XiaoMi-AI文件搜索系统
World File Search System显着
前岛叶皮质和右侧上缘回之间的神经动力学将真实情感共享与假装感知显着性分离
摘要 对疼痛的共情涉及共同的情感反应和自我与他人的区分。在本研究中，我们探讨了一个备受争议的问题：之前与情感共享相关的神经反应是否可能来自对突出的情感表现的感知。此外，我们研究了涉及情感共享和自我与他人区分的大脑网络如何支撑我们对被认为是真实或假装的疼痛的反应（而事实上，两者都是出于实验控制的原因而表现出来的）。我们发现，在观看真实和假装的疼痛面部表情视频片段的参与者中，与情感共享（前岛叶 [aIns] 和前中扣带皮层）以及情感自我与他人区分（右上缘回 [rSMG]）相关的区域激活程度更强。然后，我们使用动态因果模型评估了这两种情况下右侧 aIns 和 rSMG 之间的神经动态。这揭示了与假装疼痛相比，真实疼痛对 aIns 到 rSMG 连接的抑制作用降低。仅对于真正的疼痛，大脑到行为的回归分析强调了这种抑制效应与疼痛评级以及共情特征之间的联系。这些发现意味着，如果别人的痛苦是真实的，因此需要适当的共情反应，大脑中的神经反应确实似乎与情感分享有关，并且自我与他人的区分会发挥作用，以避免共情过度唤醒。相反，如果其他人只是假装痛苦，他们痛苦表情的感知显着性会导致神经反应下调，以避免不适当的情感分享和社会支持。
显着论文和传感器，信号和成像信息学的新方向
摘要目的：识别并突出显示2020年信号，传感器和成像信息学中值得注意的发展的研究论文。方法：在PubMed和Scopus数据库上进行了广泛的文献搜索。我们将医学主题标题（网格）术语和关键字组合在一起，以构建有关传感器，信号和图像信息学的特定查询。我们仅考虑在期刊上发表的Pa Pers，这些期刊在查询响应中至少提供了三篇文章。部分编辑者随后独立审查了以三点李克特量表评估的预选论文的标题和摘要。纸张的评分从1（不包括）到3（应包括在内），而平均得分为2或以上的纸张随后由三个共同编辑中的两个再次读取和评估。最后，根据共识考虑了最高合并分数的前14个论文。结果：搜索论文于2021年1月执行。删除了重复和会议记录后，该查询分别返回了传感器，信号和成像信息学的101、193和529篇论文。我们滤除了查询结果中少于三篇论文的期刊，分别将论文数量减少到41、117和333。从这些共同编辑中确定了22个候选人
通过聚（2-乙基-2-恶唑啉）纳米纳米诱导的C60：C70共晶的N通道有机场效应晶体管的显着改善
在新兴互联网（IoT）设备生态系统中使用的巨大潜力，其中多个设备节点与云网络系统共享信息。[1-4]印刷有机电子可以使用新型的构造来实现电子功能的质量产生和整合。[5-10]特别是，有机场效应晶体管（OFET）被视为在物联网中心发现的综合逻辑电路中的关键电子元件。[11,12]具有低压操作（<5 V）的高性能OFET和电荷迁移率超出了无定形硅（0.5-1 cm 2 V –1 S –1）。[13–21]成功的商业化还需要在基板上的许多设备上进行空间均匀的设备性能，包括特征和环境稳定性的可重复性。通常，设备性能在很大程度上取决于材料正常和电极，介电和半导体之间的界面。已经报道了各种改善绩效的策略，例如通过有理分子设计开发新材料，通过热/溶剂退火和添加剂控制形态，形态学控制，用p-/n-掺杂剂和互面剂掺杂分子掺杂，以及界面
四个BNITPK基因在四倍体油籽中的基因编辑导致种子中的植酸显着降低
甘蓝纳普斯的摘要商业化。l（油籽）餐正在越来越关注。植酸（PA）是植物中磷的主要来源，但由于人类对基本矿物质吸收的不利影响，对包括人类在内的单胃动物被认为是抗营养。未消化的PA会导致富营养化，这可能威胁着水生生命。pa在油料强奸的成熟种子中占2-5％，并通过涉及多种酶的复杂途径合成。隐性性状的多倍体繁殖多倍体具有挑战性，因为基因功能由几个旁系同源物编码。基因冗余通常需要淘汰几个基因副本以研究其潜在效果。因此，我们采用了CRISPR-Cas9诱变来淘汰BNITPK的三个功能旁系同源物。我们获得了低pa突变体，而在低芥酸菜籽级春季品种海丁中，游离磷的增加。这些突变体可以标志着菜籽繁殖的重要里程碑，蛋白质价值增加，对油含量没有不利影响。
原创文章 人类颅内显着网络的时空完整性和自发非线性动态特性
