XiaoMi-AI文件搜索系统
World File Search System最少
基于突发 c-VEP 的 BCI：优化刺激设计，以最少的校准数据增强分类并改善用户体验
利用代码调制视觉诱发电位 (c-VEP) 形式的非周期性闪烁视觉刺激代表了反应性脑机接口 (rBCI) 领域的一项关键进步。c-VEP 方法的主要优势在于模型的训练与目标的数量和复杂性无关，这有助于减少校准时间。尽管如此，现有的 c-VEP 刺激设计可以在视觉用户体验方面进一步改进，同时实现更高的信噪比，同时缩短选择时间和校准过程。在本研究中，我们介绍了一种创新的代码 VEP 变体，称为“突发 c-VEP”。这种原创方法涉及以故意缓慢的速率呈现短暂的非周期性视觉闪光，通常每秒闪光两次到四次。这种设计背后的原理是利用初级视觉皮层对低级刺激特征的瞬时变化的敏感性来可靠地引发一系列独特的视觉诱发电位。与其他类型的快节奏代码序列相比，突发 c-VEP 表现出良好的特性，可以使用卷积神经网络 (CNN) 实现高按位解码性能，从而有可能在需要更少校准数据的情况下实现更快的选择时间。此外，我们的研究重点是通过减弱视觉刺激对比度和强度来降低 c-VEP 的感知显着性，以显著提高用户的视觉舒适度。通过涉及 12 名参与者的离线 4 类 c-VEP 协议测试了所提出的解决方案。按照因子设计，参与者被指示关注 c-VEP 目标，其模式（突发和最大长度序列）和幅度（100% 或 40% 幅度深度调制）在实验条件下被操纵。首先，全幅突发 c-VEP 序列表现出更高的准确度，范围从 90.5%（使用 17.6 秒的校准数据）到 95.6%（使用 52.8 秒的校准数据），而 m 序列的准确度为 71.4% 到 85.0%。两种代码的平均选择时间（1.5 秒）与之前研究报告相比更为有利。其次，我们的研究结果表明，降低刺激强度仅会稍微降低突发代码序列的准确度至 94.2%，同时会显着改善用户体验。总之，这些结果证明了所提出的突发代码在性能和可用性方面推进反应式 BCI 的巨大潜力。收集的数据集以及所提出的 CNN 架构实现均通过开放存取存储库共享。
基于突发 c-VEP 的 BCI：优化刺激设计，以最少的校准数据增强分类并改善用户体验
利用代码调制视觉诱发电位 (c-VEP) 形式的非周期性闪烁视觉刺激代表了反应性脑机接口 (rBCI) 领域的一项关键进步。c-VEP 方法的主要优势在于模型的训练与目标的数量和复杂性无关，这有助于减少校准时间。尽管如此，现有的 c-VEP 刺激设计可以在视觉用户体验方面进一步改进，同时实现更高的信噪比，同时缩短选择时间和校准过程。在本研究中，我们介绍了一种创新的代码 VEP 变体，称为“突发 c-VEP”。这种原创方法涉及以故意缓慢的速率呈现短暂的非周期性视觉闪光，通常每秒闪光两次到四次。这种设计背后的原理是利用初级视觉皮层对低级刺激特征的瞬时变化的敏感性来可靠地引发一系列独特的视觉诱发电位。与其他类型的快节奏代码序列相比，突发 c-VEP 表现出良好的特性，可以使用卷积神经网络 (CNN) 实现高按位解码性能，从而有可能在需要更少校准数据的情况下实现更快的选择时间。此外，我们的研究重点是通过减弱视觉刺激对比度和强度来降低 c-VEP 的感知显着性，以显著提高用户的视觉舒适度。通过涉及 12 名参与者的离线 4 类 c-VEP 协议测试了所提出的解决方案。按照因子设计，参与者被指示关注 c-VEP 目标，其模式（突发和最大长度序列）和幅度（100% 或 40% 幅度深度调制）在实验条件下被操纵。首先，全幅突发 c-VEP 序列表现出更高的准确度，范围从 90.5%（使用 17.6 秒的校准数据）到 95.6%（使用 52.8 秒的校准数据），而 m 序列的准确度为 71.4% 到 85.0%。两种代码的平均选择时间（1.5 秒）与之前研究报告相比更为有利。其次，我们的研究结果表明，降低刺激强度仅会稍微降低突发代码序列的准确度至 94.2%，同时会显着改善用户体验。总之，这些结果证明了所提出的突发代码在性能和可用性方面推进反应式 BCI 的巨大潜力。收集的数据集以及所提出的 CNN 架构实现均通过开放存取存储库共享。
