A primary objective in developing a neural prosthesis is to replace neural circuitry in the brain that no longer functions appropriately. Such a goal requires artificial reconstruction of neuron-to-neuron connections in a way that can be recognized by the remaining normal circuitry, and that promotes appropriate interaction. In this study, the application of a specially designed neural prosthesis using a multi-input/multi-output (MIMO) nonlinear model is demonstrated by using trains of electrical stimulation pulses to substitute for MIMO model derived ensemble firing patterns. Ensembles of CA3 and CA1 hippocampal neurons, recorded from rats performing a delayed-nonmatch-to-sample (DNMS) memory task, exhibited successful encoding of trial-specific sample lever information in the form of different spatiotemporal firing patterns. MIMO patterns, identified online and in real-time, were employed within a closed-loop behavioral paradigm. Results showed that the model was able to predict successful performance on the same trial. Also, MIMO model-derived patterns, delivered as electrical stimulation to the same electrodes, improved performance under normal testing conditions and, more importantly, were capable of recovering performance when delivered to animals with ensemble hippocampal activity compromised by pharmacologic blockade of synaptic transmission. These integrated experimental-modeling studies show for the first time that, with sufficient information about the neural coding of memories, a neural prosthesis capable of real-time diagnosis and manipulation of the encoding process can restore and even enhance cognitive, mnemonic processes.

Large scale monitoring of neural activity at the single unit level can be achieved via electrophysiological recording using implanted microelectrodes. While neuroscience researchers have widely employed chronically implanted electrode-based interfaces for this purpose, a commonly encountered limitation is loss of highly resolved signals arising from immunological response over time. Next generation electrode-based interfaces improve longitudinal signal quality using the strategy of stabilizing the device-tissue interface with microelectrode arrays constructed from soft and flexible polymer materials. The limited availability of such polymer microelectrode arrays has restricted access to a small number of researchers able to build their own custom devices or who have developed specific collaborations with engineering researchers who can produce them. Here, a new technology resource model is introduced that seeks to widely increase access to polymer microelectrode arrays by the neuroscience research community. The Polymer Implantable Electrode (PIE) Foundry provides custom and standardized polymer microelectrode arrays as well as training and guidance on best-practices for implantation and chronic experiments.

Objective To evaluate the effectiveness of machine learning (ML) models in predicting 5-year type 2 diabetes mellitus (T2DM) risk within the Chinese population by retrospectively analyzing annual health checkup records. Methods We included 46,247 patients (32,372 and 13,875 in training and validation sets, respectively) from a national health checkup center database. Univariate and multivariate Cox analyses were performed to identify factors influencing T2DM risk. Extreme Gradient Boosting (XGBoost), support vector machine (SVM), logistic regression (LR), and random forest (RF) models were trained to predict 5-year T2DM risk. Model performances were analyzed using receiver operating characteristic (ROC) curves for discrimination and calibration plots for prediction accuracy. Results Key variables included fasting plasma glucose, age, and sedentary time. The LR model showed good accuracy with respective areas under the ROC (AUCs) of 0.914 and 0.913 in training and validation sets; the RF model exhibited favorable AUCs of 0.998 and 0.838. In calibration analysis, the LR model displayed good fit for low-risk patients; the RF model exhibited satisfactory fit for low- and high-risk patients. Conclusions LR and RF models can effectively predict T2DM risk in the Chinese population. These models may help identify high-risk patients and guide interventions to prevent complications and disabilities.

Abstract In the process of directional well drilling, how to accurately model the real-time well trajectory is of great significance to improving the reservoir encounter rate and recovery rate. This paper provides a method to improve the accuracy of well trajectory by cleaning and correcting the continuous measurement data in combination with fixed measurement data, and then using the continuous measurement data for trajectory modeling. The continuous measurement data comes from the CG-STEER rotary steerable system. The well trajectory calculated by the continuous measurement data corrected by the above method greatly reduces the vertical depth calculation error during the drilling process, and effectively reduces the vertical depth error accumulation caused by the large spacing between fixed measurement points. It can effectively improve the drilling target accuracy and horizontal section penetration rate, and reduce invalid drilling.