XiaoMi-AI文件搜索系统
World File Search System容积
空间选择体积4D打印和单...
常规的添加剂制造和生物制造技术无法编辑印刷物体后期的化学物理特性。在此提出了一种新的方法，利用基于光的容积打印作为工具，即使在大型厘米级水凝胶上，即使在定制设计的几何形状中进行空间上的任何感兴趣的生物分子。作为生物材料平台，具有适合组织工程应用的可调节机械性能开发的明胶诺本烯树脂。树脂可以在高分辨率（23.68±10.75μm）的几秒钟内进行体积印刷。硫醇 - 烯单击化学允许对硫化化合物的点播发电，从小到大（Bio）分子（例如，荧光染料或生长因子）。这些分子使用体积光投影共价连接到印刷结构中，形成具有高时空对照的3D几何形状，分辨率为≈50μm。作为概念证明，血管内皮生长因子被局部照相到生物打印构建体中，并证明了区域依赖于区域内皮细胞的粘附和网络形成。这项技术为（生物）印刷构建体的化学成分的精确时空生物功能化和修改铺平了道路，以更好地指导细胞行为，建立生物活性提示梯度。此外，它为4D打印打开了未来的可能性，以模仿生物组织中本质上经历的形态学表现的动态变化。
HgCdTe APD 探测器的高速、低光子数和大动态范围光电检测开发
HgCdTe 雪崩光电二极管 (APD) 由 CEA/Leti 开发，用于实现需要检测每个空间和/或时间箱中少量光子所含信息的应用，例如 LiDAR 和自由空间光通信。此类探测器的要求与应用密切相关，这就是为什么 HgCdTe APD 技术和用于提取检测到的光电流的近距离电子设备都需要针对每种应用进行优化的原因。本通讯报告了在 H2020 项目 HOLDON 范围内制造的高动态范围 LiDAR 应用探测器和与 Mynaric Lasercom AG 合作制造的高数据速率 FSO 的开发结果。对于 FSO 应用，我们已测量了直径为 10 µm 的 APD 在单位增益下的 10 GHz 带宽。在更高的 APD 增益和直径下，BW 目前分别受载流子传输和小面积和大面积 APD 中的电阻电容积限制。对于 LiDAR，我们开发了由并联二极管阵列组成的 APD，其直径高达 200 µm，雪崩增益大，M>100，将与专用 CMOS 放大器混合使用。该电路旨在实现光子散粒噪声限制的线性检测，信号动态范围为 6 个数量级，观察时间范围从 ns 到 µs。在单位 APD 增益下进行的首次表征表明，HOLDON 探测器将满足灵敏度和线性动态范围方面的大多数所需性能参数。
2021_运输压缩天然气船舶规范 1..23
适用于专门建造或改装用于运输压缩天然气（CNG）的船舶，无论其总吨位和动力装置输出如何。运输压缩天然气的船舶 2 完全符合《海船设备规则》和《海船载重线规则》的要求。《海船入级和建造规则》 3 以及《运输液化气体船舶入级和建造规则》 4 在 CNG 规则文本规定的范围内适用于 CNG 运输船。1.2 定义和解释。1.2.1 一般定义和解释在 LG 规则中给出。CNG 规则中使用了以下定义和解释。货舱盖是货舱的上舱口盖，可以监控货舱内的货物运输情况。货舱空间是船舶结构包围的空间，货舱位于其中。货舱缸是一种圆柱形容器，由标准大直径管道制成，用于海底管道，其盘形端部构成货舱的基本容积。货舱管道是连接货舱缸体并将货舱缸体与货舱的货物阀连接的管道。盘管货舱是由长而小直径的盘管组成的货舱。圆筒货舱是由多个通过货舱管道相互连接的圆筒形压力容器组成的货舱。设计压力是货舱顶部的最大气体压力，用于设计货舱和货物管道。设计温度是货舱材料、管道、基础和使用中的货舱内壳结构中可能出现的最高或最低温度。最大允许工作压力是等于设计值 95% 的压力。
