XiaoMi-AI文件搜索系统
World File Search System捕捉
通过单个 T 细胞克隆的动态和表型捕捉原发性和继发性抗病毒反应
1 俄罗斯联邦莫斯科 Shemyakin-Ovchinnikov 生物有机化学研究所；2 俄罗斯联邦莫斯科皮罗戈夫国立研究医科大学精准基因组编辑和生物医学遗传技术中心；3 俄罗斯联邦莫斯科 Skoltech 生命科学中心；4 德国基尔大学免疫学研究所；5 德国基尔大学临床分子生物学研究所；6 捷克共和国布尔诺马萨里克大学、中欧理工学院；7 俄罗斯联邦莫斯科 VI Kulakov 国家妇产科和围产期医学研究中心；8 俄罗斯联邦莫斯科国立大学；9 法国巴黎高等师范学院、ENS、PSL、索邦大学、巴黎大学和 CNRS 物理实验室
一种新的基于 IMMU 的数据具有优化传感器布局的手部动作捕捉手套
重复使用 存放在 White Rose Research Online 中的项目受版权保护，保留所有权利，除非另有说明。它们可以下载和/或打印用于个人学习，或国家版权法允许的其他行为。出版商或其他权利持有人可能允许进一步复制和重复使用全文版本。这由该项目的 White Rose Research Online 记录中的许可信息表明。
Delphi共识项目，旨在捕捉专家对心脏频谱中高品质管理的看法
该项目的主要目的是捕捉专家对高品质管理的看法，并为希腊的心脏生长患者构成最佳实践训练。肾脏病医生和心脏病学家的指导委员会开发了37个州。一份由32位希腊心脏管理专家完成的在线问卷。用于确定用于确定每个语句共识水平的一致性和分歧指数（DI）的中位数得分。陈述分为四个部门：高品质的风险管理，预防措施，治疗和协作。共识的第一轮的比率为94.6％。37个陈述中的36个中位数为7，37中的35个。在其他陈述中，达成共识，以识别K+> 5.0 MEQ/L的水平与死亡率升高有关；保留肾素 - 血管紧张素 - 醛固酮系统抑制剂（RAASI），以最大的心脏患者推荐剂量；并使用新颖的K+粘合剂来帮助实现RAASI治疗的指南征用剂量。心脏病学家在5 meq/l的K+水平的患者中表现出更高的停止下trate titrate raasi和MRA的不愿。此外，需要88.9％的肾病学家和71.4％的心脏病学家同意，需要在血清K+浓度水平（K> 5.5 mEQ/L）上进行跨专科对齐，以启动高肿瘤血症治疗。新型的钾结合剂可以实现指南征用钾的药物的剂量。心脏病学家和肾副手都表现出与在中度或严重的高度高血症展示时保持滴定性的滴定性的声明。这个Delphi项目指出了心脏核心患者的肾脏症和心脏病学家对高品质管理的协议；因此，它可以帮助对心脏患者的跨专业最佳治疗，而高钾血症并不是疾病优化治疗的障碍。
多模态子空间独立向量分析可有效捕捉大脑结构和功能之间的潜在关系
图 1：两种模态（M 1 − M 2）的五种合理候选子空间结构（S 1 − S 5）。每个面板描绘了五种不同的合理场景（S 1 − S 5）中两种模态（M 1 − M 2）源之间的理想化关联。每个块的大小表示子空间内的源数量（子空间大小）。以蓝色突出显示的彩色子空间在模态之间链接，而以绿色突出显示的黑色子空间（S 1 − S 4 中的 1×1 块）特定于每种模态（无跨模态相关性）。对于每种模态，同一子空间内的源在统计上是相关的，而不同子空间中的源在统计上是独立的。
使用移动脑电图和眼动追踪捕捉现实世界中的认知事件
