XiaoMi-AI文件搜索系统
World File Search System微棒
基于自动编码器的特征提取到鲁棒的基于SSVEP的BCIS
摘要：对于具有肌萎缩性侧面硬化症（ALS）的受试者，言语和非言语通知受到很大的损害。基于视觉诱发电位（SSVEP）的大脑计算机界面（BCIS）是成功的替代增强通信之一，可帮助ALS与他人或设备进行通信。对于实际应用，噪音的影响大大降低了基于SSVEP的BCI的性能。因此，开发基于SSVEP的强大BCI对于帮助受试者与他人或设备进行交流非常重要。在这项研究中，提出了基于噪声抑制的特征提取和深度神经网络，以开发出强大的基于SSVEP的BCI。为了抑制噪音的影响，提出了一种denoising自动编码器来提取降解功能。为了获得实用应用的可接受识别结果，深层神经网络用于发现基于SSVEP的BCI的决策结果。实验结果表明，所提出的方法可以有效地抑制噪声的影响，并且基于SSVEP的BCI的性能可以大大改善。此外，深神经网络的表现优于其他方法。因此，提出的基于SSVEP的BCI对实际应用非常有用。
生成式人工智能的攻击和鲁棒水印
创建一条关于我即将在卡内基梅隆大学（CMU，匹兹堡）发表的演讲的热门推文，标题为“大型语言模型的水印”。主题包括水印、检测人工智能生成的文本、保护模型的版权。尽量让它风趣幽默。
微刺激
预期使用Gen III Microplate™测试面板使用94种生化测试提供了标准化的微方法，以剖面并识别革兰氏阴性和革兰氏阴性细菌的广泛范围。生物学的微生物识别系统软件（例如Omnilog®数据收集）用于从Gen III微板岩中的表型模式中鉴定细菌。描述生物Gen III微镀酸盐分析了94个表型测试中的微生物：71个碳源利用分析（图1，列1-9）和23种化学敏感性测定（图1，列，10-12列）。测试面板提供了微生物的“表型指纹”，可用于在物种水平上识别它。所有必要的营养物质和生化物都被预填充并干燥成96孔的微板井。四唑氧化还原染料用于比色表示碳源的利用或对抑制性化学物质的抗性。进行测试非常简单，如图2所示。要鉴定的分离物在琼脂培养基上生长，然后在推荐的细胞密度下悬浮在特殊的“胶凝”接种液3（IF）中。然后将细胞悬浮液接种到Gen III微板酸盐中，每孔100 µL，然后将微孔板孵育以使表型指纹形成。接种时，所有井都无色。在孵育过程中，在细胞可以利用碳源和/或生长的井中呼吸增加。增加的呼吸导致四唑氧化还原染料的减少，形成紫色。图1。负井仍然无色，负面对照井（A-1）也没有碳源。也有一个阳性对照井（A-10）用作10-12列中化学敏感性测定的参考。孵化后，将紫色井的表型指纹与生物学广泛的物种文库进行了比较。如果发现匹配，则将进行分离物的物种水平识别。在微板元素III微板TM
微机电系统
目标 提供有关 MEMS 技术和制造的基本知识。 课程目标 本课程应使学生能够： 1. 了解微制造的演变。 2. 学习各种制造技术。 3. 了解微传感器和微执行器。 4. 学习各种微执行器的设计。 第一单元简介（9 小时） 基本定义 – 微制造的演变 – 微系统和微电子学，缩放定律：静电力、电磁力、结构刚度、流体力学和传热的缩放。 第二单元微传感器（9 小时） 简介 – 微传感器：生物医学传感器和生物传感器 – 化学传感器 – 光学传感器 – 压力传感器 – 热传感器、声波传感器。 第三单元微执行器（9 小时） 微驱动：使用热力、压电晶体、静电力进行驱动。基于 SMA 的微执行器，微执行器：微夹钳、微电机、微阀门、微泵、微加速度计 - 微流体。第四单元 MEMS 制造技术（9 小时）MEMS 材料：硅、硅化合物、压电晶体、聚合物微系统制造工艺：光刻、离子注入、扩散、氧化、CVD、溅射、蚀刻技术。第五单元微加工（9 小时）微加工：体微加工、表面微加工、LIGA 工艺。封装：微系统封装、基本封装技术、封装材料选择。
肠道微生物群和微脉管系统
肠道菌群越来越被认为是肠粘膜中血管发育和内皮细胞功能的致动变量，但也影响远程器官的微脉管系统。在小肠中，用肠道菌群定殖以及随后的先天免疫途径的激活促进了复杂的毛细血管网络和乳乳的发展，从而影响了肠道的完整性 - 血管屏障的完整性以及营养摄取。由于肝脏通过门户循环产生大部分的血液供应，因此肝微循环稳步遇到微生物元素衍生的模式和主动信号代谢物，这些代谢产物会诱导肝弦正弦内皮的组织变化，从而影响正弦的免疫分化并影响代谢过程。，此外，微生物群衍生的信号可能会影响远处器官系统（例如大脑和眼睛微血管）的脉管系统。近年来，这个肠道居民的微生物生态系统被揭示出有助于几种血管疾病表型的发展。
kp.2基于单价mRNA疫苗可鲁棒增强对SARS-COV-2
（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此预印本版的版权持有人于2024年12月3日发布。 https://doi.org/10.1101/2024.12.02.626472 doi：Biorxiv Preprint
使用高维计算的鲁棒聚类
摘要 - 本文介绍了超维计算（HDC）域中数据的聚类。在先前的工作中，已经提出了一个基于HDC的聚类框架，称为HDCluster。但是，现有的HDCluster的性能并不强大。在初始化步骤中随机选择簇的高量向量，HDCluster的性能被降解。为了克服这种瓶颈，我们通过探索编码数据的相似性（称为查询过量向量，分配了初始群集过度向量。组内过度向量的相似性比组间高向量具有更高的相似性。利用查询过量向量之间的相似性结果，本文提出了四种基于HDC的聚类算法：基于相似性的K-均值，相等的Bin宽度直方图，相等的BIN高度直方图和基于相似性的亲和力传播。实验结果说明：（i）与现有的HDCluster相比，我们提出的基于HDC的聚类算法可以实现更好的准确性，更健壮的性能，更少的迭代和更少的执行时间。基于相似性的亲和力提出优于八个数据集上的其他三种基于HDC的聚类算法，而聚类准确性则高于2％约38％。（ii）即使对于一通聚类，即没有群集高量向量的任何迭代更新，我们提出的算法也可以提供比HDClter更强大的聚类精度。（iii）在八个数据集上，当八分之一的数据集投影到高维空间上时，八分之一可以达到更高或可比的精度。传统聚类比HDC更可取，当时簇数k的数量很大。