XiaoMi-AI文件搜索系统
World File Search System粗帧
使用多帧脑电图图像对工作记忆负荷进行跨学科领域自适应分类
工作记忆 (WM) 表示暂时存储在大脑中的信息，是人类认知领域的基础研究课题。脑电图 (EEG) 可以监测大脑的电活动，已广泛应用于测量 WM 水平。然而，一个关键挑战是个体差异可能会导致无效的结果，特别是当建立的模型遇到不熟悉的受试者时。在本文中，我们提出了一种具有空间注意的跨受试者深度适应模型 (CS-DASA)，以推广跨受试者的工作量分类。首先，我们将 EEG 时间序列转换为包含空间、光谱和时间信息的多帧 EEG 图像。首先，CS-DASA 中的受试者共享模块从源受试者和目标受试者接收多帧 EEG 图像数据并学习共同的特征表示。然后，在特定主题模块中，实施最大平均差异来测量再生核希尔伯特空间中的域分布差异，这可以为域自适应添加有效的惩罚损失。此外，采用主题到主题的空间注意机制来关注目标图像数据中的判别性空间特征。在包含 13 个主题的公共 WM EEG 数据集上进行的实验表明，所提出的模型能够实现比现有最先进方法更好的性能。
用于增强全脑分割的曲率引导粗到精框架
摘要。全脑分割是将整个脑体积划分为解剖标记的感兴趣区域 (ROI)，是脑图像分析中的关键步骤。传统方法通常依赖于复杂的管道，这些管道虽然准确，但由于其复杂性而耗时且需要专业知识。或者，端到端深度学习方法提供快速的全脑分割，但通常会由于忽略几何特征而牺牲准确性。在本文中，我们提出了一种新颖的框架，将以前由复杂的基于表面的管道使用但被基于体积的方法忽略的关键曲率特征集成到深度神经网络中，从而实现高精度和高效率。具体而言，我们首先训练一个粗略的解剖分割模型，重点关注高对比度组织类型，即白质 (WM)、灰质 (GM) 和皮层下区域。接下来，我们使用 WM/GM 接口重建皮质表面，并计算表面上每个顶点的曲率特征。然后将这些曲率特征映射回图像空间，在那里它们与强度特征相结合以训练更精细的皮质分割模型。我们还简化了皮质表面重建和曲率计算的过程，从而提高了框架的整体效率。此外，我们的框架非常灵活，可以将任何神经网络作为其主干。它可以作为即插即用组件来增强任何分割网络的全脑分割结果。在公共 Mindboggle-101 数据集上的实验结果表明，与各种深度学习方法相比，分割性能有所提高，速度相当。
用于对粗发和卷发进行可靠脑电图记录的新型电极
摘要 — EEG 是一种功能强大且价格实惠的大脑传感和成像工具，广泛用于诊断神经系统疾病（例如癫痫）、脑机接口和基础神经科学。不幸的是，大多数 EEG 电极和系统的设计并不适用于非洲裔人群中常见的粗卷发。这可能会导致数据质量较差，在从更广泛的人群中记录数据后，这些数据可能会在科学研究中被丢弃，并且对于临床诊断，会导致不舒服和/或情绪紧张的体验，在最坏的情况下，会导致误诊。在这项工作中，我们设计了一个系统来明确适应粗卷发，并证明随着时间的推移，我们的电极与适当的编织相结合，可实现比最先进系统低得多（约 10 倍）的阻抗。这建立在我们之前的工作的基础上，该工作表明，按照临床标准 10-20 排列的模式编织头发可以改善现有系统的阻抗。
评论：可持续生产中净化生物柴油生产的粗甘油
生物柴油的生产已成为全球努力替代化石燃料的重要组成部分。然而，生物柴油生产中面临的问题之一是甘油产量增加，作为一种产物。甘油或粗甘油（CG）通常是大量生产的，需要明智地管理。本文讨论了生物柴油生产中的甘油作为生物乙醇生产的原料的潜在利用。通过优化发酵过程，基因工程技术和纯化，可以将甘油转化为生物乙醇。生物乙醇是环保的可再生燃料之一。基因工程技术的进步还支持甘油转化为生物乙醇的成功，从而可以发展更有效和生产性的微生物。这为减少浪费，支持资源的可持续性并通过使用甘油作为生物乙醇的原料来减少浪费，支持化石燃料的依赖。将甘油转化为生物乙醇是迈向更可持续和可再生能源的一步。 关键词：生物乙醇，可再生能源，可持续性，基因工程将甘油转化为生物乙醇是迈向更可持续和可再生能源的一步。关键词：生物乙醇，可再生能源，可持续性，基因工程
使用粗到精视觉变换器进行仿射医学图像配准
仿射配准在全面的医学图像配准流程中不可或缺。然而，只有少数研究关注快速而鲁棒的仿射配准算法。这些研究中大多数利用卷积神经网络（CNN）来学习联合仿射和非参数配准，而对仿射子网络的独立性能探索较少。此外，现有的基于 CNN 的仿射配准方法要么关注局部错位，要么关注输入的全局方向和位置来预测仿射变换矩阵，这些方法对空间初始化很敏感，并且除了训练数据集之外表现出有限的通用性。在本文中，我们提出了一种快速而鲁棒的基于学习的算法，即粗到精视觉变换器（C2FViT），用于 3D 仿射医学图像配准。我们的方法自然地利用了卷积视觉变换器的全局连通性和局部性以及多分辨率策略来学习全局仿射配准。我们对 3D 脑图谱配准和模板匹配归一化方法进行了评估。综合结果表明，我们的方法在配准精度、稳健性和通用性方面优于现有的基于 CNN 的仿射配准方法，同时保留了基于学习的方法的运行时优势。源代码可在 https://github.com/cwmok/C2FViT 上找到。