移动大脑和身体成像 (MoBI；Gramann 等人，2011) 研究方法的出现提供了前所未有的机会，可以脱离人工实验室环境，直接在现实环境中研究认知过程 (De Vos、Gandras 和 Debener，2014；Gramann、Jung、Ferris、Lin 和 Makeig，2014；Makeig、Gramann、Jung、Sejnowski 和 Poizner，2009)。在过去十年中，传感器微型化技术取得了进展，提高了研究级身体和神经成像硬件的便携性 (Mcdowell 等人，2013)，从而允许在实验室外长时间记录大脑数据 (Hölle、Meekes 和 Bleichner，2021)。更确切地说，移动 EEG 和移动眼动追踪 (ET) 开辟了新的研究途径，可以更好地了解人们在现实世界中的思维和行为方式。利用此类移动研究方法所带来的激动人心的前景激发了人们对开发新型信号处理方法的兴趣（Reis、Hebenstreit、Gabsteiger、von Tscharner 和 Lochmann，2014 年）。总之，这些发展使得人们能够直接在自然环境中研究人类认知（Ladouce、Donaldson、Dudchenko 和 Ietswaart，2017 年），以解决广泛研究领域的基础和应用问题，例如体育科学（Park、Fairweather 和 Donaldson，2015 年）、建筑（Djebbara、Fich 和 Gramann，2019 年）和城市规划（Birenboim、Helbich 和 Kwan，2021 年）、神经人体工程学（Gramann 等人，2021 年；Dehais、Karwowski，
大脑时钟捕捉不同地区人群在衰老和痴呆方面的多样性和差异
脑钟可以量化大脑年龄与实际年龄之间的差异，有望帮助人们了解大脑健康和疾病。然而，多样性（包括地理、社会经济、社会人口、性别和神经退化）对大脑年龄差距的影响尚不清楚。我们分析了来自 15 个国家（7 个拉丁美洲和加勒比国家 (LAC) 和 8 个非 LAC 国家）的 5,306 名参与者的数据集。基于高阶交互，我们开发了一种用于功能性磁共振成像（2,953）和脑电图（2,353）的大脑年龄差距深度学习架构。数据集包括健康对照者和患有轻度认知障碍、阿尔茨海默病和行为变异额颞叶痴呆症的个体。与非 LAC 模型相比，LAC 模型显示额后网络的大脑年龄较大（功能性磁共振成像：平均方向误差 = 5.60，均方根误差 (rmse) = 11.91；脑电图：平均方向误差 = 5.34，rmse = 9.82）。结构性社会经济不平等、污染和健康差距是导致大脑年龄差距扩大的重要预测因素，尤其是在 LAC（R ² = 0.37，F ² = 0.59，rmse = 6.9）。发现从健康对照组到轻度认知障碍再到阿尔茨海默病，大脑年龄差距不断扩大。在 LAC 中，我们观察到对照组和阿尔茨海默病组女性的大脑年龄差距大于男性。结果无法用信号质量、人口统计或采集方法的差异来解释。这些发现提供了一个定量框架，可以捕捉加速大脑衰老的多样性。
许多（但并非所有）深度神经网络音频模型都能捕捉大脑反应并表现出层次区域对应关系
* 共同第一作者 1 麻省理工学院麦戈文脑研究所脑与认知科学系，美国马萨诸塞州剑桥 2 麻省理工学院大脑、心智与机器中心，美国马萨诸塞州剑桥 3 哈佛大学语音与听觉生物科学与技术项目，美国马萨诸塞州剑桥 4 罗彻斯特大学医学中心，美国纽约州罗彻斯特 摘要 深度神经网络通常用作视觉系统的模型，但在听觉方面的研究较少。先前的研究提供了音频训练神经网络的例子，这些网络可以很好地预测听觉皮层 fMRI 反应，并显示出模型阶段与大脑区域之间的对应关系，但这些结果是否推广到其他神经网络模型尚不清楚。我们评估了公开可用的音频神经网络模型以及在四个不同任务上训练的内部模型的大脑模型对应关系。大多数测试模型的预测效果都优于之前的听觉皮层滤波器组模型，并表现出系统的模型-大脑对应关系：中间阶段最能预测初级听觉皮层，而深层阶段最能预测非初级皮层。然而，一些最先进的模型产生了明显更差的大脑预测。训练任务影响了特定皮质调节特性的预测质量，最好的整体预测来自在多个任务上训练的模型。结果表明任务优化在限制大脑表征方面的重要性。
