XiaoMi-AI文件搜索系统
World File Search System全脑
使用深度神经密度估计器进行癫痫全脑网络建模的基于模拟的推理
癫痫的全脑网络建模是一种数据驱动的方法，它将个性化的解剖信息与异常大脑活动的动态模型相结合，以生成在大脑成像信号中观察到的时空癫痫发作模式。这种参数模拟器配备了一个随机生成过程，它本身为推断和预测受疾病影响的局部和整体大脑动态提供了基础。然而，全脑尺度的似然函数计算往往是难以解决的。因此，需要无似然推理算法来有效估计与大脑中假设区域有关的参数，理想情况下包括不确定性。在这项详细的研究中，我们提出了基于模拟的虚拟癫痫患者 (SBI-VEP) 模型推理，它只需要前向模拟，使我们能够摊销代表全脑癫痫模式的低维数据特征参数的后验推断。我们使用最先进的深度学习算法进行条件密度估计，通过一系列可逆变换检索参数和观测值之间的统计关系。这种方法使我们能够根据新输入数据轻松预测癫痫发作动态。我们表明，SBI-VEP 能够从颅内 EEG 信号的稀疏观测中准确估计与大脑中致痫区和传播区范围相关的参数的后验分布。所提出的贝叶斯方法可以处理非线性潜在动力学和参数退化，为从神经影像学模式可靠地预测神经系统疾病铺平了道路，这对于制定干预策略至关重要。
快速构建可解释的全脑解码器
研究人员通常试图从功能性MRI测量的大脑活动中解码精神状态。严格的解码需要使用形式的神经预测模型，如果它们使用整个大脑，则可能是最准确的。但是，计算负担和缺乏现成的统计方法的解释性可能会使全脑解码具有挑战性。在这里，我们提出了一种构建既可以解释又有能力的全脑性解码器的方法。我们将部分最小二乘算法扩展到具有可变选择的正则化模型，该模型提供了独特的“一次性”，“以后调整一次”方法：用户只需拟合一次模型，并且可以在事后选择最佳的调音参数。我们在实际数据中显示，我们的方法随着数据大小的增加而表现得很好，并产生可解释的预测因子。该算法以多种语言公开使用，希望可以在神经成像研究中更广泛地实施可解释的全脑预测因子。
成年小鼠催产素系统的全脑接线图
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
以亚微米分辨率绘制灵长类前额叶皮质全脑兴奋性投射组并与扩散纤维束成像进行比较
1 中国科学院神经科学研究所、神经科学国家重点实验室、脑科学与智能技术卓越创新中心，上海；2 中国科学院大学，北京；3 复旦大学类脑智能科学与技术研究所，上海；4 北京大学心理与认知科学学院、行为与心理健康北京市重点实验室、IDG/麦戈文脑研究中心、北大-清华生命科学中心，北京；5 浙江工业大学信息工程学院，杭州；6 深圳市神经精神调控重点实验室和脑科学协同创新中心、广东省脑连接组与行为重点实验室、中国科学院脑连接组与操控重点实验室、脑认知与脑疾病研究所、深圳先进技术研究院、深港脑科学研究院-深圳基础研究机构，深圳
PyZebrascope：用于斑马鱼全脑神经活动成像的开源平台
了解神经元如何在大脑中相互作用以控制动物行为是神经科学的核心目标之一。荧光显微镜和基因编码钙指示剂的最新发展促成了斑马鱼全脑成像方法的建立，该方法以单细胞分辨率记录整个大脑体积的神经活动。全脑成像的开创性研究使用了定制的光片显微镜，其操作依赖于全球不可用的商业开发和维护的软件。因此，在研究界传播和开发这项技术一直具有挑战性。在这里，我们介绍了 PyZebrascope，这是一个开源 Python 平台，旨在使用光片显微镜对斑马鱼的神经活动进行成像。