XiaoMi-AI文件搜索系统
World File Search System窗口
滑动窗口通用空间模式用于增强 EEG-BCI 中的运动想象分类
摘要 — 脑电图 (EEG) 信号的准确二元分类是开发运动想象 (MI) 脑机接口 (BCI) 系统的一项艰巨任务。本研究提出了两种滑动窗口技术来增强运动想象 (MI) 的二元分类。第一种方法计算所有滑动窗口预测序列的最长连续重复 (LCR)，称为 SW-LCR。第二种方法计算所有滑动窗口预测序列的模式，称为 SW-Mode。公共空间模式 (CSP) 用于提取特征，线性判别分析 (LDA) 用于对每个时间窗口进行分类。SW-LCR 和 SW-Mode 都应用于公开可用的 BCI 竞赛 IV-2a 健康个体数据集和中风患者数据集。与现有的最先进技术相比，SW-LCR 在健康个体的情况下表现更好，SW-Mode 在左手与右手 MI 的中风患者数据集上表现更好，标准差更低。对于这两个数据集，分类准确率 (CA) 约为 80%，kappa (κ) 为 0.6。结果表明，使用 SW-LCR 和 SW-Mode 的基于滑动窗口的 MI 预测对于试验内激活时间的试验间和会话间不一致具有很强的鲁棒性，因此可以在神经康复 BCI 环境中实现可靠的性能。
噬菌体肽通过聚焦靶向窗口介导精准碱基编辑
。CC-BY-NC-ND 4.0 国际许可证永久有效。它是在预印本（未经同行评审认证）下提供的，作者/资助者已授予 bioRxiv 许可，可以在该版本中显示预印本。此版本的版权持有者于 2020 年 11 月 2 日发布。；https://doi.org/10.1101/2020.11.02.364430 doi：bioRxiv 预印本
进入您大脑的窗口：fMRI如何帮助我们了解脑海中发生的事情
大脑 - 现代科学的最后边界。尽管有许多技术进步，但我们仍然对大脑的工作原理知之甚少。幸运的是，一种称为功能磁共振成像（fMRI）的技术正在慢慢帮助改变这一点。fMRI可以在不打开头骨或暴露于有害辐射的情况下测量大脑活动。通过使用血液的磁性，fMRI可以检测与大脑活动相关的血流的变化，从而使科学家和医生能够告诉大脑的哪个区域比其他区域更活跃。目前，研究人员使用fMRI研究健康和疾病中大脑活动的各个方面。科学家继续推动fMRI技术的界限，并将其与其他技术相结合，以更好地了解大脑功能和功能障碍。
古人类基因组学为基因表达进化提供了窗口
人们认为，基因表达的差异是物种内和物种间大多数表型差异的原因。因此，基因表达是研究现代人类与我们最近的进化亲属尼安德特人和丹尼索瓦人之间差异的有力视角。这些见解补充了从化石记录中收集到的生物学知识，同时也揭示了调控进化方式和节奏的一般特征。由于古代 RNA 的降解，古人类的基因表达谱必须通过间接方式进行研究。因此，从这些研究中得出的结论通常带有关于基因表达遗传结构的假设，而基因表达的复杂性日益明显。尽管存在这些挑战，但古代基因组学、功能基因组学、统计基因组学和基因组工程领域的快速技术和概念进步正在彻底改变对古人类基因表达进化的理解。
两个打开的窗口：第二部分
自2015年以来，新的研究扩大了我们对此窗口的理解，包括：（1）更多的诊断母亲在怀孕期间的大脑变化的证据； （2）更好地了解父亲的大脑变化，包括非生物学父亲，这强调了大脑变化似乎是由于护理行为本身而不是通过与怀孕相关的变化而发生的； （3）父母先前的经历如何塑造他们的育儿方法； （4）在压力大的情况下，父母如何保护子女免受“有毒压力”的侵害（这主要不同于由于存在社会支持和严重性和/或数量而导致的“可容忍压力”）； （5）在过渡到育儿期间，哪些类型的程序可以有效地支持健康的大脑变化。在这里，我们提供了2010年至2015年之间发布的研究的更新。此概述旨在为父母，政策制定者，研究人员和从业人员提供指导在两代框架内支持有多种需求，组成和背景的家庭的方法。两代方法重点
