In a cognitive radio network, the secondary users are allowed to utilize the frequency bands of primary users when these bands are not currently being used. To support this spectrum reuse functionality, the secondary users are required to sense the radio frequency environment, and once the primary users are found to be active, the secondary users are required to vacate the channel within a certain amount of time. Therefore, spectrum sensing is of significant importance in cognitive radio networks. There are two parameters associated with spectrum sensing: probability of detection and probability of false alarm. The higher the probability of detection, the better the primary users are protected. However, from the secondary users' perspective, the lower the probability of false alarm, the more chances the channel can be reused when it is available, thus the higher the achievable throughput for the secondary network. In this paper, we study the problem of designing the sensing duration to maximize the achievable throughput for the secondary network under the constraint that the primary users are sufficiently protected. We formulate the sensing-throughput tradeoff problem mathematically, and use energy detection sensing scheme to prove that the formulated problem indeed has one optimal sensing time which yields the highest throughput for the secondary network. Cooperative sensing using multiple mini-slots or multiple secondary users are also studied using the methodology proposed in this paper. Computer simulations have shown that for a 6 MHz channel, when the frame duration is 100 ms, and the signal-to-noise ratio of primary user at the secondary receiver is -20 dB, the optimal sensing time achieving the highest throughput while maintaining 90% detection probability is 14.2 ms. This optimal sensing time decreases when distributed spectrum sensing is applied.

Spectrum sensing, i.e., detecting the presence of primary users in a licensed spectrum, is a fundamental problem in cognitive radio.Since the statistical covariances of received signal and noise are usually different, they can be used to differentiate the case where the primary user's signal is present from the case where there is only noise.In this paper, spectrum sensing algorithms are proposed based on the sample covariance matrix calculated from a limited number of received signal samples.Two test statistics are then extracted from the sample covariance matrix.A decision on the signal presence is made by comparing the two test statistics.Theoretical analysis for the proposed algorithms is given.Detection probability and associated threshold are found based on statistical theory.The methods do not need any information of the signal, the channel and noise power a priori.Also, no synchronization is needed.Simulations based on narrowband signals, captured digital television (DTV) signals and multiple antenna signals are presented to verify the methods.

In cognitive radio networks, the performance of the spectrum sensing depends on the sensing time and the fusion scheme that are used when cooperative sensing is applied. In this paper, we consider the case where the secondary users cooperatively sense a channel using the k -out-of- N fusion rule to determine the presence of the primary user. A sensing-throughput tradeoff problem under a cooperative sensing scenario is formulated to find a pair of sensing time and k value that maximize the secondary users' throughput subject to sufficient protection that is provided to the primary user. An iterative algorithm is proposed to obtain the optimal values for these two parameters. Computer simulations show that significant improvement in the throughput of the secondary users is achieved when the parameters for the fusion scheme and the sensing time are jointly optimized.

In this letter, we propose multi-antenna based spectrum sensing methods for cognitive radios (CRs) using the generalized likelihood ratio test (GLRT) paradigm. The proposed methods utilize the eigenvalues of the sample covariance matrix of the received signal vector from multiple antennas, taking advantage of the fact that in practice, the primary user signals to be detected will either occupy a subspace of dimension strictly smaller than the dimension of the observation space, or have a non-white spatial spectrum. These methods do not require prior knowledge of the primary user signals, or the channels from the primary users to the CR. By making different assumptions on the availability of the white noise power value at the CR receiver, we derive two algorithms that are shown to outperform the standard energy detector.

Sensing (signal detection) is a fundamental problem in cognitive radio. In this paper, a new method is proposed based on the eigenvalues of the covariance matrix of the received signal. It is shown that the ratio of the maximum eigenvalue to the minimum eigenvalue can be used to detect the signal existence. Based on some latest random matrix theories (RMT), we can quantize the ratio and find the threshold. The probability of false alarm is also found by using the RMT. The proposed method overcomes the noise uncertainty difficulty while keeps the advantages of the energy detection. The method can be used for various sensing applications without knowledge of the signal, the channel and noise power. Simulations based on randomly generated signals and captured ATSC DTV signals are presented to verify the methods.

Channel sensing, i.e., detecting the presence of primary users, is a fundamental problem in cognitive radio. Energy detection is optimal for detecting independent and identically distributed (iid) signals, but not optimal for detecting correlated signals. In this paper, a method is proposed based on the sample covariance matrix calculated from a limited number of received signal samples. The maximum eigenvalue of the sample covariance matrix is used as the test statistic. Since the covariance matrix catches the correlations among the signal samples, the proposed method is better than the energy detection for correlated signals. For iid signals, the method approaches to the energy detection. The random matrix theory is used to analyze the method and set the threshold. Similar to energy detection, the methods do not need any information of the source signal and the channel as a priori. Also, no synchronization is needed. Simulations based on wireless microphone signals and iid signals are presented to verify the method.

Membrane curvature has emerged as an intriguing physical organization principle underlying biological signaling and membrane trafficking. FBP17 of the CIP4/FBP17/Toca-1 F-BAR family is unique in the BAR family because its structurally folded F-BAR domain does not contain any hydrophobic motifs that insert into lipid bilayer. While it has been widely assumed so, whether the banana-shaped F-BAR domain alone can sense curvature has never been experimentally demonstrated. Using a nanopillar-supported lipid bilayer system, we found that the F-BAR domain of FBP17 displayed minimal curvature sensing in vitro. We further identified an alternatively spliced intrinsically disordered region (IDR) of FBP17 next to its F-BAR domain that is conserved in sequence across species. The IDR senses membrane curvature and its sensing ability greatly exceeds that of F-BAR domain alone. In living cells, presence of the IDR domain changed the dynamics of FBP17 recruitment in a curvature-coupled cortical wave system. Collectively, we propose that FBP17 does sense curvature but contrary to the common belief, its curvature sensing capability largely originates from its disordered region, not F-BAR domain itself.

Abstract For more than a century, abnormal nuclei in tumor cells, presenting subnuclear invaginations and folds on the nuclear envelope, have been known to be associated with high malignancy and poor prognosis. However, current nuclear morphology analysis focuses on the features of the entire nucleus, overlooking the malignancy-related subnuclear features in nanometer scale. The main technical challenge is to probe such tiny and randomly distributed features inside cells. We here employ nanopillar arrays to guide subnuclear features into ordered patterns enabling their quantification as a strong indicator of cell malignancy. Both breast and liver cancer cells were validated, as well as the quantification of nuclear abnormality heterogeneity. The alterations of subnuclear patterns were also explored as effective readouts for drug treatment. We envision this nanopillar-enabled quantification of subnuclear abnormal features in tumor cells opens a new angle in characterizing malignant cells and studying the unique nuclear biology in cancer. Teaser A nanopillar-based assay quantifying the abnormal nuclear morphology in tumor cells at single-cell level.

Achieving high-precision positioning through multi-source integration has become an inevitable trend in autonomous vehicle systems, and the spatiotemporal calibration of multi-source information is the primary prerequisite. This paper proposes a spatiotemporal calibration algorithm for the fusion system of GNSS data, LiDAR data, and visual data with the inertial sensor as the central coordinate system. Firstly, we use the pseudo-distance information of GNSS to construct the space-time calibration model of GNSS (Global Navigation Satellite System) relative to IMU (Inertial Measurement Unit). Secondly, based on the reprojection principle, we construct a spatiotemporal calibration model of visual images relative to the IMU. Then, according to the distance formula of the LiDAR (Light Detection and Ranging) points cloud, the space-time calibration model of the LiDAR points cloud relative to the IMU is established. Finally, we use the nonlinear optimization algorithm to obtain the spatiotemporal parameters. We have done extensive simulations based on simulated data and publicly available real-world datasets. The simulation results show that using the proposed calibration model yields spatiotemporal parameter accuracy superior to existing calibration algorithms and exhibits some degree of robustness to the noise in IMU data. It achieves approximately 40% improvement in position estimation accuracy with the open-source odometry and the real-world datasets while ensuring good safety and reliability under high computational efficiency.

Cell morphologies, defined by plasma membrane (PM) local curvature, change during mitogen-dependent function and pathology, such as growth, division and proliferation. The lipid-anchored Ras small GTPases are essential upstream regulators of the mitogen-activated protein kinases (MAPKs) cascades and play key roles in many pathological conditions, especially cancer. Ras signaling is mostly compartmentalized to the cell PM through the formation of nanometer-sized domains, termed as nanoclusters, and undergo selective lipid sorting for efficient effector recruitment and activation. Thus, Ras function might be sensitive to changing PM curvature, potentially regulating mechanosensing of mitogen signaling. We employed nanofabrication and super-resolution imaging and found that Ras functions respond to PM curvature modulations in an isoform specific manner: nanoclustering and signaling of the most oncogenically prevalent isoform K-Ras favor less curved PM, while those of another isoform H-Ras favor more curved PM. We then examined whether Ras membrane curvature sensing is mediated by lipid sorting. We found that anionic phospholipids sense changing PM curvature in distinct manners: phosphatidylserine (PS) localization shows preference for less curved membrane but phosphoinositol 4,5-bisphosphate (PIP2) localization favors more curved PM. Depletion of endogenous PS abolishes K-Ras PM curvature sensing. Exogenous PS addback and synthetic bilayer binding assays further show that only mixed-chain PS species, but not other PS species, mediate K-Ras curvature sensing. Taken together, the Ras proteolipid nano-assemblies on the PM act as relay stations to convert mechanical stimulations to mitogenic signaling circuits, thus a novel mechanism for cancer cell mechanotransduction.