XiaoMi-AI文件搜索系统
World File Search System开源
在大型开源数据集上验证BCI性能的神经生理预测指标
大脑计算机界面（BCI）是处理大脑活动以从中解码特定命令的系统，例如在用户Image-Im-Ine运动时生成的运动成像模式。尽管对BCI的兴趣日益增加，但由于用户内部和内部的可变性，它们引起了重大挑战，尤其是在解码不同的神经模式方面。文献表明，各种预测因子与受试者的BCI绩效相关。在这些指标中，神经生理学的预测符似乎是最有效的，尽管研究通常涉及小样本，结果并未被复制，从而质疑其可靠性。在我们的研究中，我们使用了一个带有85位受试者的大型数据集来分析文献和BCI性能中确定的不同预测因子之间的关系。我们的发现表明，在此数据集中可以替换了测试的六个预测因子中的四个。这些结果强调了验证文献发现的必要性，以确保此类预测因子的可靠性和适用性。
基于机器学习的3D点云分类和多个时空变化分析，并使用开源科学
方法和结果：虽然深层神经网络的新方法正在迅速发展[1]，但足够且适当的训练数据（通常是带注释的点云）的瓶颈仍然是地球科学中许多应用的主要障碍。那些饥饿的学习方法取决于训练数据的适当域表示，这对天然表面和动态具有挑战性，在较高的阶层内变异性。通过VLS生成的合成激光元点云，例如，使用开源模拟器Helios ++ [3]，可以解决一些解决方案，以克服缺乏给定任务的训练数据。在代表目标表面类的虚拟3D/4D场景中，可以模拟不同的激光雷达广告系列，所有生成的点云被自动注释。VLS软件（例如Helios ++）允许模拟给定场景的任何激光雷达平台和设置，该平台为数据增强提供了很高的潜力，并创建了针对特定应用程序的培训样品。在最近的实验[1]中，纯粹的合成训练数据可以实现类似的性能，以从现实世界中获得的昂贵标记的训练数据进行语义场景分类。
2025开源安全和风险分析报告
注意：黑鸭审计团队如何评估和介绍审核数据的几个改进。值得注意的是，单个提交的客户代码库现在被分为多个称为“项目”的分析。这项新技术提供了一种更精细的方法来分析代码库，并为客户提供了一些好处，包括更详细的报告和更准确的组件识别和依赖性跟踪。更改还会影响审计数据的呈现。例如，虽然为简单起见，但我们仍然指奥斯拉（Ossra）中的“代码库”，在更精细的层面上，这些代码库需要分析2024年在2024年提交给Black Duck的1,658个单独的项目。
2024开源安全和风险分析报告
注意：黑鸭审计团队如何评估和介绍审核数据的几个改进。值得注意的是，单个提交的客户代码库现在被分为多个称为“项目”的分析。这项新技术提供了一种更精细的方法来分析代码库，并为客户提供了一些好处，包括更详细的报告和更准确的组件识别和依赖性跟踪。更改还会影响审计数据的呈现。例如，虽然为简单起见，但我们仍然指奥斯拉（Ossra）中的“代码库”，在更精细的层面上，这些代码库需要分析2024年在2024年提交给Black Duck的1,658个单独的项目。
使用低成本开源脑机接口和 3D 打印腕外骨骼诱导神经可塑性
摘要：脑机接口 (BCI) 已被证明可用于中风康复，但有许多因素阻碍了该技术在康复诊所和家庭中的使用，主要因素包括 BCI 系统的可用性和成本。本研究的目的是开发一种廉价的 3D 打印腕外骨骼，可由廉价的开源 BCI (OpenViBE) 控制，并确定使用这种设置进行训练是否可以诱导神经可塑性。11 名健康志愿者想象手腕伸展，这些伸展通过单次脑电图 (EEG) 检测到，作为响应，腕外骨骼复制了预期的运动。在使用外骨骼进行 BCI 训练之前、之后立即和 30 分钟后测量使用经颅磁刺激引起的运动诱发电位 (MEP)。BCI 系统的真阳性率为 86 ± 12%，每分钟有 1.20 ± 0.57 次误检。与 BCI 训练前的测量结果相比，MEP 在训练后立即增加了 35 ± 60%，在 BCI 训练 30 分钟后增加了 67 ± 60%。BCI 性能与可塑性诱导之间没有关联。总之，可以使用开源 BCI 设置检测想象运动并控制廉价的 3D 打印外骨骼，当与 BCI 结合时可以诱导神经可塑性。这些发现可能会促进 BCI 技术在康复诊所和家庭中的普及。然而，可用性必须提高，并且需要对中风患者进行进一步测试。