b'片上微型超级电容器（MSC）是最有前途的器件之一，可集成到微/纳米级电子设备中以提供足够的峰值功率和能量支持。然而，较低的工作电压和有限的能量密度极大地限制了它们更广泛的实际应用。在此，设计了基于Ti3C2TxMXene作为负极、活性炭作为正极的高压片上MSC，并通过一种新颖的切割喷涂法简单地制造了它。通过解决MXene的过度极化，单个非对称片上MSC可以在中性电解质（PVA / Na2SO4）中提供高达1.6V的电位窗口，并具有7.8 mF cm2的高面积电容（堆栈比电容为36.5 F cm3）和大大提高的能量密度3.5 mWh cm3在功率密度为100 mW cm3时，这远远高于其他片上储能产品。此外，MSC 表现出优异的容量保持率（10,000 次循环后仍保持 91.4%）。更重要的是，MSC 可以轻松扩大为硅晶片上串联和/或并联的高度集成阵列。显然，这项研究为开发用于片上电子产品和便携式设备的高压 MXene 基 MSC 开辟了新途径。'
b'片上微型超级电容器（MSC）是最有前途的器件之一，可集成到微/纳米级电子设备中以提供足够的峰值功率和能量支持。然而，较低的工作电压和有限的能量密度极大地限制了它们更广泛的实际应用。在此，设计了基于Ti3C2TxMXene作为负极、活性炭作为正极的高压片上MSC，并通过一种新颖的切割喷涂法简单地制造了它。通过解决MXene的过度极化，单个非对称片上MSC可以在中性电解质（PVA / Na2SO4）中提供高达1.6V的电位窗口，并具有7.8 mF cm2的高面积电容（堆栈比电容为36.5 F cm3）和大大提高的能量密度3.5 mWh cm3在功率密度为100 mW cm3时，这远远高于其他片上储能产品。此外，MSC 表现出优异的容量保持率（10,000 次循环后仍保持 91.4%）。更重要的是，MSC 可以轻松扩大为硅晶片上串联和/或并联的高度集成阵列。显然，这项研究为开发用于片上电子产品和便携式设备的高压 MXene 基 MSC 开辟了新途径。'
脑电信号改善；不同窗口的比较
摘要 — 大脑的临床信息用于分析、诊断和治疗与大脑相关的疾病。大脑的信息是通过一种称为脑电图仪的电子设备获得的。该设备读取、记录并以图形方式显示患者大脑的电位，以便临床医生进行适当的临床关注。大脑的电位称为脑电图 (EEG)。收集 EEG 信号的过程涉及将脑电图仪的电极 (探针) 放置在患者的头皮上。值得注意的是，应正确剃掉头皮，以使探针与头皮接触良好。然而，所有在头皮上传播的电信号都被脑电图仪拾取。眼睛、肌肉和心脏都会产生可追溯到头皮的电信号。所有这些信号都与 EEG 一起记录，它们构成了 EEG 不需要的信号或噪声列表。它们损害了记录的 EEG 中包含的信息，并使医生很难有效地使用 EEG。电力线干扰 (PLI) 是另一种破坏 EEG 的信号。记录的 EEG 中出现任何这些不需要的电位都是不受欢迎的。因此，在显示信号之前从记录的 EEG 中去除噪声，即可实现正确的诊断和解释。此外，本文比较了使用不同窗口建模的有限脉冲响应 (FIR) 滤波器，目的是从 EEG 中去除 50Hz 电力线干扰。