许多（但并非所有）深度神经网络音频模型都能捕捉大脑反应并表现出层次区域对应关系
* 共同第一作者 1 麻省理工学院麦戈文脑研究所脑与认知科学系，美国马萨诸塞州剑桥 2 麻省理工学院大脑、心智与机器中心，美国马萨诸塞州剑桥 3 哈佛大学言语与听觉生物科学与技术项目，美国马萨诸塞州剑桥 4 罗彻斯特大学医学中心，美国纽约州罗彻斯特 摘要 预测大脑对刺激的反应的模型提供了对感觉系统的一种理解，并且在科学和工程领域有许多潜在的应用。因此，刺激可计算的感觉模型是神经科学的长期目标。深度神经网络已成为视觉系统的主要预测模型，但在听觉领域的研究较少。先前的研究提供了音频训练神经网络的例子，这些网络可以很好地预测听觉皮层 fMRI 反应，并表现出模型阶段和大脑区域之间的对应关系，但尚不清楚这些结果是否能推广到其他神经网络模型，以及如何进一步改进该领域的模型。我们评估了公开可用的音频神经网络模型以及在四个不同任务上训练的内部模型的大脑模型对应性。大多数测试模型的预测结果都优于之前的听觉皮层滤波器组模型，并表现出系统的模型-大脑对应性：中间阶段最能预测初级听觉皮层，而深层阶段最能预测非初级皮层。然而，一些最先进的模型产生了明显更差的大脑预测。训练任务影响了特定皮层调节特性的预测质量，最佳整体预测来自在多个任务上训练的模型。结果表明任务优化对于解释大脑表征的重要性，并普遍支持深度神经网络作为听觉模型的前景。
统计策略来捕捉纳米 CMOS 逆变器中过冲效应和传播延迟时间之间的相关性
引言近年来，统计变异性 (SV) 对纳米 CMOS 电路时序的影响引起了广泛关注[1]–[8]。SV 使数字电路在关键路径延迟甚至功耗方面表现出非确定性性能，而不是确定性行为。SV 的主要来源包括随机掺杂波动 (RDF)、线边缘粗糙度 (LER) 和金属颗粒粒度 (MGG) [9]–[11]。这些来源影响器件电气性能指标，如阈值电压 (V th)、关态电流和亚阈值斜率 (SS)，进而对电路行为产生重大影响。特别是，文献 [12]–[20] 广泛研究了工艺和随机变异性对传播延迟时间的影响。在一项开创性的工作中，作者提出了一个半解析模型来预测由 V th 变化引起的逻辑电路延迟分布 [12]。不同技术节点下由 RDF 引起的传播延迟变化是综合的
引用本文：Iwori Takeda、Atsushi Yamada 和 Hiroshi Onodera (2020)：人工智能辅助医疗应用的动作捕捉：无标记和被动标记动作捕捉的比较研究，生物力学和生物医学工程中的计算机方法，DOI：10.1080/10255842.2020.1856372
摘要 我们的目的是确定人工智能 (AI) 辅助无标记运动捕捉软件是否有用在临床医学和康复领域。目前，尚不清楚人工智能辅助无标记方法是否可以应用于下肢功能障碍的个体，例如使用踝足矫形器或拐杖的人。然而，由于许多下肢瘫痪患者和足矫形器使用者在站立期失去跖趾 (MP) 关节屈曲，因此有必要估计固定 MP 关节运动下足部识别的准确性。使用 OpenPose（一种无标记方法）和传统的被动标记运动捕捉方法确定跑步机行走过程中的髋关节、膝关节和踝关节角度；并比较了两种方法的结果。我们还研究了踝足矫形器和拐杖是否会影响 OpenPose 的识别能力。通过被动标记法 (MAC3D)、OpenPose 和使用 Kinovea 软件的手动视频分析获得的髋关节和膝关节数据显示出显著的相关性。与 OpenPose 和 Kinovea 获得的踝关节数据（相关性强）相比，MAC3D 获得的踝关节数据相关性较弱。OpenPose 可以充分替代传统的被动标记运动捕捉，适用于正常步态和使用矫形器或拐杖的异常步态。此外，OpenPose 适用于 MP 关节运动受损的患者。使用 OpenPose 可以降低传统被动标记运动捕捉的复杂性和成本，而不会影响识别准确性。