There remains some debate about whether beta power effects observed during sentence comprehension reflect ongoing syntactic unification operations (beta-syntax hypothesis), or instead reflect maintenance or updating of the sentence-level representation (beta-maintenance hypothesis). In this study, we used magnetoencephalography to investigate beta power neural dynamics while participants read relative clause sentences that were initially ambiguous between a subject- or an object-relative reading. An additional condition included a grammatical violation at the disambiguation point in the relative clause sentences. The beta-maintenance hypothesis predicts a decrease in beta power at the disambiguation point for unexpected (and less preferred) object-relative clause sentences and grammatical violations, as both signal a need to update the sentence-level representation. While the beta-syntax hypothesis also predicts a beta power decrease for grammatical violations due to a disruption of syntactic unification operations, it instead predicts an increase in beta power for the object-relative clause condition because syntactic unification at the point of disambiguation becomes more demanding. We observed decreased beta power for both the agreement violation and object-relative clause conditions in typical left hemisphere language regions, which provides compelling support for the beta-maintenance hypothesis. Mid-frontal theta power effects were also present for grammatical violations and object-relative clause sentences, suggesting that violations and unexpected sentence interpretations are registered as conflicts by the brain's domain-general error detection system.
MULTIFILE
Traces of condom lubricants in fingerprints can be valuable information in cases of sexual assault. Ideally, not only confirmation of the presence of the condom but also determination of the type of condom brand used can be retrieved. Previous studies have shown to be able to retrieve information about the condom brand and type from fingerprints containing lubricants using various analytical techniques. However, in practice fingerprints often appear latent and need to be detected first, which is often achieved by cyanoacrylate fuming. In this study, we developed a desorption electrospray ionization mass spectrometry (DESI-MS) method which, combined with principal component analysis and linear discriminant analysis (PCA-LDA), allows for high accuracy classification of condom brands and types from fingerprints containing condom lubricant traces. The developed method is compatible with cyanoacrylate (CA) fuming. We collected and analyzed a representative dataset for the Netherlands comprising 32 different condoms. Distinctive lubricant components such as polyethylene glycol (PEG), polydimethylsiloxane (PDMS), octoxynol-9 and nonoxynol-9 were readily detected using the DESI-MS method. Based on the analysis of lubricant spots, a 99.0% classification accuracy was achieved. When analyzing lubricant containing fingerprints, an overall accuracy of 90.9% was obtained. Full chemical images could be generated from fingerprints, showing the distribution of lubricant components such as PEG and PDMS throughout the fingerprint, while still allowing for classification. The developed method shows potential for the development of DESI-MS based analyses of CA treated exogenous compounds from fingerprints for use in forensic science.
MULTIFILE
De glastuinbouw in Nederland is wereldwijd toonaangevend en loopt voorop in automatisering en data-gedreven bedrijfsvoering. Voor de data-gedreven teelt wordt, naast het monitoren van de kas-parameters ook het monitoren van gewasparameters steeds meer gevraagd. De sector is daarbij vooral geïnteresseerd in niet-destructieve, contactloze en persoonsonafhankelijk monitoring van gewassen. Optische sensortechnologie, zoals spectrale afbeeldingstechnologie, kan veel waardevolle informatie opleveren over de staat van een gewas of vrucht, bijvoorbeeld over het suikergehalte, maar ook de aanwezigheid van plantziektes of insecten. Echter is dit vaak een te kostbare oplossing voor zowel de technologiebedrijven die oplossingen leveren als voor de telers zelf. In dit project onderzoeken wij de mogelijkheid om spectrale beeldvorming tegen lagere kosten te realiseren. Het beoogde resultaat is een prototype van een instrument dat tegen lage kosten met spectrale beeldvorming een of meerdere gewaseigenschappen kan kwantificeren. Realisatie van dit prototype heeft een sterke Fotonica-component (expertise Haagse Hogeschool) maakt gebruik van Machine Learning (expertise perClass) en is bedoeld voor toepassing op scout robots in de glastuinbouw (expertise Mythronics). Een betaalbare oplossing betekent in potentie voor de teler een betere controle over kwaliteit van het gewas en automatisering voor detectie van ziekte-uitbraken. Bij een succesvol prototype kan deze innovatie leiden tot betere voedselkwaliteit en minder verspilling in de glastuinbouw.
