XiaoMi-AI文件搜索系统
World File Search System中脑
物体识别过程中脑震荡活动的表征内容：对比皮质和深层神经网络层次
摘要 许多理论都提出脑振荡在视觉感知中起着关键作用。这些理论中的大多数都假定感觉信息被编码在特定频带的特定振荡分量（例如功率或相位）中。这些理论通常用低空间分辨率的全脑记录方法（EEG 或 MEG）或提供局部、不完整大脑视图的深度记录来测试。弥合局部神经群和全脑信号之间差距的机会很少。在这里，我们使用人类参与者的表征相似性分析 (RSA) 来探索哪些 MEG 振荡分量（功率和相位，跨不同频带）对应于低级或高级视觉对象表征，使用来自 fMRI 的大脑表征或七个最新深度神经网络 (DNN) 中的分层表征作为低级/高级对象表征的模板。结果表明，在刺激开始和结束前后，大多数瞬态振荡信号与低级大脑模式 (V1) 相关。在刺激呈现期间，持续的 b ( ; 20 Hz) 和 g ( . 60 Hz) 功率与 V1 最相关，而振荡相位分量与 IT 表征相关。令人惊讶的是，这种结果模式并不总是对应于低级或高级 DNN 层活动。特别是，持续的 b 波段振荡功率反映了高级 DNN 层，暗示存在反馈分量。这些结果开始弥合全脑振荡信号与局部神经元激活支持的对象表征之间的差距。
物体识别过程中脑震荡活动的表征内容：对比皮质和深层神经网络层次
版权所有 © 2021 Reddy 等人。这是一篇开放获取的文章，根据知识共享署名 4.0 国际许可条款分发，允许在任何媒体中不受限制地使用、分发和复制，前提是正确署名原始作品。
前脑到中脑途径的电路和突触组织，促进和抑制发声
引言发声的决定通常是生死攸关的问题，因为发声是同种特定之间的性和社会信号传导的重要媒介，但也可能无意中会宣传呼叫者的位置到窃听掠食者的位置。因此，许多因素影响了发声的决定，包括外部感觉和社会提示的存在，以及动物自身的内部状态和过去的经验。过去五十年来的工作已经确立了中脑围栏灰色（PAG），作为所有哺乳动物发声的必要大门（Fenzl和Schuller，2002; Jurgens，1994; Juhrgens; Juhrgens，2002; Jurgens，2009; Jurgens，2009; subramanian; subramanian; subramanian ef suida; suida; suiDA; egi; Al。，2019年），人们认为，前脑输入了PAG以上下文依赖的方式产生发声的产生。符合这个想法，包括皮质，杏仁核和下丘脑在内的前脑区域已与调节声音作为社会背景的函数有关（Bennett等，2019; Dujardin and Juyrgens，2006; Gao等，2019; Green等，2018； Gemba，1998年； Ma和Kanwal，2014年；Notably, although electrical or pharmacological activation of various forebrain regions can elicit vocalizations ( Ju¨rgens, 2009 ; Ju¨rgens and Ploog, 1970 ; Ju¨rgens and Richter, 1986 ), these effects depend on an intact PAG ( Ju¨rgens and Pratt, 1979 ; Lu and Ju¨rgens, 1993 ; Siebert and Ju¨rgens, 2003 ), suggesting that the PAG充当下降前脑控制发声的基本枢纽。尽管PAG的中心是
腹外侧灰灰色和深中脑网状核参与睡眠状态切换和双重性
