摘要:假肢控制技术研究中，研究者们通常利用解码表面肌电信号(Surface Electromyography，sEMG)来获得截肢者的运动意图。传统的 sEMG 采集中，为降低皮肤与电极之间的阻抗，通常需要涂导电膏后与皮肤直接接触，因此会导致部分患者皮肤过敏和身体不适，且 sEMG 容易受肌肉疲劳影响，不利于长期监测。针对以上问题，该研究采用一种纳米金柔性传感器，解码其因肌肉收缩拉伸后产生的形变信号，并探究两种不同训练模式在此方法下的分类性能。其中，训练模式包括：重复训练模式，即每组重复做同一个动作；随机训练模式，即动作顺序随机化，每组每个动作只做一次。结果表明，所有受试者使用纳米金柔性传感器的平均手势识别率均在 90％ 以上，且两种训练模式间无显著性差异(重复训练模式为 95.46%、随机训练模式为94.18%，P 值为 0.227 5)。这表明纳米金柔性传感器与湿电极一样，可以实现可靠的手势识别。

摘要:磁共振声辐射力成像(Magnetic Resonance Acoustic Radiation Force Imaging，MR-ARFI)是一种超声焦点定位技术，可通过检测声辐射力作用到生物体内时在局部组织区域产生的微米级位移，实现对超声焦点的定位。基于 MR-ARFI 位移检测结果，可实现经颅超声焦点定位及相位矫正。但目前仍较 少研究对 MR-ARFI 定量技术的位移检测精度进行标定。该文在超声作用参数(输入功率、时长、脉冲重复频率)完全一致的条件下，以激光多普勒技术测得的位移作为金标准，与 MR-ARFI 测得的位移值进行比对，探究 MR-ARFI 的位移检测精度。研究结果显示，激光多普勒测量的最大位移值和位移分布 图与 MR-ARFI 测量结果具有良好的一致性。这表明 MR-ARFI 定位技术具有较高的位移检测精度，可反映检测对象的真实运动情况，有望在脑科学领域发挥重要作用。

摘要:CT 图像头颈分割面临着以下难点：CT 图像的低对比度导致边界不清，图像扫描间距过大导 致冠状面和矢状面图像分辨率低，头颈中待分割的 22 个器官对于神经网络构建建模的需求不同，且由于存在极小器官造成了类间不平衡。为解决上述问题，该文提出一种 U-Net 组合模型——由 3 种 U-Net 模型组成，分别是 2D U-Net 模型、3D U-Net 模型及 3D-small U-Net 模型。其中，2D U-Net 模型用于厚层图像的分割，3D U-Net 模型利用三维空间信息，3D-small U-Net 模型用于分割最小的两个器官以解决类不平衡问题。该方法在 MICCAI 2019 StructSeg 头颈放疗危及器官分割任务中取得了第 2 名的成绩，平均 DSC 系数为 80.66%，95% 豪斯道夫距离为 2.96 mm。

摘要:内源性大麻素系统广泛分布于哺乳动物的中枢神经系统中，参与调节多种生理过程和行为反应。其中，大麻素 I 型受体(Cannabinoid Receptor 1，CB1R)大量分布在表达生长激素抑制素、胆囊收缩素、多巴胺、5-羟色胺等神经递质受体的神经元末梢上。CB1R 激活可抑制突触前膜神经递质的释放，逆行调控神经元的兴奋性。然而，对于中枢神经系统中另一类具有重要抑制性作用的小清蛋白 (Parvalbumin，PV)阳性的 γ-氨基丁酸能中间神经元是否表达 CB1R，却鲜有报道。该文利用免疫荧光染色和激光共聚焦成像技术发现，小鼠海马体少量神经元存在 PV 与 CB1R 共表达，且 PV/CB1R 阳性神经 元在海马体中的分布无雌雄差异。该结果能为进一步阐明 PV 与 CB1R 在功能上的相互作用提供一定参考价值，也将有助于更全面地了解内源性大麻素系统的调控作用。

摘要:在许多自动化应用场合中，如分拣和上、下料等过程中，机械臂抓取是非常重要的一个环 节。在有遮挡或物体杂乱放置的情况下，对物体进行可靠、快速和精确计算位姿是机械臂抓取的难题之一。该文提出一种针对非规则目标的 3D 视觉引导抓取系统。首先，该系统运用面结构光系统对目标进行高精度三维重建，并建立离线 3D 点云模板库；然后，将标准模板与点云预处理后的场景点云进行匹配，得到匹配参数后，由坐标系之间的转换矩阵计算机器手抓取位姿；最后，引导机器手完成对目标物体的抓取。实验结果表明，所开发的机械臂抓取系统能够对非规则目标进行可靠、快速和精确的 抓取。

摘要:对于静态基因表达数据来说，推断基因调控网络仍是系统生物学中的一个挑战——存在大量识别难度高的直接或间接调控关系，而传统方法的准确性和可靠性还有待进一步提高。为此，该文提出一种基于 Boosting 集成模型的方法(XGBoost)，应用随机化和正则化来解决模型过拟合问题，同时针对建模所得权重不一致的问题，对初始权重增加归一化和统计学方法处理。最终，采用 DREAM5挑战的基准数据集对所提出方法进行性能验证。实验结果表明，XGBoost 比现有其他方法获得更好的性能：在 in-silico 生成的模拟数据集中，接受者操作特征曲线面积(AUPR)和正确率-召回率曲线面积(AUROC)两个评估指标均显著优于现有方法；在 E.coli 和 S.cerevisiae 两种生物的真实实验数据中，AUROC 指标均高于现有最优方法。

摘要:流量异常检测是网络入侵检测的主要途径之一，也是网络安全领域的一个热门研究方向。通过对网络流量进行实时监控，可及时有效地对网络异常进行预警。目前，网络流量异常检测方法主要分为基于规则和基于特征工程的方法，但现有方法需针对网络流量特征的变化需重新人工收集规则或 构造特征，工作量大且繁杂。为解决上述问题，该文提出一种基于卷积神经网络和循环神经网络的深度学习方法来自动提取网络流量的时空特征，可同时提取不同数据包之间的时序特征和同一数据包内字节流的空间特征，并减少了大量的人工工作。在 MAWILab 网络轨迹数据集上进行的验证分析结果表明，该文所提出的网络流时空特征提取方法优于已有的深度表示学习方法。

摘要:

摘要:

摘要:

摘要:

摘要:

摘要:

摘要: