Background: Gut microbiota can affect human behavior and mood in many ways. Several studies have shown that patients with depression were also accompanied with gut microbiota disorder, in which Firmicutes are related to the protective function of intestinal barrier. In this study, we explore the changes and effects of Firmicutes in the patients with major depressive disorder (MDD). Method: We recruited 54 subjects, including 27 patients with MDD. Fecal samples were collected for identification by 16S rRNA sequencing and bioinformatics analysis. Results: The study shows that the alpha diversity indices of MDD patients are lower than those of the healthy controls. Firmicutes is the most significantly decreased phylum in the MDD samples. There are totally 13 taxonomic biomarkers with P -value <0.01 from Firmicutes. There are differences in 17 KEGG pathways between the two groups. Conclusion: This study found that there is a significant disorder of gut microbiota in the patients with depression, in which the Firmicutes decreased significantly. Defects of the Firmicutes may lead to the depression in short-chain fatty acids, which could account for the physiological basis of low-level inflammation of depression. Limitations: This is a cross-sectional study and the sample size is comparatively small. Though several diet-related factors were controlled in the study, there is no quantified assessment of it. Keywords: gut microbiota, brain–gut axis, depression, Firmicutes, short-chain fatty acids

Total variation $(TV)$ regularization method has been used in forward imaging of airborne scanning radar. However, the traditional regularization method usually processes the whole echo matrix line by line, and every processing includes inversion operation, which leads to huge computational complexity and insufficient real-time. To solve this problem, an improved TV regularization method is proposed for online real aperture radar super-resolution. By using the correlation between adjacent echoes, the matrix inversion operation is transformed into the iterative operation of matrix multiplication, and the real-time scanning echoes are used to effectively update the reconstruction results online, and the real-time online update of the target in the forward view area is realized. Compared with the traditional batch processing method, the proposed method significantly reduces the computational complexity without losing the imaging performance, saves the computing time, and is suitable for the fast imaging of scanning radar.

In this paper, a method for rapidly determining the content of chlorogenic acid, neochlorogenic acid, cryptochlorogenic acid, gardeniside, and strychnoside in Reduning Injection(RI) was established based on near-infrared spectroscopy(NIRS), midinfrared spectroscopy(MIRS), and spectral fusion technology. Six pretreatment methods and five variable screening methods were investigated, and the best method was selected to establish a partial least square(PLS) model of two single spectra. At the same time,the NIRS and MIRS were fused with equal weights and characteristic bands, and the PLS model was established. The prediction effect of the four models on the quality control components was compared: NIRS>characteristic band fusion>MIRS>equal weight fusion. The relative standard error of prediction(RSEP) of the NIRS models on the five quality control components was less than 2. 5%, and the ratio of performance to deviation(RPD) was greater than 9. 5. The results show that the single spectrum model of NIRS is the best quantitative detection method, and the model of NIRS combined with the PLS algorithm can be used for the rapid detection of Reduning Injection.

Intelligent fault diagnosis based on multisensor data fusion techniques and two-dimensional convolutional neural network (CNN) has been widely developed and achieved numerous excellent results. Existing studies usually develop multi-input models to facilitate data fusion, lacking schemes for realizing the fusion in the process of data-to-image. Traditional methods that convert signals to grayscale maps and concatenate them into RGB images lose temporal correlation and are susceptible to interference. Besides, few studies integrated the favorable features at different stages in the CNN for diagnosis, which limits the diagnostic performance. To this end, this article proposes a multisource signal-to-image method called multidimensional distance matrix (MDM) and a multi-scale adaptive feature fusion convolutional neural network (MAFFCNN). First, MDM images emphasize the interrelationships between points of different moments in time series data and preserve temporal correlation. Then, the conv block of MAFFCNN can extract features at different scales in the image, and its attention branch can better aggregate the location information. Also, the MAFFCNN introduces efficient attention and cross-spatial learning to generate learnable weights based on the importance of features at different stages to achieve adaptive feature fusion. Finally, the above method is validated using the established gear fault dataset and the public bearing dataset. The experimental results demonstrate the effectiveness of the proposed methods and their excellent robustness in complex environments.