XiaoMi-AI文件搜索系统
World File Search System多通
血管结合的多通盘椎间盘纳米结构，用于小剂量多西他赛的三阴性乳腺癌生长
三重阴性乳腺癌（TNBC）中的紫杉烷功效受到肿瘤积累不足和严重的脱靶效应的限制。纳米药物提供了一个独特的机会来增强这种药物的抗癌效力。在这里，对封装多西马谢尔（DTXL）和近红外化合物脂质-CY5进行了1,000 nm compoidal聚合物纳米结构（DPN）的盘状聚合物纳米结构（DPN）。dpn。与常规的“单个通用”方法相比，所得的“多通道” DPN表现出更高的DTXL载荷，脂质-CY5稳定性和刚度。共聚焦显微镜证实，MDA-MB-231细胞不接受DTXL-DPN，而是宁愿坐在细胞膜旁边，并缓慢释放其DTXL。空DPN对TNBC细胞没有毒性，而DTXL-DPN具有可与游离DTXL相当的细胞毒性潜在（IC 50 = 2.6 nm±1.0 nm，而在72 h时为7.0 nm±1.09 nm）。在原位鼠模型中，DPN在TNBC中积累的DPN比自由DTXL更有效。仅使用2 mg/kg DTXL，每2天静脉内给药，总共13种治疗，DTXL-DPN诱导的肿瘤退化，并在120天以120天的自由-DTXL的生存率与30％的生存率相关。所有未经治疗的小鼠在90天之前屈服。总体而言，这些数据表明，循环血小板的行为的血管限制的多通道DPN可以有效地将化学疗法分子递送到恶性组织中，并有效地治疗至少紫杉烷剂量的原位性TNBC。
CluSem：基于精确聚类的集成方法，从多通道脑电图数据预测运动想象任务
a 联合国际大学计算机科学与工程系，孟加拉国达卡巴达联合城，邮编 1212 b 斐济国立大学电气与电子工程学院，斐济苏瓦 c 格里斯大学集成与智能系统研究所，澳大利亚昆士兰州布里斯班 d 日本理化学研究所综合医学科学中心 e 斐济南太平洋大学 f 罗格斯大学计算机科学系，新泽西州卡姆登，邮编 08102，美国 g 罗格斯大学计算与综合生物学中心，新泽西州卡姆登，邮编 08102，美国
![用于人工智能和神经形态计算的硅光子学 Bhavin J. Shastri 1,2、Thomas Ferreira de Lima 2、Chaoran Huang 2、Bicky A. Marquez 1、Sudip Shekhar 3、Lukas Chrostowski 3 和 Paul R. Prucnal 2 1 加拿大安大略省金斯顿皇后大学物理、工程物理和天文学系，邮编 K7L 3N6 2 普林斯顿大学电气工程系，邮编 新泽西州普林斯顿 08544，美国 3 加拿大不列颠哥伦比亚大学电气与计算机工程系，邮编 BC 温哥华，邮编 V6T 1Z4 shastri@ieee.org 摘要：由神经网络驱动的人工智能和神经形态计算已经实现了许多应用。电子平台上神经网络的软件实现在速度和能效方面受到限制。神经形态光子学旨在构建处理器，其中光学硬件模拟大脑中的神经网络。 © 2021 作者 神经形态计算领域旨在弥合冯·诺依曼计算机与人脑之间的能源效率差距。神经形态计算的兴起可以归因于当前计算能力与当前计算需求之间的差距不断扩大 [1]、[2]。因此，这催生了对新型大脑启发算法和应用程序的研究，这些算法和应用程序特别适合神经形态处理器。这些算法试图实时解决人工智能 (AI) 任务，同时消耗更少的能量。我们假设 [3]，我们可以利用光子学的高并行性和速度，将相同的神经形态算法带到需要多通道多千兆赫模拟信号的应用，而数字处理很难实时处理这些信号。通过将光子设备的高带宽和并行性与类似大脑中的方法所实现的适应性和复杂性相结合，光子神经网络有可能比最先进的电子处理器快至少一万倍，同时每次计算消耗的能量更少 [4]。一个例子是非线性反馈控制；这是一项非常具有挑战性的任务，涉及实时计算约束二次优化问题的解。神经形态光子学可以实现新的应用，因为没有通用硬件能够处理微秒级的环境变化 [5]。](/simg/d/d0b24e3de4e984953fcbe1080336ba472eefd4f9.png)