在快速支付系统的背景下开源技术
©2025国际重建与发展银行 /世界银行1818 H街NW华盛顿特区20433电话：202-473-1000 Internet：www.worldbank.org，此卷是世界银行工作人员的产物。本卷中表达的发现，解释和结论并不一定反映了世界银行或其代表的政府的执行董事的观点。世界银行不能保证本工作中包含的数据的准确性。本工作中任何地图上显示的边界，颜色，教派和其他信息并不意味着世界银行关于任何领土的法律地位，认可或接受此类界限的任何判断。权利和权限本出版物中的材料均具有版权。由于世界银行鼓励他们的知识传播，因此，只要给出全部归因，就可以全部或部分复制这项工作。
MatchMiner：癌症精准医疗的开源平台
(a) 示例 PM 试验方案中的自由文本受试者资格标准。A 组招募患有结直肠癌和任何 KRAS G12 突变（G12C 除外）的患者。B 组招募患有 EGFR 改变（特别是 EGFR 外显子 19 插入或 EGFR 扩增）的除乳腺癌以外的实体瘤的患者。(b) 试验细节已转换为 CTML，其中包含与基本试验元数据（橙色）和治疗组（深蓝色）相关的精选信息，其中包含特定的基因组（青绿色）和临床（浅蓝色）匹配标准。A 组和 B 组排除使用感叹号进行注释。
MatchMiner：癌症精准医疗的开源平台
(a) 示例 PM 试验方案中的自由文本受试者资格标准。A 组招募患有结直肠癌和任何 KRAS G12 突变（G12C 除外）的患者。B 组招募患有 EGFR 改变（特别是 EGFR 外显子 19 插入或 EGFR 扩增）的除乳腺癌以外的实体瘤的患者。(b) 试验细节已转换为 CTML，其中包含与基本试验元数据（橙色）和治疗组（深蓝色）相关的精选信息，其中包含特定的基因组（青绿色）和临床（浅蓝色）匹配标准。A 组和 B 组排除使用感叹号进行注释。
BioPyC，一个用于离线脑电图和生理信号分类的开源 Python 工具箱
摘要：近几十年来，脑机接口 (BCI) 的研究变得更加民主，使用基于脑电图 (EEG) 的 BCI 的实验急剧增加。协议设计的多样性和对生理计算日益增长的兴趣要求同时改进 EEG 信号和生物信号（如皮肤电活动 (EDA)、心率 (HR) 或呼吸）的处理和分类。如果一些基于 EEG 的分析工具已经可用于许多在线 BCI 平台（例如 BCI2000 或 OpenViBE），那么在线使用算法之前，执行离线分析以设计、选择、调整、验证和测试算法仍然至关重要。此外，研究和比较这些算法通常需要编程、信号处理和机器学习方面的专业知识，而许多 BCI 研究人员来自其他背景，对这些技能的培训有限或没有培训。最后，现有的 BCI 工具箱专注于 EEG 和其他脑信号，但通常不包括其他生物信号的处理工具。因此，在本文中，我们描述了 BioPyC，这是一个免费、开源且易于使用的 Python 平台，用于离线 EEG 和生物信号处理和分类。基于直观且引导良好的图形界面，四个主要模块允许用户遵循 BCI 过程的标准步骤，而无需任何编程技能：（1）读取不同的神经生理信号数据格式，（2）过滤和表示 EEG 和生物信号，（3）对它们进行分类，以及（4）可视化并对结果进行统计测试。我们在四项研究中说明了 BioPyC 的使用，即根据 EEG 信号对心理任务、认知工作量、情绪和注意力状态进行分类。
gslab：用于荧光显微镜中高级相分析的开源平台
相拟合分析的基础在于使用相组合变换将图像的每个像素映射到二维空间中，称为相分子空间，基于该像素内部跨荧光寿命或光谱尺寸1,2的光子分布。每个像素在相量空间中的位置取决于光子分布的形状，并且独立于信号的强度。通过相量表示的分析不需要对样品的性质或模型的拟合的先验知识。此外，快速傅立叶变换算法的利用可实现快速计算。此分析简化了视觉检查和识别不同像素的种群，随后可以将其映射到原始的荧光图像（或图像集）3。此外，相量转换的数学特性使研究人员能够通过观察相量空间中代表的光子分布的变化来理解样品中发生的现象。在在线方法中提供了分析荧光寿命显微镜图像的相思方法背后的数学概述。