从跨编码数据中预测生物地球化学周期的粗粒表示
抽象动机：由于DNA测序的进步，现在常规地进行了环境微生物群落的分类学分析。确定这些群落在全球生物地球化学周期中的作用需要鉴定其代谢功能，例如氢氧化，还原和碳固定。这些功能可以直接从宏基因组学数据中推断出来，但是在许多环境应用中，MetabarCoding仍然是选择的方法。从元法编码数据及其整合到地球化学循环的粗粒表示中，代谢功能的重建仍然是当今有效的生物信息学问题。结果：我们开发了一条称为Tabigecy的管道，该管道利用分类学官员来预测构成生物地球化学周期的代谢功能。在第一个步骤中，Tabigecy使用该工具Esmecata从输入液位中预测共识蛋白质组。为了优化此过程，我们生成了一个预先计算的数据库，其中包含来自Uniprot的2,404个分类单元的信息。使用BigeCyhmm搜索了共有的蛋白质组织，BigeCyhmm是一个新开发的Python软件包，依靠隐藏的Markov模型来识别参与生物地球化学周期代谢功能的关键酶。然后将代谢功能投射到周期的粗粒表示上。我们将塔博基（Tabigecy）应用于两个盐洞数据集，并通过对样品进行的微生物活性和水力化学测量结果验证了其预测。结果突出了研究微生物群落对地理化学过程的影响的方法。关键字：微生物群落，生物地球化学周期，代谢功能，分类学官员
化学筛查和小球藻的粗提取物的化学筛查和抗菌活性。在
使用Agilent 5973N模型质量选择性检测器（美国圣克拉拉）进行分析。Restek RTX-5MS（30 m×0.25 mm I.D.×0.25μm）气相色谱毛细管柱用作sta tionary阶段（美国贝尔方特）。气相色谱级（超纯色）氦气。分别将注入端口，离子源，四极杆和传递线温度保持在280°C，230°C，150°C和280°C下。GC烤箱程序在50°C保持2分钟，然后在4°C/min下增加到280°C，并保持10分钟。总分析时间为70分钟。质量范围为50-550 m/z，在完整扫描模式下，扫描速率为每秒0.45扫描。使用70 eV电离能进行电子电离。使用质量猎人软件（Qualita Tive Analysis B.07.00）和NIST质谱库确定并确定化合物。
使用马提尼粗粒型模型设计药物和输送系统
1分子微生物学和结构生物化学（MMSB，UMR 5086），CNRS＆Lyon大学，法国里昂，里昂； 2法国斯特拉斯堡·塞德克斯大学（UMR 7177 CNRS，umr 7177 CNRS） 3 Pharmcadd，商，商，韩国； 4计算生物医学，高级模拟研究所（IAS-5）和神经科学与医学研究所（INM-9），德国尤利希的ForschungszentrumJülichGmbh； 5德国亚兴的亚历大学数学，计算机科学与自然科学学院生物学系； 6 Zymvol Biomodeling，西班牙巴塞罗那； 7JülichSuperComputing Center（JSC），ForschungszentrumJülichGmbH，Jülich，德国； 8德国亚兴大学rWth亚兴大学医学院神经病学系和韩国灌木丛大学的Pukyong国立大学物理学系91分子微生物学和结构生物化学（MMSB，UMR 5086），CNRS＆Lyon大学，法国里昂，里昂； 2法国斯特拉斯堡·塞德克斯大学（UMR 7177 CNRS，umr 7177 CNRS） 3 Pharmcadd，商，商，韩国； 4计算生物医学，高级模拟研究所（IAS-5）和神经科学与医学研究所（INM-9），德国尤利希的ForschungszentrumJülichGmbh； 5德国亚兴的亚历大学数学，计算机科学与自然科学学院生物学系； 6 Zymvol Biomodeling，西班牙巴塞罗那； 7JülichSuperComputing Center（JSC），ForschungszentrumJülichGmbH，Jülich，德国； 8德国亚兴大学rWth亚兴大学医学院神经病学系和韩国灌木丛大学的Pukyong国立大学物理学系9
微倒装芯片焊点热机械疲劳和退火过程中的微观结构粗化
本报告是作为美国政府机构赞助的工作报告而编写的。美国政府及其任何机构或其任何雇员均不对所披露的任何信息、设备、产品或流程的准确性、完整性或实用性做任何明示或暗示的保证，也不承担任何法律责任或义务，也不表示其使用不会侵犯私有权利。本文以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务并不一定构成或暗示美国政府或其任何机构对其的认可、推荐或支持。本文表达的作者的观点和意见不一定代表或反映美国政府或其任何机构的观点和意见。