Abstract Neurons of the ventrolateral periaqueductal gray (vlPAG) and adjacent deep mesencephalic reticular nucleus (DpMe) are implicated in the control of sleep-wake state and are hypothesized components of a flip-flop circuit that main- tains sleep bistability by preventing the overexpression of non-rapid eye movement (NREM)/REM sleep intermediary states （NRT）。为了确定VLPAG/DPME神经元在维持睡眠双重性方面的贡献，我们将触发器电路的计算机模拟与VLPAG/DPME神经元的局灶性灭活相结合，通过微透析通过GABA A的受体激动剂在自由的肌肉中递送Mycroprogrination n = 25），以进行gaba A受体激动剂（N = 25）的仪器（n = 25）。rem睡眠，与先前的研究一致。但是，我们对体内NRT动力学的分析以及Flop-Flop电路模拟产生的分析表明，当前的思维过于狭窄地集中在REM睡眠不活跃种群对REM睡眠控制中的REM睡眠群体对VLPAG/DPME参与的贡献。我们发现，Muscimol介导的REM睡眠的大部分介导的增加被更恰当地归类为NRT。失去睡眠的丧失伴随着REM睡眠的分裂，这证明了Short Short Rem睡眠爆发数量的增加。rem睡眠碎片化源于源自REM睡眠中的NRT回合的数量和持续时间。相比之下，nREM睡眠回合也不会被VLPAG/DPME失活所破坏。在触发电路电路模拟中，不能仅仅通过抑制REM睡眠不活跃的种群来进行这些变化。取而代之的是，需要对REM睡眠的组合抑制和无效的VLPAG/DPME亚群来复制NRT动力学的变化。
计算创伤性跌倒中脑白质和灰质损伤的严重程度
摘要：在现实世界中，创伤的严重程度是使用简略损伤量表 (AIS) 来衡量的。然而，目前无法使用有限元人机模型的输出来计算 AIS 量表，有限元人机模型目前依靠最大主应变 (MPS) 来捕捉严重和致命的伤害。为了克服这些限制，引入了一种独特的器官创伤模型 (OTM)，该模型能够计算所有 AIS 级别对大脑模型生命的威胁。OTM 使用一种名为峰值虚拟功率 (PVP) 的功率法，并将大脑白质和灰质创伤反应定义为撞击位置和撞击速度的函数。这项研究在损伤严重程度计算中考虑了衰老，包括软组织材料降解以及由于衰老导致的脑容量变化。此外，为了解释大脑模型的拉格朗日公式在表示出血方面的局限性，提出了一种包括硬膜下血肿影响的方法，并将其作为预测的一部分。 OTM 模型已针对两次真实跌倒进行了测试，并被证明能够正确预测死后结果。本文是一个概念验证，等待更多测试，可以支持法医研究。
高性能计算环境中脑映射的主动学习管道
摘要 —本文介绍了一种可扩展的主动学习管道原型，用于利用高性能计算能力进行大规模脑映射。它可以对算法结果进行高吞吐量评估，经过人工审核后，用于迭代机器学习模型训练。图像处理和机器学习在批处理层中执行。使用 pMATLAB 对图像处理进行基准测试表明，吞吐量可以提高 100 倍（10,000%），而 Xeon-G6 CPU 上的总处理时间仅增加 9%，Xeon-E5 CPU 上的总处理时间仅增加 22%，这表明可扩展性很强。图像和算法结果通过服务层提供给基于浏览器的用户界面进行交互式审查。该管道有可能大大减轻手动注释负担，并提高基于机器学习的脑映射的整体性能。索引词 —主动学习、脑映射、高性能计算、神经元分割、轴突追踪
睡眠中脑活动的神经调节及其对...
