。BU 是一种隐式约束处理技术，旨在通过迭代削减不可行搜索空间，从而更快地找到可行区域。这样做会扭曲搜索空间，使优化问题更具挑战性。为此，我们实施了两种切换机制，当找到可行区域时，将景观连同变量一起转换为原始问题。为了实现这一目标，我们考虑了两个阈值，分别代表不同的切换方法。在第一种方法中，当约束违规达到零时，优化过程将转换为不使用 BU 方法的状态。在第二种方法中，当目标空间不再发生变化时，优化过程将转入不使用 BU 方法的优化阶段。为了验证该方法的有效性，我们考虑使用著名的进化单目标和多目标优化算法来解决基准测试和工程问题。本文分别在整个搜索过程中使用和不使用 BU 方法对所提出的方法进行了基准测试。结果表明，该方法可以显著提高收敛速度，并能够更好地解决约束优化问题。
使用毕达哥拉斯模糊集对阿尔茨海默病 MRI 脑部进行分割
阿尔茨海默病 (AD) 是一种退行性且最终致命的脑部疾病，目前尚无治愈方法。这种神经系统疾病病因复杂，会导致痴呆和认知能力下降，由于脑部 MRI 图像存在差异，包括大小、形状和脑脊液流量的差异，因此很难识别。虽然 AD 没有治疗方法，但通过早期诊断可以减缓其进展。许多研究人员已经采用基于图像处理的技术，根据脑部图像区分正常患者和 AD 患者。然而，大脑的各个区域通常看起来非常相似，因此很难精确定位特定区域，而且在提取精确区域时总会存在一些不确定性。文献中提出了各种模糊 c 均值和直觉模糊 c 均值 (IFCM) 方法来处理这种模糊性和不确定性。相比之下，毕达哥拉斯模糊集 (PFS) 提供了一种更精确的验证成员资格的方法，使其成为管理不确定性的有效工具。作者分析了 PFS，并应用模糊 c 均值提出了毕达哥拉斯模糊 c 均值 (PFCM)。此外，还使用了基于直方图的初始质心来避免许多聚类算法中常见的局部最小值问题。由于结合了初始质心和基于 PFS 的聚类，所提出的聚类算法表现出了更好的性能，在不到 1.5 秒的时间内完成执行。所提出的方法在检测脑组织时实现了高准确率：白质 (WM) 为 98.64%，灰质 (GM) 为 97.4%，脑脊液 (CSF) 为 98.14%。
布哈拉太阳能和电池储能项目
Craig Roberts，PSOD Mayank Choudhary，主管，基础设施财务部 1（PSIF1），PSOD a 团队负责人 Danyaal Malik，投资专家，PSIF1，PSOD 团队成员 Genevieve Abel，首席投资专家（诚信），PSTS，PSOD Jean Claire D. Aguirre，高级投资官员，PSIF1，PSOD Amund Beitnes，投资专家，PSIF1，PSOD Ranie Catimbang，副社会发展官员，私营部门和太平洋运营服务（OSPP），保障办公室（OSFG） Donnah Ethel Gianan，社会发展官员，OSPP，OSFG Annabelle Giorgetti，高级经济学家，私营部门交易支持部（PSTS），PSOD Beatrice Gomez，首席保障专家，OSPP，OSFG Justine Padiernos，经济学官员，PSTS，PSOD Ted Platon，高级担保和银团贷款官员，担保和银团贷款部门， PSOD Arman Seissebayev，投资专家，PSIF1，PSOD b Richard Sherrington，首席保障专家，OSPP，OSFG Samantha Gloria Singson，副投资官，风险分析部，PSOD Stephanie Sioson，副保障官，OSPP，OSFG Anne Valko Celestino，高级社会发展专家（性别与发展），性别平等处，气候变化和可持续发展部 a 派驻印度常驻代表团。 b 派驻哈萨克斯坦常驻代表团。在制定任何国家计划或战略、资助任何项目或在本文件中指定或提及特定领土或地理区域时，亚洲开发银行无意对任何领土或地区的法律或其他地位作出任何判断。
医学领域的人工智能
卷积神经网络 (CNN) 逐渐被神经影像学界认可为图像分析的强大工具。尽管它们性能出色，但 CNN 功能的某些方面仍未得到人类操作员的充分理解。我们假设，通过研究 CNN 在输入已知特征的数据时的行为，可以提高应用于神经影像数据的 CNN 的可解释性。我们分析了 3D CNN 区分从扩散加权磁共振成像获得的原始和改变的全脑参数图的能力。改变包括线性改变每个脑体积中一个（单区域）或两个（双区域）解剖区域的体素强度，但不模仿任何神经病理学。通过进行十倍交叉验证并使用保留集进行测试，我们根据改变区域的强度评估了 CNN 的辨别能力，比较了后者的大小和相对位置。单区域 CNN 表明，修改的区域越大，实现良好性能所需的强度增加越小。双区域 CNN 的表现优于单区域 CNN，但在相应的单区域图像上进行测试时，只能检测到两个目标区域中的一个。利用训练数据的先验信息可以更好地理解 CNN 行为，尤其是在组合改变的区域时。这可以告知 CNN 模式检索的复杂性并阐明错误分类的示例，这对于病理数据尤其重要。所提出的分析方法可能有助于深入了解 CNN 行为并指导利用我们先验知识的增强检测系统的设计。
通过病毒，细胞外囊泡和纳米颗粒的纳米孔进行光学定量
图1：A。本研究中使用的颗粒和实验方案的特征。从上到下：VLP HIV，像人免疫缺陷病毒的粒子一样； MLV，鼠白血病病毒； HBV，肝素B病毒； AAV，Adeno相关病毒（血清型8和9）；电动汽车，细胞外囊泡。需要荧光标记颗粒：可以通过基因组修饰（HIV和MLV的GFP标记）或直接通过在样品中添加荧光团（AAV和HBV的Yoyo-1，EVS的DIO）来实现。潜在的细胞DNA在VLP HIV和EV中以红色表示，MLV中的粉红色病毒RNA和HBV和AAV中的紫色病毒DNA表示。然后将样品稀释。大小由NTA确定HIV，MLV和EVS，以及AAV 37和HBV 38的冷冻EM重建。B.零模式波导设置，用于通过纳米孔转移的颗粒。顺式腔室包含荧光标记的颗粒。在施加压力时，颗粒在跨室中的孔中推动，并在孔末端越过evanevencent的田地区域时照亮。一旦他们离开了毛孔，他们就没有专心和漂白。C.事件的荧光演变是时间和粒子出口快照的函数。归一化强度表示为AAV时间的函数（紫罗兰和红点，平均在n = 50事件上）。通过最大强度分配强度获得归一化强度。时间在事件开始时被重新缩放至零，红点与事件发生前的强度相对应。指数衰减以蓝色表示。孔径400 nm，施加压力为0.5 mbar。帧速率：112 fps。插图：图像尺寸= 10 µm。