通过无监督学习以最少的先验知识识别量子相变
在本研究中，我们提出了一种新方法，使用自动编码器 (AE)（一种无监督机器学习技术）在极少先验知识的情况下识别一维量子多体系统中的量子相变。AE 的训练是使用通过精确对角化 (ED) 在整个驱动参数范围内获得的约化密度矩阵 (RDM) 数据进行的，因此不需要相图的先验知识。使用此方法，我们通过跟踪 AE 重构损失的变化，成功地检测到了具有多种不同类型相变的广泛模型中的相变，包括拓扑和 Berezinskii-Kosterlitz-Thouless 相变。学习到的 AE 表示用于表征不同量子相背后的物理现象。我们的方法展示了一种研究量子相变的新方法，只需极少的知识和少量所需数据，并生成量子态的压缩表示。
建立最少和可重复使用的因果状态抽象来加强学习
两种强化学习（RL）算法的Desiderata是从相对较少的经验学习和学习概括到一系列问题规格的政策的能力的能力。在有方面的状态空间中，实现这两个目标的一种方法是学习状态抽象，这仅保留学习手头的任务的必要变量。本文介绍了因果分配模型（CBM），该方法可以了解每个任务的动力学和奖励功能中的因果关系，以得出最小，特定于任务的抽象。CBM利用并改进了隐式建模，以训练可以在同一环境中所有任务重复使用的高保真因果动力学模型。对操纵环境和DeepMind Control Suite的经验验证表明，CBM学到的隐式动力学模型比显式的因果关系模型更准确地识别了基本的因果关系和状态抽象。此外，派生的状态抽象允许任务学习者在所有任务上实现近门槛级别的样本效率和表现优于基础线。
建立最少和可重复使用的因果状态抽象来加强学习
两种强化学习（RL）算法的Desiderata是从相对较少的经验学习和学习概括到一系列问题规格的政策的能力的能力。在有方面的状态空间中，实现这两个目标的一种方法是学习状态抽象，这仅保留学习手头的任务的必要变量。本文介绍了因果分配模型（CBM），该方法可以了解每个任务的动力学和奖励功能中的因果关系，以得出最小，特定于任务的抽象。CBM利用并改进了隐式建模，以训练可以在同一环境中所有任务重复使用的高保真因果动力学模型。对操纵环境和DeepMind Control Suite的经验验证表明，CBM学到的隐式动力学模型比显式的因果关系模型更准确地识别了基本的因果关系和状态抽象。此外，派生的状态抽象允许任务学习者在所有任务上实现近门槛级别的样本效率和表现优于基础线。
伊迪丝（Edith）：跨河网络的R-A-A-A-A-A-A-A-A-A-A-A-Backage都具有最少的先验信息
。cc-by-nc 4.0国际许可（未获得同行评审证明），他授予Biorxiv授予Biorxiv的许可，以永久显示预印本。这是该版本的版权持有人，该版本发布于2024年1月17日。 https://doi.org/10.1101/2024.01.16.575835 doi：biorxiv preprint
关于最少加工蔬菜和水果食品安全的一种健康观点：从农场到叉子
摘要：虽然食品市场和食品生产连锁店正在经历指数增长，但全球对食品安全的关注正在稳步增长。这对于即食产品（例如新鲜的沙拉和水果）尤其至关重要，因为这些物品在没有事先热处理的情况下被原始食用，因此很频繁地存在致病性微生物。此外，许多与这些食物相关的食源性疾病的研究通常会忽略最初污染源的传播联系。应全面地进行预防和控制食源性病原体的传播，涉及农业生产，加工，运输，粮食生产，并扩展到最终消费，同时采用一种健康的观点。在这种情况下，我们的目标是汇编有关与微生物污染相关的挑战的可用信息，这些挑战是在微生物和蔬菜中的微生物污染。这包括大量报告的暴发，特定的细菌菌株以及整个生产链中的相关统计数据。我们解决了每个阶段污染的来源，以及与食物操纵和消毒有关的问题。此外，我们还提供了潜在的解决方案，以促进新鲜切割水果和蔬菜的更健康方法。这些信息对于研究人员和食品生产商都很有价值，尤其是那些致力于确保食品安全和质量的信息。