所采用的 FIR 滤波器技术涉及使用十种不同的窗口，即：Kaiser、Parzen、Gaussian、Hann、Hamming、Rectangular、Nuttall、Blackman Harris、Welch 和高度可调正弦 (HAS) 窗口。通过比较使用十个窗口中的每一个设计的滤波器的均方误差 (MSE)，努力确定十个 FIR 滤波器中的每一个 PLI 干扰减少的有效性。结论是 Hamming 窗口的 MSE 最好，其次是 Hann 窗口。
古代植物 DNA 是了解我们食物体系的文化遗产和生物多样性的窗口
自 20 世纪 80 年代古代 DNA 革命开始以来，考古植物遗骸和植物标本一直通过分子技术进行分析，以探索植物和人类的进化界面。与古植物学、民族生物学和其他方法相结合，古代 DNA 为人类和植物的共同进化提供了巨大的见解，而现代基因组时代则为植物的使用提供了越来越细致入微的视角。与此同时，我们的全球粮食系统面临着与生物多样性下降、气候未来不确定以及脆弱的农作物野生亲属有关的威胁。古代植物 DNA 并不能轻易解决这些复杂的挑战，但我们讨论了它如何在有关我们粮食系统的复原力、可持续性和主权的持续对话中发挥重要作用。
一种低电压下具有大存储窗口的电荷捕获存储器件的Gd掺杂HfO2单膜
近来，电荷捕获存储器（CTM）器件，例如硅-氧化物-氮化物-氧化物-硅（SONOS）结构闪存，因其在 15 nm 节点以下进一步缩小的潜力而吸引了众多关注。1 与传统浮栅（FG）器件相比，CTM 器件具有可靠性更高、工作电压更低和制造工艺更简单等优点。1,2 然而，由于隧道氧化物和电荷捕获氧化物厚度的缩小，数据保留仍然存在许多挑战。3 为了克服这些固有的缺点，高 k 材料，例如 HfO2、Al2O3、TiOx、ZnO 和 ZrO2，已被引入到 CTM 器件中，以实现更好的电荷捕获效率和保留能力。4–10 此外，大存储窗口和低工作电压的理想共存仍然是一个巨大的挑战。目前大多数 CTM 器件在低于 6 V 的电压下工作时，存储窗口都可忽略不计。对于高 k 材料，掺杂已被证明是一种实现低功耗充电捕获存储器的潜在方法，例如 Zr 掺杂的 BaTiO 3 和氟化 ZrO 2 。11,12 Gd 掺杂的 HfO 2 (GHO) 是一种很有前途的高 k 材料，已被提出具有相对较高的陷阱密度、大的电导率
基于时间窗口的特征提取技术用于电动机eeg eeg信号分类
基于脑电图（EEG）的电动机象征分类是最受欢迎的大脑计算机Interface（BCI）研究领域之一，由于其可移植性和低成本。在本文中，我们比较了基于小波的能量熵的不同预测模型，并经验证明，基于时间窗口的运动图像分类中基于时间窗口的方法可提供比流行的滤纸方法更一致，更好的结果。为了检查所提出方法的鲁棒性和稳定性，我们最终还采用了多种类型的分类器，发现混合击打（带有多种学习者的包装集合学习）技术超出了其他经常使用的分类者。在我们的研究中，BCI竞争II数据集III已与四个实验设置一起使用：（a）整个信号（对于每个试验）为一个部分，（b）（b）整个信号（b）整个信号（对于每个试验）被分为非重叠片段，（c）每个试验的整个信号（c）每个试验（对于每个试验）分为重叠的段（以及（d）段（dis），以及（d），以及（d），以及（d），以及（d），以及（d），以及（d），以及（d），以及（d）。乐队。从实验获得的结果（c），即91。43％的分类准确性不仅超过了本文其他方法的表现，而且据我们所知，这是迄今为止该数据集的最高性能。