使用 MUSE 2 低成本系统记录的心脏和神经动态对模拟飞行操作期间的心理负荷进行分类
低成本、高便携性生理系统的进步为监测人类在日常生活活动和驾驶飞机等更复杂任务中的认知过程提供了良好的机会。Muse 2 系统结合了脑电图 (EEG) 和光电容积描记法 (PPG) 传感器，可以提取时域、频域和心率中的神经动力学特征。在一项研究中，我们为五名飞行员配备了 Muse 2 系统，让他们执行低负荷和高负荷交通模式任务以及被动听觉异常任务。组级分析显示，与低负荷条件相比，参与者在高负荷下表现出更高的平均心率、更低的 alpha 波段功率谱密度、更低的 P300 幅度。这些结果与之前在高度控制的环境和研究级仪器中进行的实验室研究一致。基于 EEG 频率特征，在单次试验基础上对两种水平的心理工作负荷进行分类的准确率达到 93.2%。事后分析显示，分类器主要依赖于 beta 和 gamma 波段的运动伪影特征。使用心率和 ERP 特征的分类器分别达到 76% 和 77.8% 的分类准确率。尽管该系统很有趣，但它在移动和神经人体工程学应用方面存在一些局限性，特别是电极数量有限，阻碍了使用先进的信号处理技术来解决信号中的噪声和伪影。
道教冥想阶段的皮质和自主神经反应：两种不同的冥想策略
冥想是一种与特定生理和神经相关因素有关的意识状态。对这些相关因素的大量研究报告了有争议的结果，阻碍了对潜在神经生理过程的一致描述。在这里，我们研究了分阶段冥想过程中多种神经生理指标的动态。我们测量了经验丰富的冥想者和未接受过冥想训练的受试者在静息状态和道教冥想指导过程中的生理变化。我们记录了脑电图、呼吸、皮肤电反应和光电容积描记法。所有受试者都遵循相同的指令，分为 16 个阶段。在经验丰富的冥想者组中，我们确定了两个具有不同生理标志物动态的亚组。一个亚组显示出几种全身放松的迹象，从心率变异性、呼吸频率和脑电图节律活动的变化中可以明显看出。另一个亚组表现出精神集中模式，主要在脑电图记录中可察觉，但没有发生自主反应。先前冥想经历的持续时间和类型或我们测量的任何基线指标都无法解释冥想者被分为这两组的原因。这些结果表明，经验丰富的冥想者可以使用两种不同的冥想策略，这在一定程度上解释了早期评估冥想效果的研究中报告的不一致结果。我们的发现也与高端生物反馈系统的开发有关。
使用深度神经网络对经食管超声心动图图像中的左心室进行分割
胸外按压是心肺复苏 (CPR) 期间促进全身循环的主要手段。最佳胸外按压可使心脏骤停患者获得良好的复苏效果。尽管最近的 CPR 指南建议使用实时反馈设备来在复苏期间维持高质量的 CPR，但它很少与良好的复苏效果相关[1-3]。原因之一可能是未监测胸外按压的位置。先前基于胸部计算机断层扫描的研究还发现，目前建议的胸外按压位置太高，无法有效压迫左心室 (LV) [4,5]。经食道超声心动图 (TEE) 被认为是一种很好的方法，可用于识别心脏骤停的可纠正原因以及监测 CPR 质量和位置[6-8]。它还可以在复苏期间不中断胸外按压的情况下识别受外胸按压的心脏结构[9]。因此，我们可以从心脏骤停患者 TEE 图像中评估胸外按压的准确位置和外部胸外按压产生的收缩功能。这可能验证 CPR 期间促进左心室收缩功能的最佳胸外按压方法[10-12]。分割左心室对于确定胸外按压的位置和获得心脏功能定量评估指标（如舒张末期容积、收缩末期容积、面积和射血分数）是必不可少的。人们进行了许多尝试来分割左心室。