用于人工智能和神经形态计算的硅光子学 Bhavin J. Shastri 1,2、Thomas Ferreira de Lima 2、Chaoran Huang 2、Bicky A. Marquez 1、Sudip Shekhar 3、Lukas Chrostowski 3 和 Paul R. Prucnal 2 1 加拿大安大略省金斯顿皇后大学物理、工程物理和天文学系，邮编 K7L 3N6 2 普林斯顿大学电气工程系，邮编 新泽西州普林斯顿 08544，美国 3 加拿大不列颠哥伦比亚大学电气与计算机工程系，邮编 BC 温哥华，邮编 V6T 1Z4 shastri@ieee.org 摘要：由神经网络驱动的人工智能和神经形态计算已经实现了许多应用。电子平台上神经网络的软件实现在速度和能效方面受到限制。神经形态光子学旨在构建处理器，其中光学硬件模拟大脑中的神经网络。 © 2021 作者 神经形态计算领域旨在弥合冯·诺依曼计算机与人脑之间的能源效率差距。神经形态计算的兴起可以归因于当前计算能力与当前计算需求之间的差距不断扩大 [1]、[2]。因此，这催生了对新型大脑启发算法和应用程序的研究，这些算法和应用程序特别适合神经形态处理器。这些算法试图实时解决人工智能 (AI) 任务，同时消耗更少的能量。我们假设 [3]，我们可以利用光子学的高并行性和速度，将相同的神经形态算法带到需要多通道多千兆赫模拟信号的应用，而数字处理很难实时处理这些信号。通过将光子设备的高带宽和并行性与类似大脑中的方法所实现的适应性和复杂性相结合，光子神经网络有可能比最先进的电子处理器快至少一万倍，同时每次计算消耗的能量更少 [4]。一个例子是非线性反馈控制；这是一项非常具有挑战性的任务，涉及实时计算约束二次优化问题的解。神经形态光子学可以实现新的应用，因为没有通用硬件能够处理微秒级的环境变化 [5]。
用于人工智能和神经形态计算的硅光子学 Bhavin J. Shastri 1,2、Thomas Ferreira de Lima 2、Chaoran Huang 2、Bicky A. Marquez 1、Sudip Shekhar 3、Lukas Chrostowski 3 和 Paul R. Prucnal 2 1 加拿大安大略省金斯顿皇后大学物理、工程物理和天文学系，邮编 K7L 3N6 2 普林斯顿大学电气工程系，邮编 新泽西州普林斯顿 08544，美国 3 加拿大不列颠哥伦比亚大学电气与计算机工程系，邮编 BC 温哥华，邮编 V6T 1Z4 shastri@ieee.org 摘要：由神经网络驱动的人工智能和神经形态计算已经实现了许多应用。电子平台上神经网络的软件实现在速度和能效方面受到限制。神经形态光子学旨在构建处理器，其中光学硬件模拟大脑中的神经网络。 © 2021 作者 神经形态计算领域旨在弥合冯·诺依曼计算机与人脑之间的能源效率差距。神经形态计算的兴起可以归因于当前计算能力与当前计算需求之间的差距不断扩大 [1]、[2]。因此，这催生了对新型大脑启发算法和应用程序的研究，这些算法和应用程序特别适合神经形态处理器。这些算法试图实时解决人工智能 (AI) 任务，同时消耗更少的能量。我们假设 [3]，我们可以利用光子学的高并行性和速度，将相同的神经形态算法带到需要多通道多千兆赫模拟信号的应用，而数字处理很难实时处理这些信号。通过将光子设备的高带宽和并行性与类似大脑中的方法所实现的适应性和复杂性相结合，光子神经网络有可能比最先进的电子处理器快至少一万倍，同时每次计算消耗的能量更少 [4]。一个例子是非线性反馈控制；这是一项非常具有挑战性的任务，涉及实时计算约束二次优化问题的解。神经形态光子学可以实现新的应用，因为没有通用硬件能够处理微秒级的环境变化 [5]。
使用多通道卷积和循环神经网络自动检测患者间的癫痫发作
我们提出了一种端到端深度学习模型，可以自动检测多通道脑电图 (EEG) 记录中的癫痫发作。我们的模型结合了卷积神经网络 (CNN) 和双向长短期记忆 (BLSTM) 网络，使用少量可训练参数有效地从 EEG 数据中挖掘信息。具体来说，CNN 会为原始多通道 EEG 数据的每个一秒窗口学习一个潜在编码。同时，BLSTM 会根据 CNN 编码学习癫痫发作表现的时间演变。这些架构的组合使我们的模型能够捕获指示癫痫发作活动的短时间尺度 EEG 特征以及癫痫发作表现中的长期相关性。与大多数先前的癫痫发作检测工作不同，我们通过留一患者交叉验证程序模拟住院监测环境，在所有患者中达到 0.91 的平均癫痫发作检测灵敏度。该策略验证了我们的模型可以推广到新患者。我们证明我们的 CNN-BLSTM 优于传统的特征提取方法和依赖于更大、更复杂的网络架构的最先进的深度学习方法。