Fluorescence microscopy is an indispensable technique to resolve structure and specificity in many scientific areas such as diagnostics, health care, materials- and life sciences. With the development of multi-functional instruments now costing hundreds of thousands of Euros, the availability and access to high-tech instrumentation is increasingly limited to larger imaging facilities. Here, we will develop a cost-effective alternative by combining a commercially available solution for high-resolution confocal imaging (the RCM from confocal.nl) with an open-hardware microscopy framework, the miCube, developed in the Laboratory of Biophysics of Wageningen University & Research. In addition, by implementing a recent invention of the applicant for the spectral separation of different emitters, we will improve the multiplexing capabilities of fluorescence microscopy in general and the RCM in particular. Together, our new platform will help to translate expertise and know-how created in an academic environment into a commercially sustainable future supporting the Dutch technology landscape.
De textielindustrie is wereldwijd een van de grootste milieuvervuilers. En dat komt mede doordat er weinig kleding gerecycled wordt: slecht 1% van de 80 miljard kleidingstukken die per jaar worden geproduceerd wordt gerecycled tot vezels waar nieuwe kleding van wordt gemaakt. Dit probleem wordt momenteel stevig aangepakt in de EU: in maart 2022 zijn strenge maatregelen aangekondigd die de industrie verplichten om circulair, duurzaam en energiezuinig te produceren. Het probleem is echter dat er technisch gezien weinig goede methodes bestaan om afgekeurde textiel weer om te zetten tot nieuwe kleding. Textiel bestaat vaak uit allerlei materialen die met elkaar verweven zijn, en de technologie schiet vooral tekort in snelle, automatische herkenning van deze samenstelling. Herkenning is essentieel omdat elke samenstelling weer een ander recycleproces/sorteerstroom nodig heeft. Innovatie in herkenningssystemen wordt dan ook in de sector aangewezen als de meest belangrijke stap naar een circulaire textielindustrie, en is het kernpunt van dit consortium. In dit project wordt een innovatie methode ontwikkeld om met behulp van hyperspectrale Short-Wave Infrared (SWIR) -camera's en Artificial Intelligence (AI) de textielsamenstelling te bepalen op de lopende band. AI is hierbij een sleuteltechnologie, omdat de herkenning van textiel dermate complex is (door de grote hoeveelheid verschijningsvormen) dat conventionele analysemethoden niet volstaan. Wij hebben vier innovatieve AI-technieken geïdentificeerd die nog nooit eerder zijn toegepast op textielrecycling, die gezamenlijk naar verwachting tot een doorbraak leiden in de textielherkenning. Om deze technieken toe te kunnen passen is een grote textieldataset noodzakelijk met nauwkeurige samenstelling-informatie, die nog ontbreekt. Onze contributie is daarom drievoudig: Ten eerste bouwen we de eerste grootschalige en publiekelijk-beschikbare textieldatabase voor gezamenlijke innovatie. Ten tweede leveren wij publiekelijk-beschikbare AI-algoritmes waarmee textielherkenning uitgevoerd kan worden, en ten derde werken wij aan een prototype opstelling (TRL-6) waarbij hyperspectrale beelden van textiel op een lopende band worden opgenomen en herkend.
![I’M A.I. IMage Processing and Artificial Intelligence [Inaugurele rede]](https://publinova-harvester-content-prod.s3.amazonaws.com/thumbnails/files/previews/pdf/20241113154153921952.LS20Brochure20Professorship20CVDS20FINAL20WEB2028129-thumbnail-400x300.png)