图1。不同的内存系统。记忆可以细分为两个主要类别，即声明性，明确的海马依赖性和非声明性的，隐式的海马独立记忆。这两个主要概念可以进一步指定：情节记忆是指与特定时空上下文相关的所有存储记忆，而语义记忆包括所有概念和知识，并独立于精确的上下文指标同化。的程序记忆技巧意味着长期学习运动和认知能力，涉及感知表征的启动，代表刺激和条件反应之间所有关联的条件以及反射非缔合性学习，包括习惯和敏感性，都被视为隐式记忆子类别。改编自Stickgold（2005）。
语音回忆过程中脑电图音节信息的提取
ᵝ䚻䛺㡿ᇦ䛻ர䜛 Brain Computer Interface 䠄 BCI 䠅䛾◊✲䛜 ┒䜣䛻⾜䜟䜜䛶䛔䜛䠊 BCI ◊✲䛿㐠ື㔝䛾ほ 䛛䜙ᶵჾ᧯స 䜢┠ᣦ䛩䜒䛾䛜ඛ⾜䛧䛶䛔䜛䛜 [1][2] 䠈㡢ኌゝㄒ䛻㛵䜟䜛 BCI ◊✲䜒䠈 fMRI 䜔 PET 䛷㘓䛥䜜䛯䝕䞊䝍䛾ほ 䛛䜙䠈ᴫᛕ ㉳ Æ ゝㄒ⾲⌧䝥䝷䞁䝙䞁䜾 Æ 㡢⠇䞉༢ㄒ䞉ᩥ⾲⌧ Æ Ⓨヰ㐠ື ⚄⤒⣔䛾άື䛻⮳䜛▱ぢ䛜✚䛥䜜䠈◊✲䛜άⓎ䛻䛺䛳䛶䛔 䜛 [3][4] 䠊䛣䛾ศ㔝䛷䛿 ECoG 䜢⏝䛔䛯◊㻌㻌㻌㻌㻌㻌㻌✲䛜ඛ⾜䛧 䛶䛔䜛䛜䠈㠀くⓗ䛻䛛䛴䝸䜰䝹䝍䜲䝮䛻ಙྕ䜢ほ 䛷䛝䜛 EEG 䜔 MEG 䛜ᐇ⏝䜢⪃䛘䜛䛸ᮃ䜎䛧䛔䠊 ሗ࿌⪅䜙䛿㡢ኌ㉳䛾 EEG ಙྕ䜢ᑐ㇟䛻䠈 ” ゝㄒ⾲㇟䛿 ▷㛫 tone-burst Ἴ⩌䛷䛒䜛 ” 䛸䛾௬ㄝ䜢❧䛶䠈⥺䝇䝨䜽䝖䝹≉ ᚩ㔞䜢ᢳฟ䛧䛯ᚋ䠈䝇䝨䜽䝖䝹䝟䝍䞊䞁䛛䜙┠ど䝷䝧䝸䞁䜾䛷 ㉳༊㛫䜢ྠᐃ䛩䜛䛸ඹ䛻䠈 0 䛛䜙 9 䛾 10 ᩘᏐ䛸ẕ㡢㡢⠇䛻ྵ䜎 䜜䜛 17 㡢⠇䜢ศ㢮䛩䜛◊✲䜢⾜䛳䛶䛝䛯 [5] 䠊ᮏሗ࿌䛷䛿䠈᭱ ึ䛻 17 㡢⠇䜢୕䛴䛾㡢⠇䜾䝹䞊䝥 ( ẕ㡢㡢⠇䠈᭷ኌ㡢⠇䠈↓ ኌ㡢⠇ ) 䛻ศ䛡䛶ㄆ㆑䛧䛯㝿䛾ᐇ㦂⤖ᯝ䜢㏙䜉䜛䠊䛣䛾ᐇ㦂䛷 䛿Ꮫ⩦䝕䞊䝍ᩘ䜢ቑ䜔䛩䛯䜑䠈 (i) ᩘᏐ㡢ኌ㉳ ( 䛾ྛ㡢⠇䝕 䞊䝍 ) 䛸ู䛻䠈㡢⠇⾜ (/ga- gi- gu- ge- go/) 䜢㉳䛧䛶᥇ྲྀ䛧䛯䝕 䞊䝍䜢Ꮫ⩦䛧䛯ሙྜ䠈 (ii) 㡢⣲䜢ྵ䜐㡢⠇ (/g/ = /ga, gi, gu, ge, go/, /o/ = /o, ko, so, to, no,…../) 䛛䜙㡢⣲䝕䞊䝍䜢Ꮫ⩦䛧䛯ሙྜ䠈 䛻䛴䛔䛶䜾䝹䞊䝥ෆ䛾㡢⠇䜢ㄆ㆑䛧䛯⤖ᯝ䜢ሗ࿌䛩䜛䠊 ⥆䛔䛶䠈ಶ䚻䛾㡢⠇㆑ู䜢┠ᶆ䛻䠈ከ㔞䝕䞊䝍䛾㞟䜢⾜䛖䠊 ⬻Ἴ㘓䛷䛿䠈⣧㡢䝖䝸䜺䞊䛾┤ᚋ䛻 