PyZebrascope 具有直观的用户界面，并支持全脑成像的基本功能，例如两个正交激发光束和眼睛损伤预防。其相机模块可以处理从相机采集到文件写入高达 800 MB/s 的图像数据吞吐量，同时保持稳定的 CPU 和内存使用率。其模块化架构允许包含用于显微镜控制和图像处理的高级算法。作为概念验证，我们实施了一种新颖的自动算法，通过将激发光束精确对准图像焦平面来最大化大脑中的图像分辨率。PyZebrascope 可以在虚拟现实环境中对鱼类行为进行全脑神经活动成像。因此，PyZebrascope 将有助于在神经科学界传播和开发光片显微镜技术，并加深我们对动物行为过程中全脑神经动力学的理解。
面向大众的神经质量建模：利用 FastDMF 实现全脑生物物理建模的民主化
1 瓦尔帕莱索神经科学跨学科中心，瓦尔帕莱索大学，2360103，瓦尔帕莱索，智利。 6 2 剑桥大学心理学系，剑桥 CB2 3EB，英国 7 3 伦敦玛丽女王大学心理学系，伦敦 E1 4NS，英国 8 4 伦敦帝国理工学院脑科学系迷幻药研究中心，伦敦 SW7 2DD，英国。 9 5 伦敦帝国理工学院数据科学研究所，伦敦 SW7 2AZ，英国 10 6 伦敦帝国理工学院复杂性科学中心，伦敦 SW7 2AZ，英国 11 7 剑桥大学临床神经科学系和麻醉科，剑桥，CB2 0QQ，英国 12 8 剑桥大学利华休姆未来智能中心，剑桥，CB2 1SB，英国 13 9 阿兰图灵研究所，伦敦，NW1 2DB，英国 14 10 布宜诺斯艾利斯大学布宜诺斯艾利斯物理研究所和物理系，布宜诺斯艾利斯，阿根廷 15 11 圣安德烈斯大学，布宜诺斯艾利斯，阿根廷 16 12 大脑和流体研究所，ICM，F-75013，巴黎，法国 17 13 拉丁美洲脑健康研究所（BrainLat），布宜诺斯艾利斯大学Adolfo Iba˜nez，智利圣地亚哥 18 14 牛津大学精神病学系，牛津 OX3 7JX，英国。 19 15 奥胡斯大学临床医学系大脑音乐中心，奥胡斯 15 8000，丹麦。 20 16 米尼奥大学医学院生命与健康科学研究所，布拉加 4710-057，葡萄牙。 21 17 CIMFAV-Ingemat，瓦尔帕莱索大学工程学院，瓦尔帕莱索，智利。 22 18 巴黎萨克雷神经科学研究所综合与计算神经科学系，国家研究中心 23 科学中心，伊维特河畔吉夫，法国 24 19 大脑与认知中心，计算神经科学组，信息与通信技术系，Universitat 25 Pompeu Fabra, Roc Boronat 138, 巴塞罗那, 08018, 西班牙。 26 20 加泰罗尼亚研究研究所 (ICREA), 巴塞罗那 08010, 西班牙。 27 21 马克斯·普朗克人类认知和脑科学研究所神经心理学系，莱比锡 04103，德国。 28 22 莫纳什大学心理科学学院，墨尔本，Clayton VIC 3800，澳大利亚。 29 * rubenherzog@ug.uchile.cl, ** 同等最后作者贡献 30
全脑概率生成模型