Noble 等[13]基于轮廓跟踪方法，采用了基于卡尔曼滤波器的心外膜和心内膜边界跟踪系统。Bosch 等[14]将边界检测的主动外观模型改进为主动外观运动模型，可实现全自动、强大且连续的左心室检测。大多数心脏图像，如超声波图像和核磁共振成像（MRI），都有模糊的边界和严重的噪声；因此，分析这些图像需要时间，而且结果可能因人而异。人工神经网络已被提出，因为它们提供了很高的分析精度，并使医学图像的泛化成为可能[15，16]。Smistad 等人[17]建议使用 U-Net [18] 的深度卷积神经网络进行 LV 分割模型，它由一个编码器-解码器组成，在生物医学图像中显示出鲁棒的分割模型。然而，U-Net 并没有考虑所有语义特征在解码过程中的贡献。因此，Moradi 等人[19]开发了一种改进的 U-Net，称为多特征金字塔 U-Net，其中通过在 U-Net 解码器路径的所有级别上链接特征图来补充特征。然而，现有的方法有一个局限性，即它们无法识别阴影和 LV 之间的模糊边界。此外，由于胸外按压，CPR 期间获取的 TEE 图像比正常超声心动图噪声更大。我们通过应用残差特征聚合方法和各种注意技术开发了基于 U-Net 的网络。我们的模型不仅展示了使用挤压和激励块以及残差块的强大特征提取技术，而且还关注更重要的特征。工作流程如图 1 所示。下一节描述了数据组织、深度学习的数据增强技术以及我们模型的结构。
特性分析 - ACM 数字图书馆
信息访问系统正变得越来越复杂，我们对用户在信息搜索过程中的行为的理解主要来自于定性方法，比如观察性研究或调查。利用传感技术的进步，我们的研究旨在用生理信号来表征用户行为，特别是与认知负荷、情感唤醒和效价有关的行为。我们对 26 名参与者进行了一项受控实验室研究，并收集了包括皮电活动、光电容积图、脑电图和瞳孔反应在内的数据。本研究从四个阶段探讨了信息搜索：信息需求 (IN) 的实现、查询公式 (QF)、查询提交 (QS) 和相关性判断 (RJ)。我们还包括不同的交互模式来表示现代系统，例如通过文本输入或口头表达的 QS，以及通过文本或音频信息的 RJ。我们分析了这些阶段的生理信号，并报告了成对非参数重复测量统计检验的结果。结果表明，参与者在 IN 时会经历明显更高的认知负荷，并且警觉性略有增加，而 QF 需要更高的注意力。QS 比 QF 需要更高的认知负荷。RJ 时的情感反应比 QS 或 IN 更明显，这表明在知识差距得到解决后，兴趣和参与度会更高。据我们所知，这是第一项采用更细致入微的生理信号定量分析来探索搜索过程中用户行为的研究。我们的研究结果为用户在信息搜索过程中的行为和情绪反应提供了宝贵的见解。我们相信，我们提出的方法可以为更复杂过程的特征提供信息，例如对话式信息搜索。
Q-PPG：可穿戴设备上基于节能 PPG 的心率监测
摘要 — 使用低成本光电容积描记法 (PPG) 传感器，越来越多地在腕戴式设备中执行心率 (HR) 监测。然而，由受试者手臂运动引起的运动伪影 (MA) 会影响基于 PPG 的心率跟踪的性能。这通常通过将 PPG 信号与惯性传感器的加速度测量相结合来解决。不幸的是，大多数此类标准方法都依赖于手动调整的参数，这会削弱它们的泛化能力及其对现场真实数据的适用性。相比之下，基于深度学习的方法尽管具有更好的泛化能力，但被认为过于复杂，无法部署在可穿戴设备上。在这项工作中，我们解决了这些限制，提出了一种设计空间探索方法来自动生成丰富的深度时间卷积网络 (TCN) 系列用于心率监测，所有这些网络都来自单个“种子”模型。