1 ▷㡢⠇䛾㡢ኌ㉳䜢⾜ 䛖䛣䛸䛷䠈 1 ᅇ䛾㉳㘓㛫䜢▷䛟䛧䠈ከ㔞䝕䞊䝍䜢㘓䛷䛝 䜛䜘䛖䛻䛧䛯䠊䛣䜜䛻䜘䛳䛶䠈␚䜏㎸䜏䝙䝳䞊䝷䝹䝛䝑䝖䝽䞊䜽 (CNN) 䛺䛹䛾῝ᒙᏛ⩦ᑟධ䛜ྍ⬟䛻䛺䜛䠊ᮏᩥ䛷䛿䠊≉ᚩ㔞䛸 䛧䛶⬻ෆ✵㛫䛾 RMS ሗ䜢ᢳฟ䛧䠈 0 䛛䜙 9 䛻ྵ䜎䜜䜛 10 ಶ 䛾ᩘᏐ䛸ẕ㡢㡢⠇䛾 17 㡢⠇䜢䠈ḟඖ␚䜏㎸䜏䝙䝳䞊䝷䝹䝛 䝑䝖䝽䞊䜽䜢⏝䛔䛶㡢⠇ㄆ㆑䛩䜛䠊
埃及成年人口中脑部 MRI 偶然发现的患病率
结果：对 753 名接受脑部 MRI 扫描的神经健康受试者（389 名男性和 364 名女性）进行了筛查，以确定是否存在偶然发现，并记录每种发现的发生率。11.7% 的受试者记录了偶然发现，其中最常见的发现是脑膜瘤（2.5%），其次是血管畸形（动脉瘤、海绵状瘤），约占 2%。脑膜瘤、海绵状瘤和动脉瘤在女性中的发病率明显高于男性。肿瘤偶然发现的发生率随着年龄的增长而增加，而非肿瘤发现的发现率似乎随着年龄的增长而下降。结论：偶然发现在埃及成年人口中相对常见。最常见的发现是脑膜瘤，其次是血管畸形和蛛网膜囊肿。了解这些情况将有助于引导患者找到合适的专家，并制定适当的后续计划，以避免潜在的临床危害。它还提高了人们对筛查脑部扫描的重要性的认识，同时还对患者进行其他目的的扫描，如扫描鼻旁窦、眼眶和颞骨岩部进行扫描。
使用受激拉曼组织学和深度神经网络进行近实时术中脑肿瘤诊断
* 通讯作者：Daniel A. Orringer，医学博士，纽约大学，530 First Ave.，SKI 8S，纽约，NY 10016；电话 212-263-0904，Daniel.Orringer@nyulangone.org。‡ 现地址：美国加利福尼亚州旧金山市加利福尼亚大学旧金山分校神经外科系 作者贡献：TCH、SC-P. 和 DAO 构思了这项研究、设计了实验并撰写了论文，并得到了 BP、HL、ARA、EU、ZUF、SL、PDP、TM、MS、PC 和 SSSK 的协助。作者 CWF 和 JT 制作了 SRH 显微镜。TCH、ARA、EU、AVS、TDJ、PC 和 AHS 分析了数据。TDJ 和 TCH 进行了统计分析。 DAO、SLH-J.、HJLG、JAH、COM、ELM、SES、PGP、MBS、JNB、MLO、BGT、KMM、RSD、OS、DGE、RJK、MEI 和 GMM 提供了手术标本以供成像。所有作者均审阅并编辑了手稿。