XiaoMi-AI文件搜索系统
World File Search System受试者
RXC008 第一阶段临床试验中第一位受试者接受给药
关于 Redx Pharma Plc Redx Pharma (AIM: REDX) 是一家临床阶段的生物技术公司，专注于发现和开发用于治疗纤维化疾病、癌症和癌症相关纤维化新兴领域的新型小分子靶向疗法。Redx 的目标是在评估进一步发展和潜在价值创造的选项之前，将其项目推进到临床概念验证阶段。该公司的主要纤维化候选产品是选择性 ROCK2 抑制剂 zelasudil (RXC007)，正在开发用于间质性肺病，并且正在进行特发性肺纤维化 (IPF) 的 2a 期试验，预计在 2024 年上半年获得顶线数据。该公司的第二个纤维化候选药物 RXC008 是一种针对胃肠道的 ROCK 抑制剂，用于治疗纤维狭窄性克罗恩病，目前处于第 1 阶段开发阶段，预计在 2024 年底获得健康志愿者数据。Redx 的主要肿瘤候选产品 Porcupine 抑制剂 RXC004 正在开发作为 Wnt 配体依赖性癌症的靶向治疗，预计将在 2024 年上半年报告抗 PD-1 组合 2 期数据，随后 Redx 将寻找合作伙伴进行持续开发。该公司凭借其在药物化学和转化科学方面的核心优势，在发现新药候选物方面拥有良好的记录，使公司能够发现和开发针对生物学或临床验证靶点的差异化疗法。该公司的成就不仅体现在其全资拥有的临床阶段产品候选物和发现渠道上，还体现在其战略交易上，其中包括销售现已获得美国 FDA 批准的吡托布替尼（RXC005，LOXO-305，一种非共价或可逆的 BTK 抑制剂）。以及与阿斯利康和 Jazz Pharmaceuticals 的交易。要订阅 Redx 的电子邮件提醒，请访问：www.redxpharma.com/investor-centre/email-alerts/ 。
基于脑电图的想象语音识别的受试者内类增量深度学习方法
后印本：Jesús S. García-Salinas、Alejandro A. Torres-García、Carlos A. Reyes-Garćia、Luis Villaseñor-Pineda，基于 EEG 的想象语音识别的受试者内类别增量深度学习方法，生物医学信号处理与控制，第 81 卷 (2023)，104433，DOI：10.1016/j.bspc.2022.104433
MI-BCI 性能与受试者特定的频带特征相关
* 电子邮件：camille.benaroch@inria.fr 简介：运动想象 (MI) 任务调节 EEG 活动，尤其是在 α 和 β 频带 (8-30 Hz) 中。在 BCI 校准期间，通常使用数据驱动方法来选择这些频带中的特征，而很少考虑由此产生的人类表现。这种方法能达到最佳性能吗？为了回答这个问题，本研究调查了机器学习选择的特定受试者频带的特征（平均频率 (FB-Mean) 和长度 (FB-Length)）与在线 BCI 用户表现之间的关系。
认知心理学和神经科学实验数据的受试者内调解分析
tatitions调解使研究人员能够通过中间变量研究实验操作的潜在因果关系。这是评估假定因果机制的存在和强度的强大工具。尽管调解在心理学的某些领域，但很少应用于认知心理学和神经科学。缺乏应用程序的原因之一是，这些心理学领域通常采用受试者内部设计，而对受试者内部数据的调解模型比对受试者间数据的数据要复杂得多。在这里，我们提请人们注意主题内部设计中中介假设的重要性和普遍性，并提出了一个通用和灵活的软件包，用于在R编程环境中进行贝叶斯内部受试者内部调解分析。我们使用认知心理学的实验数据来说明理论测试和比较的受试者内部调解的好处。
大脑动力学的堆叠模型可以提高 fMRI 对受试者特征的预测
2 在 HMM-MAR MATLAB 工具箱和 glhmm Python 工具箱中，这由 'DirichletDiag'/'dirichlet_diag' 选项指定。3 𝐾= 6, 𝛿= 10 4 𝐾∈{3,6,9,12, 15},𝛿∈{10,100, 1000, 10000, 100000} 。有关详细信息，请参阅补充表 SI-3。
在脑电图选择中的优化脑电图障碍受试者的脑电图信号分析
脑电图是检测睡眠障碍的非常有效的工具。在文献调查中讨论了各种算法进步。信号采集，预处理，特征提取和分类是其实施的一般步骤。由于人工神经网络（ANN）非常适用于睡眠障碍的识别，因此无需明确的特征提取。ANN本质上能够理解数据中的基本模式。计算出的召回的值不过是在各自电极所做的读数的总体组合。随着数据的变化而变化。如今，通过选择最佳特征选择方法，该作品在优化电极数量方面正在进展。如今，通过选择最佳特征选择方法，该作品在优化电极数量方面正在进展。
静息睡眠时间的受试者间和分区间变异性......
a 德国于利希研究中心神经科学与医学研究所（INM-7） b 德国杜塞尔多夫大学海因里希-海涅医学院系统神经科学研究所 c 法国塞尔吉巴黎大学理论与建模实验室，CNRS，UMR 8089，塞尔吉-蓬图瓦兹 cedex 95302 d 德国于利希研究中心于利希超级计算中心（JSC）高级模拟研究所 e 德国于利希研究中心神经科学与医学研究所（INM-1） f 新加坡国立大学睡眠与认知中心、转化磁共振研究中心和 N.1 健康研究所 g 新加坡国立大学电气与计算机工程系 h 美国马萨诸塞州查尔斯顿麻省总医院 Martinos 生物医学成像中心 i 新加坡综合科学与工程项目（ISEP）
基于脑电图的跨受试者疲劳心理状态预测迁移学习方法
摘要：疲劳驾驶是造成交通事故的主要原因之一，基于脑电图（EEG）的心理状态分析方法是一种有效、客观的疲劳检测方法。然而，由于脑电图在不同受试者中存在显著差异，如何将现有受试者的脑电图分析模型有效地“迁移”到其他受试者的脑电信号上仍是一个挑战。领域对抗神经网络（DANN）在迁移学习中表现优异，尤其在文档分析和图像识别领域，但尚未直接应用于基于脑电图的跨受试者疲劳检测。本文提出了一种基于DANN的模型Generative-DANN（GDANN），该模型结合生成对抗网络（GAN）来增强其能力，解决了不同受试者脑电图分布不同的问题。对比结果表明，在跨受试者任务分析中，GDANN 对跨受试者疲劳检测的平均准确率为 91.63%，高于传统分类模型，有望在实际脑机交互（BCI）中具有更为广阔的应用前景。