我们的流程涉及两个神经架构搜索 (NAS) 工具和一个硬件友好的量化器的级联，它们的组合可以产生高度准确和极其轻量级的模型。在 PPG-Dalia 数据集上进行测试时，我们最准确的模型在平均绝对误差方面创下了新的最高水平。此外，我们将 TCN 部署在具有 STM32WB55 微控制器的嵌入式平台上，证明了它们适合实时执行。我们最准确的量化网络实现了 4.41 每分钟 (BPM) 的平均绝对误差 (MAE)，能耗为 47.65 mJ，内存占用为 412 kB。同时，在我们的流程生成的网络中获得 MAE < 8 BPM 的最小网络的内存占用为 1.9 kB，每次推理仅消耗 1.79 mJ。
用于高密度、精确定位神经生理学的细胞级硅探针
Egert D、Pettibone JR、Lemke S、Patel PR、Caldwell CM、Cai D、Ganguly K、Chestek CA、Berke JD。用于高密度、精确定位神经生理学的细胞级硅探针。J Neurophysiol 124：1578–1587，2020 年。首次发表于 2020 年 9 月 23 日；doi：10。1152/jn.00352.2020。—带有大量电极的神经植入物已成为检查大脑功能的重要工具。然而，与它们记录的神经元相比，这些设备通常会取代很大的颅内容积。这种大尺寸限制了植入物的密度，引发组织反应，从而降低慢性性能，并妨碍了准确可视化完整电路内记录位置的能力。我们在此报告了下一代细胞级硅基神经探针（横截面积为 5 10 毫米），具有超高密度填充（柄间最小 66 毫米），每个探针有 64 或 256 个紧密分布的记录点。我们表明，这些探针可以插入浅层或深层脑结构，并在自由活动的大鼠中连续数周记录大量尖峰。最后，我们展示了一种切片就位方法，用于精确记录相对于附近神经元和解剖特征（包括纹状体 m -阿片受体贴片）的记录点。这种可扩展的技术为检查神经回路内的信息处理以及潜在的人脑机接口提供了一种有价值的工具。
一种基于深度学习的高效解决方案，利用可穿戴传感器识别脑力负荷的相对变化
摘要 — 在本文中，提出了一种自动识别心理工作量相对变化的新解决方案。使用可穿戴传感器收集 26 名人类受试者在执行三个难度级别 n ∈{1, 2, 3} 的 n-back 任务时的 EEG、EDA、PPG 和眼动追踪数据。目标是通过将当前信号窗口与前一个信号窗口进行比较来识别心理工作量是增加、减少还是稳定。所提出的三类分类器主要使用 CNN 层和新颖的合并层，该合并层系统地捕获两个检查窗口的局部段之间的相互作用。事实上，它受到了基于 Transformer 和 CNN 的网络在时间序列分类方面的竞争成功的启发。在所提出的解决方案利用了 CNN 网络的效率的同时，由于提出了合并层，它还与 Transformer 类似，具有捕获序列局部事件之间相互作用的能力。在准确性方面，实验结果表明，在眼球方向、PPG 和 EEG 数据上，所提出的解决方案优于经典 CNN、BiLSTM 和 transformer 网络，而在眼球瞳孔直径和 EDA 数据上，其性能与 transformer 网络相当。实验结果显示，每个时期的平均训练时间明显小于 transformer 和 BiLSTM 网络。索引术语——心理工作量 (MWL)、深度神经网络 (DNN)、时间序列分类 (TSC)、眼动追踪、光电容积图 (PPG)、脑电图 (EEG)、皮肤电活动 (EDA)、n-back 任务、transformer 神经网络、卷积神经网络 (CNN)。