ACtivE：使用最少试剂和时间进行酵母基因组工程的组装和 CRISPR 靶向体内编辑
摘要：由于其复杂性，CRISPR/Cas 系统已成为广泛使用的酵母基因组编辑方法。然而，CRISPR 方法通常依赖于预组装的 DNA 和额外的克隆步骤来传递 gRNA、Cas 蛋白和供体 DNA。这些繁琐的步骤可能会阻碍其实用性。在这里，我们提出了一种替代方法，即组装和 CRISPR 靶向体内编辑 (ACtivE)，该方法仅依赖于线性 DNA 片段的体内组装来构建质粒和供体 DNA。因此，根据用户的需要，可以从存储库中轻松选择和组合这些部分，作为快速基因组编辑的工具包，无需任何昂贵的试剂。该工具包包含经过验证的线性 DNA 片段，易于在室温下存储、共享和运输，大大降低了昂贵的运输成本和组装时间。优化该技术后，还对酵母基因组中靠近自主复制序列 (ARS) 的八个基因座进行了整合和基因表达效率表征，以及这些区域的破坏对细胞适应性的影响。通过构建 β-胡萝卜素途径展示了 ACtivE 的灵活性和多路复用能力。在短短几天内，在酿酒酵母 BY4741 上从头开始实现了单基因整合效率 >80% 和三重整合效率 >50%，无需使用体外 DNA 组装方法、限制性酶或额外的克隆步骤。本研究提出了一种可轻松用于加速酵母基因组工程的标准化方法，并为酵母合成生物学和代谢工程目的提供了明确的基因组位置替代方案。关键词：酿酒酵母、CRISPR 工具包、基因组编辑、合成生物学、标准化、基因座表征■简介
单域抗体——以最少的结合剂实现最大的治疗效果
Singh Biotechnology (SBT) 是一家私人控股的初创公司，成立于 2014 年，总部位于佛罗里达州坦帕湾，专注于发现和开发专有的单域抗体 (sdAbs)，用于治疗各种癌症、自身免疫、眼科和传染病。单域抗体也称为纳米抗体，是源自 VHH（骆驼科动物重链抗体中的单个 N 端结构域）的小抗原结合片段 (15 kDa)。纳米抗体代表了最小的传统抗体，包括高稳定性和溶解性，以及由于其体积小而能够与难以或不可能靶向的抗原位点相互作用的能力。认识到 sdAbs 靶向传统上被认为无法用药的蛋白质的潜力，SBT 开发了一个优化 sdAbs 的平台，该平台利用它们的三个互补决定区 (CDR)，控制纳米抗体的抗原特性。 SBT 利用其技术平台生成了治疗性单域抗体，专门针对发生突变、过度表达或在疾病发病机制中起重要作用的细胞内分子。该公司的主要资产是 SBT-100，这是一种双特异性单域抗体，可与 KRAS 和 STAT3（两种主要癌症靶点）结合，并能够穿过血脑屏障 (BBB) 和细胞膜。SBT-100 在体外和体内均表现出对多种人类癌症的治疗作用。SBT 创始人兼首席执行官 Sunanda Singh 表示：“我们认为，单域抗体代表了一种有前途的靶向癌症免疫疗法的新方法，因为它们能够专门针对细胞内蛋白质。”“我们在短时间内取得了巨大的进展，开发出单域抗体疗法，有可能提供高度针对性的化合物，帮助改善许多癌症患者的生活质量，这让我们深受鼓舞。” SBT 已开始对 SBT-100 进行毒理学研究，以备计划中的肿瘤学 IND 申请。该公司已获得美国食品药品管理局 (FDA) 授予的胰腺癌和骨肉瘤孤儿药资格，SBT-100 的 IND 前简报包也获得了 FDA 的好评，其中包括三阴性乳腺癌 (TNBC) 的临床前数据、SBT-100 的 GMP 制造工艺细节、两种物种毒理学研究提案以及 1 期临床研究路线图。