多通道生物信号记录系统中 CMRR 下降的分析
摘要 — 近期已有报道采用共享参考方案并实现高共模抑制比（即 CMRR > 80dB）的多通道生物信号记录系统。虽然众所周知，共享参考方案会导致生物放大器输入端的阻抗不匹配，从而限制可实现的最大 CMRR，但仍然缺乏能够对这种退化源进行定量评估的理论研究。本简报提供了由电极阵列和生物放大器组成的输入接口的等效电路模型，然后进行了完整分析以计算 CMRR 退化。本文介绍了基于先前设计和制造的 180nm CMOS 工艺的 32 通道神经记录前端的模拟结果，结果与理论结果非常吻合。
形波变换多通道脑电图通道选择
本文提出了一种基于EEG形波变换的EEG通道选择方法，旨在减少受试者的设置时间和不便，并提高脑机接口（BCI）的应用性能。具体而言，该方法通过同时解决关于EEG形波学习、超平面学习和EEG通道权重学习的嵌入逻辑损失最小化问题来选择前k个EEG通道。特别地，为了学习有区别的EEG形波来加权每个EEG通道对逻辑损失的贡献，在此过程中还最小化EEG形波相似性。此外，本文采用梯度下降策略来解决非凸优化问题，最终得到称为StEEGCS的算法。结果，与所有EEG通道相比，使用StEEGCS选择的EEG通道的分类准确率有所提高，并且分类时间消耗也减少了。此外，在几个真实世界 EEG 数据集上与几种最先进的 EEG 通道选择方法的比较也证明了 StEEGCS 的有效性和优越性。
沿轨干涉机载雷达的飞行中多通道校准
摘要 — 多通道校准对于检测移动目标并准确估计其位置和速度至关重要。本文介绍了一种快速有效的沿轨多通道系统校准算法，特别是针对时空自适应处理 (STAP) 技术。所提出的算法校正了接收通道的相位和幅度偏移，还考虑了沿斜距和方位角时间的多普勒质心变化（例如由大气湍流引起）。多普勒质心变化的知识对于准确的杂波协方差矩阵估计尤其重要，这是 STAP 有效抑制杂波所必需的。重要的校准参数和偏移量直接从距离压缩训练数据中估计。基于使用 DLR 机载系统 F-SAR 获取的真实多通道 X 波段雷达数据对所提出的算法进行了评估，并与最先进的数字通道平衡技术进行了比较。实验结果表明，所提出的校准算法在实时应用中具有潜力。
用于多通道和局部的同轴微针电极...
电生理记录需要组织中低侵入性电极几何结构和高质量信号采集。在这里，我们提出了一种直径 < 10 μ m 的同轴电缆启发式针电极，它由针中的核心电极和另一个壳电极包围。通过对体内小鼠皮层进行多通道记录证实了这些电极的神经元记录能力。鉴于壳电极起着参考电极的作用，同轴电极还可以在组织内的局部区域进行差异记录。与没有参考壳电极的记录相比，差异记录显示出两倍高的信噪比，同时响度增加。这些结果表明，同轴微针电极将在电生理记录（包括离体和体外应用）中提供与体内记录类似的高质量神经元信号。
用于监测系统性低频振荡的低成本多通道 NIRS 血氧仪
摘要 系统性低频振荡 (sLFO) 是频率为 0.01–0.15 Hz 的非神经元振荡。这些 sLFO 以对称（横跨身体中线）和高度可预测的延迟穿过整个身体和大脑，可以通过功能性近红外光谱 (fNIRS) 和血氧水平依赖性功能性磁共振成像观察到它们。它们的特性可作为检测和监测循环功能障碍的有用生物标志物。纯 sLFO 可以在外围（例如手指、脚趾、耳垂）收集。在这里，我们介绍了一种用于检测和分析外围 sLFO 的 7 通道 NIRS 血氧仪 [MNO]，我们将其命名为并发连续波 fNIRS 系统 (CON-CW fNIRS)。我们的 CON-CW fNIRS 体积小（10 9 10 9 20 cm 3 ），便携性高，功耗低，性价比高（低于 300 美元）。我们表明，我们的设备非常可靠，并且可以通过直接比较（r max = 0.908 D [HbO] 和 r max = 0.841 D [Hb]）以及与之前发布的数据进行比较，重现使用商用 fNIRS 设备获取的值。
利用多通道脑电图数据预测脑机接口应用的运动想象任务
。CC-BY-NC-ND 4.0 国际许可，未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者（此版本于 2020 年 4 月 9 日发布。；https://doi.org/10.1101/2020.04.08.032201 doi：bioRxiv preprint