显着性网络 (SN) 在认知控制和自适应人类行为中起着关键作用，但其电生理基础和毫秒时间尺度的动态时间特性尚不清楚。在这里，我们使用来自多个队列的侵入式颅内脑电图 (iEEG) 来研究 SN 的神经生理基础，并确定将其与默认模式网络 (DMN) 和背外侧额叶-顶叶网络 (FPN) 区分开来的动态时间特性，这两者都是人类认知中发挥重要作用的另外两个大规模大脑网络。对网络相互作用的 iEEG 分析表明，共同锚定 SN 的前岛叶和前扣带皮层之间的网络内相互作用比与 DMN 和 FPN 的跨网络相互作用更强。对 SN、DMN 和 FPN 之间信息流方向性的分析揭示了 SN 中的因果流出中心与其在网络相互作用的快速时间切换中的作用一致。对区域 iEEG 时间波动的分析表明，与 DMN 和 FPN 相比，SN 内神经活动的时间动态更快，熵更高。至关重要的是，这些结果在多个队列中得到了复制。我们的研究结果为 SN 的神经生理学基础提供了新的见解，更广泛地说，为人类大脑大规模功能组织的基础机制提供了新的见解。
人工智能辅助显着提高病理学家对前列腺活检的格里森分级
摘要 Gleason 评分是前列腺癌患者最重要的预后指标，但其存在显著的观察者差异。基于深度学习的人工智能 (AI) 系统可以在 Gleason 分级中达到病理学家级别的表现。但是，如果存在伪影、异物组织或其他异常，此类系统的性能可能会下降。病理学家将他们的专业知识与 AI 系统的反馈相结合，可以产生协同效应，其表现优于个体病理学家和系统。尽管 AI 辅助被大肆宣传，但病理学领域关于这一主题的现有文献有限。我们研究了 AI 辅助对前列腺活检分级的价值。一个由 14 名观察员组成的小组在使用和不使用 AI 辅助的情况下对 160 次活检进行了分级。使用 AI，小组与专家参考标准的一致性显著提高（二次加权 Cohen 's kappa，0.799 vs. 0.872；p = 0.019）。在 87 个病例的外部验证集中，小组与前列腺病理学国际专家小组的一致性显著提高（二次加权 Cohen 's kappa，0.733 vs. 0.786；p = 0.003）。在两个实验中，从群体层面来看，AI 辅助病理学家的表现都优于无辅助病理学家和独立的 AI 系统。我们的结果表明 AI 系统具有 Gleason 分级的潜力，但更重要的是，结果表明了病理学家与 AI 协同作用的好处。
输入细胞注意力机制降低循环神经网络的消失显着性
最近，为提高深度神经网络的可解释性，人们使用显著性来表征输入特征对模型预测的重要性。在循环神经网络 (RNN) 上使用基于显著性的方法进行可解释性研究主要针对语言任务，而它们对时间序列数据的适用性尚不明确。在本文中，我们分析了基于显著性的 RNN 方法，包括经典和门控单元架构。我们表明，RNN 显著性会随着时间的推移而消失，导致对显著特征的检测仅偏向于后续时间步骤，因此无法可靠地检测任意时间间隔内的重要特征。为了解决这个显著性消失问题，我们提出了一种新颖的 RNN 单元结构（输入单元注意力†），它可以扩展任何 RNN 单元架构。在每个时间步骤，输入单元注意力使用固定大小的矩阵嵌入，而不是只查看当前输入向量，矩阵的每一行都关注来自当前或之前时间步骤的不同输入。使用合成数据，我们表明，输入单元注意 RNN 生成的显着性图能够忠实地检测重要特征，无论它们在时间上发生如何。我们还将输入单元注意 RNN 应用于神经科学任务，该任务分析执行各种任务的人类受试者的功能性磁共振成像 (fMRI) 数据。在这种情况下，我们使用显着性来表征大脑区域（输入特征），这些区域的活动对于区分任务很重要。我们表明，标准 RNN 架构只能在 fMRI 数据的最后几个时间步骤中检测重要的大脑区域，而输入单元注意模型能够跨时间检测重要的大脑区域活动，而不会在后面的时间步骤中产生偏差。
基于显着性和卷积神经网络的遥感图像中的飞机检测
应探索当前工业无线传感器网络的新算法和架构，以确保在涉及不同问题的各种应用环境中的效率、稳健性和一致性，例如智能电网、供水和天然气监测。遥感图像中的自动物体检测一直是一个热门话题。使用基于区域提议的传统深度卷积网络进行检测，生成的区域提议中存在许多负样本，这会影响模型的检测精度和效率。显著性利用人类视觉注意机制实现自下而上的物体检测。由于用显著性代替选择性搜索可以大大减少提议区域的数量，我们将使用基于背景先验的遥感图像显著性算法获得一些感兴趣区域 (RoI) 及其位置信息。然后，将位置信息映射到深度卷积神经网络获得的整个图像的特征向量。最后，对每个 RoI 进行分类和微调边界框。在本文中，将我们的模型与目前最先进的检测模型 Fast-RCNN 进行了比较。我们的模型mAP达到了99%，比Fast-RCNN提高了12.4%。另外，我们还研究了不同迭代次数对模型的影响，发现10000次迭代的模型已经具有较高的准确率。最后，我们比较了模型的准确率。