Given the rising demand for high-energy–density devices in the commercial market, exploring new electrode materials is crucial for enhancing the energy density of lithium-ion batteries (LIBs). Novel electrode materials, which rely on conversion and alloy reactions, have attracted attention due to their high specific capacity and abundant resources. However, these materials often suffer from a large initial irreversible capacity and low- capacity retention, leading to significant active lithium consumption and a reduction in overall battery energy density. Consequently, a concise and efficient prelithiation technique is urgently needed to improve their electrochemical performance for commercial applications. Although various prelithiation methods have been developed, they predominantly remain experimental due to issues such as high reduction potential, poor prelithiation accuracy, and incompatibility with electrolytes, among others. From an industrial perspective, understanding the electrochemical reaction mechanisms and designing effective prelithiation technologies and electrode structures are vital for advanced lithium storage systems. This review first discusses the causes of active lithium loss and the electrochemical reaction mechanisms of different prelithiation methods. It summarizes the applications of advanced characterization methods in prelithiation technology. Then, various prelithiation strategies are reviewed and generalized according to the different components of LIBs. Additionally, the review examines the pathways for lithium replenishment and the recent developments in electrode structures within prelithiation strategies. Finally, the future perspectives and challenges of prelithiation technology in commercial applications are analyzed and projected.

Abstract Objective Most existing machine learning models for myoelectric control require a large amount of data to learn user-specific characteristics of the electromyographic (EMG) signals, which is burdensome. Our objective is to develop an approach to enable the calibration of a pre-trained model with minimal data from a new myoelectric user. Approach We trained a random forest model with EMG data from 20 people collected during the performance of multiple hand grips. To adapt the decision rules for a new user, first, the branches of the pre-trained decision trees were pruned using the validation data from the new user. Then new decision trees trained merely with data from the new user were appended to the pruned pre-trained model. Results Real-time myoelectric experiments with 18 participants over two days demonstrated the improved accuracy of the proposed approach when compared to benchmark user-specific random forest and the linear discriminant analysis models. Furthermore, the random forest model that was calibrated on day one for a new participant yielded significantly higher accuracy on day two, when compared to the benchmark approaches, which reflects the robustness of the proposed approach. Significance The proposed model calibration procedure is completely source-free, that is, once the base model is pre-trained, no access to the source data from the original 20 people is required. Our work promotes the use of efficient, explainable, and simple models for myoelectric control.

Structure-based drug design (SBDD) relies on accurate knowledge of protein structure and ligand-binding conformations. However, most of the static conformations obtained by advanced methods such as structural biology and de novo protein folding algorithms often don't meet the needs for drug design. We introduce PackDock, a flexible docking method that combines "conformation selection" and "induced fit" mechanisms in a two-stage docking pipeline. The core module of this method is PackPocket, which uses a diffusion model to explore the side-chain conformation space in ligand binding pockets, both with or without a ligand. We evaluate our method using several tests that reflect real-world application scenarios. (1) Side-chain packing and Re-docking experiments validate the ability of PackDock to predict accurate side-chain conformations and ligand conformations. (2) Cross-docking experiments with apo and non-homologous ligand-induced holo structures align with real docking scenarios, demonstrating PackDock's practical value. (3) Docking experiments with hypothetical models show that PackPocket can potentially conduct SBDD starting from protein sequence information only. Additionally, we found that PackDock can identify key amino acid conformation changes, which may provide insights for lead compound optimization. We demonstrate PackDock can accurately predict the complex conformations in various application scenarios, by combining the conformation selection theory and the induced fit theory, and by using the ability of PackPocket to accurately predict the side chain conformations in the pocket region. We believe this method can improve the usability of existing structures, providing a new perspective for the SBDD community.

Human hands can execute intricate and dexterous control of diverse objects. Decoding hand motions, especially estimating the force of each individual finger via surface electromyography (sEMG), is an essential step in intuitive and dexterous control of prosthetics, exoskeletons and more various human-machine systems. Previous sEMG decoders lack explainability and show degraded performances in decoding finger forces with multiple degrees-of-freedom (DoFs). When developing a multi-DoF EMG decoder, the combinations of various forces levels exerted by different fingers are too numerous to be exhaustively enumerate. In our work, we utilized the data of 1-DoF finger activation to generate synthetic N-DoF sEMG data with a straightforward additive mixup data augmentation approach, which overlays 1-DoF sEMG signals and finger force labels. The basic assumption of our method is the additive property of sEMG associated with different DoFs. With the synthetic N-DoF sEMG data, we then developed N-DoF EMG-force models via the highly explainable deep forest built on simple and transparent decision trees. With data augmentation using only 1-DoF sEMG data, the regression error reduced by 20% of the baseline level (without data augmentation). More significantly, the explainability of the deep forest suggested that, the crucial electrodes in the decision making process of the 2-DoF deep forest are essentially a linear superposition of the counterparts in the 1-DoF deep forest.

In most real world rehabilitation training, patients are trained to regain motion capabilities with the aid of functional/epidural electrical stimulation (FES/EES), under the support of gravity-assist systems to prevent falls. However, the lack of motion analysis dataset designed specifically for rehabilitation-related applications largely limits the conduct of pilot research. We provide an open access dataset, consisting of multimodal data collected via 16 electromyography (EMG) sensors, 6 inertial measurement unit (IMU) sensors, and 230 insole pressure sensors (IPS) per foot, together with a 26-sensor motion capture system, under different MOVEments and POstures for Rehabilitation Training (MovePort). Data were collected under diverse experimental paradigms. Twenty four participants first imitated multiple normal and abnormal body postures including (1) normal standing still, (2) leaning forward, (3) leaning back, and (4) half-squat, which in practical applications, can be detected as feedback to tune the parameters of FES/EES and gravity-assist systems to keep patients in a target body posture. Data under imitated abnormal gaits, e.g., (1) with legs raised higher under excessive electrical stimulation, and (2) with dragging legs under insufficient stimulation, were also collected. Data under normal gaits with low, medium and high speeds are also included. Pathological gait data from a subject with spastic paraplegia further increases the clinical value of our dataset. We also provide source codes to perform both intra- and inter-participant motion analyses of our dataset. We expect our dataset can provide a unique platform to promote collaboration among neurorehabilitation engineers.

In the field of structure-based drug design, accurately predicting the binding conformation of ligands to proteins is a long-standing objective. Despite recent advances in deep learning yielding various methods for predicting protein-ligand complex structures, these AI-driven approaches frequently fall short of traditional docking methods in practice and often yield structures that lack physical and chemical plausibility. To overcome these limitations, we present SurfDock, an advanced geometric diffusion network, distinguished by its ability to integrate multiple protein representations including protein sequence, three-dimensional structural graphs, and surface-level details into its equivariant architecture. SurfDock employs a generative diffusion model on a non-Euclidean manifold, enabling precise optimization of molecular translations, rotations, and torsions for reliable binding poses generation. Complemented by a mixture density network for scoring using the same comprehensive representation, SurfDock achieves significantly improved docking success rates over all existing methods, excelling in both accuracy and adherence to physical constraints. Equipped with post-docking energy minimization as an optional feature, the plausibility of generated poses is further enhanced. Importantly, SurfDock demonstrates excellent generalizability to unseen proteins and extensibility to virtual screening tasks with state-of-the-art performance. We consider it a transformative contribution that could serve as an invaluable asset in structure-based drug design.