构建类似人类的综合性人工认知系统，即通用人工智能 (AGI)，是人工智能 (AI) 领域的圣杯。此外，使人工系统实现认知发展的计算模型将成为大脑和认知科学的极好参考。本文介绍了一种通过集成基本认知模块来开发认知架构的方法，以实现对整个模块的训练。这种方法基于两个想法：(1) 受大脑启发的人工智能，学习人类大脑结构以构建人类水平的智能；(2) 基于概率生成模型 (PGM) 的认知架构，通过集成 PGM 来开发用于发展机器人的认知系统。所提出的开发框架称为全脑 PGM (WB-PGM)，它与现有的认知架构有着根本的不同，因为它可以通过基于感觉运动信息的系统持续学习。在本文中，我们描述了 WB-PGM 的原理、基于 PGM 的基本认知模块的现状、它们与人脑的关系、认知模块整合的方法以及未来的挑战。我们的发现可以作为大脑研究的参考。由于 PGM 描述了变量之间的明确信息关系，因此 WB-PGM 为从计算科学到脑科学提供了可解释的指导。通过提供此类信息，神经科学的研究人员可以向人工智能和机器人技术的研究人员提供反馈，说明当前模型在参考大脑方面缺乏什么。此外，它可以促进神经认知科学以及人工智能和机器人技术研究人员之间的合作。© 2022 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
利用高分辨率三维光学显微镜成像研究小鼠全脑血管的进展
虽然免疫组织化学和电子显微镜研究也揭示了 NVU 主要参与者的重要见解，但这些方式通常仅限于局部大脑区域，因为它们不易应用于全脑研究。然而，一些研究表明，同侧皮质不同区域的细胞组成、能量需求以及多种功能存在很大差异，更不用说大脑的其余部分了。14、15 这表明一个大脑区域的血管特征和组织可能不适用于其他大脑区域。因此，需要对脑血管组织和大脑区域异质性进行网络级和全脑研究，以更好地了解它们的关键功能以及病理条件下的任何潜在脆弱性。幸运的是，技术创新为小鼠全脑脑血管映射研究铺平了道路。虽然方法列表在不断增加，但这里的重点将包括当前几种细胞分辨率离体成像方法的改编，这些方法可以大致分为连续切片的块面成像和光片荧光显微镜 (LSFM)。我们还将讨论作为成像过程不可或缺的一部分的样品处理和血管标记策略。这些成像模式提供了研究脑血管系统细节的方法，每种方式都有自己的优点和局限性。重要的是，这些研究在技术上具有挑战性，不仅在成像方面，而且在需要高水平计算技能的分析流程方面。鉴于此，以及这些模式的快速扩展和我们对脑血管系统重要性的理解，综合最近研究工作中获得的知识和资源已成为必要。
人类非快速眼动睡眠促进全脑血管运动和呼吸脉动
睡眠必要性的生理基础仍不确定。最近的证据表明，睡眠会增加脑脊液 (CSF) 的对流并促进间质溶质的输出，从而为解释为什么所有脊椎动物都需要睡眠提供了一个框架。心血管、呼吸和血管运动脑脉动均已被证明会驱动脑脊液沿血管周围空间流动，但尚不清楚这些脉动在人类睡眠期间如何变化。为了研究这些脉动现象与睡眠的关系，我们同时记录了一组健康志愿者的快速 fMRI、磁共振脑电图 (MREG) 和脑电图 (EEG) 信号。我们通过频谱熵分析量化了信号频率分布的睡眠相关变化，并通过功率总和分析计算了 15 名受试者（年龄 26.5 6 4.2 岁，6 名女性）的生理（血管运动、呼吸和心脏）脑脉动的强度。最后，我们确定了 EEG 慢振荡 (0.2 – 2 Hz) 功率和 MREG 脉动之间的空间相似性。与清醒状态相比，非快速眼动 (NREM) 睡眠的特点是频谱熵降低和脑脉动强度增加。对于极低频 (£ 0.1 Hz) 血管运动脉动，这些影响在后脑区域最为明显，但对于呼吸脉动也在整个大脑范围内明显，对于心脏脑脉动则影响较小。在与显示睡眠相关 MREG 脉动变化的大脑区域空间重叠的大脑区域中，EEG 慢振荡功率增加。我们认为，频谱熵降低和脉动强度增强是 NREM 睡眠的特征。根据我们发现的慢振荡功率增加，目前的结果支持睡眠促进人脑液体运输的假设。