This paper presents reconfigurable RF integrated circuits (ICs) for a compact implementation of an intelligent RF front-end for multiband and multistandard applications. Reconfigurability has been addressed at each level starting from the basic elements to the RF blocks and the overall front-end architecture. An active resistor tunable from 400 to 1600 /spl Omega/ up to 10 GHz has been designed and an equivalent model has been extracted. A fully tunable active inductor using a tunable feedback resistor has been proposed that provides inductances between 0.1-15 nH with Q>50 in the C-band. To demonstrate reconfigurability at the block level, voltage-controlled oscillators with very wide tuning ranges have been implemented in the C-band using the proposed active inductor, as well as using a switched-spiral resonator with capacitive tuning. The ICs have been implemented using 0.18-/spl mu/m Si-CMOS and 0.18-/spl mu/m SiGe-BiCMOS technologies.

The design of ultra-wideband (UWB) low-noise amplifiers (LNAs) require additional circuit design principles, which differ from those used in conventional LNAs. The design of a low-dc-power-consumption SiGe HBT LNA covering the 2-10-GHz range is demonstrated for UWB applications. Important design factors that must be carefully considered for UWB applications are analyzed, which include power dissipation, operating bandwidth, noise figure, group delay variation, and linearity. The dominant factor for low group delay variation in UWB LNAs is identified through the theoretical analysis. The linearity behavior over the wide bandwidth is analyzed and explained using the Volterra series. Second-harmonic cancellation is determined to be the dominant degradation factor for linearity. The implemented SiGe LNA achieves a gain of 13 dB, a minimum noise figure of 3.3 dB, and an input third-order intercept point of -7.5 dBm between 2-10 GHz while consuming a dc power of only 9.6 mW. This SiGe UWB LNA exhibits less than 22 ps of uniform group delay variation over the entire band.

ABSTRACT Body mass index (BMI) is an indicator of obesity, and recent neuroimaging studies have demonstrated inter-individual variations in BMI to be associated with altered brain structure and function. However, how the structure-function correspondence is altered according to BMI is under-investigated. In this study, we combined structural and functional connectivity using Riemannian optimization with varying diffusion time parameters and assessed their association with BMI. First, we simulated functional connectivity from structural connectivity and generated low-dimensional principal gradients of the simulated functional connectivity across diffusion times, where low and high diffusion times indirectly reflected mono- and polysynaptic communication. We found the most apparent cortical hierarchical organization differentiating between low-level sensory and higher-order transmodal regions in the middle of the diffusion time, indicating that the hierarchical organization of the brain may reflect the intermediate mechanisms of mono- and polysynaptic communications. Associations between the simulated gradients and BMI revealed the strongest relationship when the hierarchical structure was most evident. Moreover, the functional gradient-BMI association map showed significant correlations with the cytoarchitectonic measures of the microstructural gradient and moment features, indicating that BMI-related functional connectome alterations were remarkable in higher-order cognitive control-related brain regions. Finally, transcriptomic association analysis provided potential biological underpinnings, specifying gene enrichment in the striatum, hypothalamus, and cortical cells. Our findings provide evidence that structure-function correspondence is strongly coupled with BMI when hierarchical organization is most apparent, and the associations are related to the multiscale properties of the brain, leading to an advanced understanding of the neural mechanisms related to BMI.

Previous prospective studies have reported inconsistent findings on the association between coffee consumption and the risk of coronary heart disease (CHD). This study aimed to investigate their association using a meta-analysis of prospective studies. We searched PubMed and EMBASE for prospective cohort studies of the association between coffee consumption and the risk of CHD in the general population. We conducted a random-effects meta-analysis and also subgroup meta-analyses by various factors. Of 870 studies searched from databases, 32 prospective cohort studies were included in the final analysis. In the main meta-analysis of all studies, no significant association between coffee consumption and the risk of CHD was observed (relative risk [RR] 1.05, 95% confidence interval [CI] 0.97 to 1.14, I2 = 64.9%). In the subgroup meta-analyses by gender, coffee consumption significantly increased the risk of CHD in men (RR 1.19, 95% CI 1.05 to 1.35, n = 17), whereas a nonsignificantly decreased risk of CHD was observed in women (RR 0.91, 95% CI 0.77 to 1.08, n = 11). Also, in the subgroup meta-analyses by follow-up period, coffee consumption significantly increased the risk of CHD in the follow-up of 20 years or longer (RR 1.16, 95% CI 1.06 to 1.27, n = 4) regardless of gender. In conclusion, in the current meta-analysis of prospective studies, we found that, overall, no significant association between coffee consumption and the risk of CHD was observed. However, coffee consumption showed a differential effect by gender, with an increased risk of CHD in men and a potentially decreased risk in women.

A bstract Multimodal magnetic resonance imaging (MRI) provides complementary information for investigating brain structure and function; for example, an in vivo microstructure-sensitive proxy can be estimated using the ratio between T1- and T2-weighted structural MRI. However, acquiring multiple imaging modalities is challenging in patients with inattentive disorders. In this study, we proposed a comprehensive framework to provide multiple imaging features related to the brain microstructure using only T1-weighted MRI. Our toolbox consists of (i) synthesizing T2-weighted MRI from T1-weighted MRI using a conditional generative adversarial network; (ii) estimating microstructural features, including intracortical covariance and moment features of cortical layer-wise microstructural profiles; and (iii) generating a microstructural gradient, which is a low-dimensional representation of the intracortical microstructure profile. We trained and tested our toolbox using T1- and T2-weighted MRI scans of 1,104 healthy young adults obtained from the Human Connectome Project database. We found that the synthesized T2-weighted MRI was very similar to the actual image and that the synthesized data successfully reproduced the microstructural features. The toolbox was validated using an independent dataset containing healthy controls and patients with episodic migraine as well as the atypical developmental condition of autism spectrum disorder. Our toolbox may provide a new paradigm for analyzing multimodal structural MRI in the neuroscience community, and is openly accessible at https://github.com/CAMIN-neuro/GAN-MAT .