XiaoMi-AI文件搜索系统
World File Search System内部表征
EMNano+ 硕士项目
• 表面功能化 • 表面生物分子内部表征 • 纳米科学的分子组装 • 生物材料工程 • 医学成像的分子标记 • 生理学和神经科学 • 光学和生物系统 • 细胞信号传导 • 纳米安全
论视觉分析中的意义建构和知识的生成
摘要：为支持探索性数据分析而构建的交互式可视化工具和相关可视化技术最终可从大量原始数据中产生意义并发现知识。这些过程依赖于人类的视觉感知和认知，其中人类分析师感知外部表征（系统结构、数据集、整体数据可视化）并形成相应的内部表征（外部系统的内部认知印记），从而能够更深入地理解所使用的系统和底层数据特征。这些内部表征通过与外部表征的持续交互而进一步发展。它们还取决于个人自己的认知途径。目前，对于理解这些内部认知机制如何形成和运作的研究还不够。因此，我们旨在通过日常数据探索工作流程对观察到的此类过程提供自己的解释。这是通过遵循特定的探索性数据科学任务来实现的，同时使用具有不同组织结构的各种交互式可视化系统和相关的笔记本风格环境，因此可能需要不同的思考和塑造意义和知识生成的方法。在本文中，我们讨论了在执行探索性视觉分析的基本步骤时，人类分析师在与如此多样化的工具和方法的组织结构进行交互时的认知含义。
引文 Raouf M, Raiesdana S. 研究音乐对虚拟现实任务中空间学习的影响。Caspian J Neurol Sci. 2020; 6(2):71-83
为了在环境中导航，人类和动物会在大脑中想象不同的路径来规划一条合适的路径；然后，它们沿着选定的路径移动到达目标。导航是人类/动物使用多个线索源来确定通往目标的路线（轨迹），然后按照该路线行驶的过程。导航者可能会使用各种导航策略来寻找路线[1]。有时，会使用显著的物体（称为地标/信标）来引导导航[2]。有时，会构建环境的内部表征（即认知地图）。此外，保存的抽象信息用于定位。研究人员进一步提出了导航策略的相互作用，指出导航者在尝试在环境中寻找路线时会自发而灵活地使用其中任何一种[3]。
从人类大脑活动重建视觉虚幻体验
视觉错觉为大脑在感官输入下对世界的解释提供了宝贵的见解。然而，大脑活动转化为幻觉体验的确切方式仍然很大程度上未知。在这里，我们利用大脑解码技术结合深度神经网络 (DNN) 表示将幻觉感知重建为大脑活动的图像。重建模型在自然图像上进行训练，以建立大脑活动与感知特征之间的联系，然后在两种类型的错觉上进行测试：虚幻线条和霓虹色扩散。重建揭示了与幻觉体验一致的线条和颜色，这些线条和颜色在源视觉皮层区域有所不同。这个框架提供了一种将主观体验具体化的方法，揭示了大脑对世界的内部表征。
论计算模型和人脑中自然音乐的编码
本文讨论了音乐神经科学的最新发展和进步，以了解音乐情感的本质。特别是，它强调了系统识别技术和音乐计算模型如何促进我们对人类大脑如何处理音乐的纹理和结构以及处理后的信息如何唤起情感的理解。音乐模型将刺激的物理属性与称为特征的内部表征联系起来，预测模型将特征与神经或行为反应联系起来，并根据独立的未见数据测试它们的预测。新框架不需要在受控实验中使用正交刺激来建立可重复的知识，这开启了自然神经科学的新浪潮。当前的评论重点关注这一趋势如何改变音乐神经科学领域。
布朗和戈德斯坦：庆祝合作 50 周年
阿克塞尔博士开发了基因转移技术，可以将几乎任何基因引入任何细胞。他将分子生物学引入神经科学问题，期望遗传学能够解释基因、行为和感知之间的关系。他对嗅觉逻辑的研究揭示了 1,000 多个与气味识别有关的基因，并深入了解了基因如何塑造我们对感官环境的感知。他目前的工作重点是如何将气味识别转化为大脑中感官质量的内部表征，以及这种表征如何导致有意义的想法和行为。阿克塞尔博士于 2004 年获得诺贝尔生理学或医学奖。他还是美国国家科学院、皇家学会和美国艺术与科学学院的成员，并获得了许多其他学术奖项和荣誉。
预测误差在语言学习和记忆发展中的作用
人类适应行为的综合解释越来越多地将预测作为解释个人目标（通过预测编码）和学习（通过预测误差）的核心组成部分。这些解释认为，人类大脑通过不断更新和整合来自外部和内部环境的自下而上的信息以及由个人目标决定或由先前经验塑造的自上而下的期望来对未来事件进行预测（Clark，2013）。在神经认知学习理论中，预测编码或预测误差被定义为一种基本机制，它将目标的内部表征与感知事件相一致，以指导感知和行动（Friston，2010）。预测的概念也影响了人类语言理解的理论模型，这些模型假设个体在语义、形态句法、词汇和话语层面不断形成对即将到来的语言内容的期望。因此，预测促进语言理解，
人工神经网络准确预测大脑中的语言处理
图 1：将语言处理的人工神经网络模型与大脑语言网络的活动进行比较。我们测试了不同模型预测人类在语言理解过程中神经活动测量值的能力。候选模型包括简单的嵌入模型、更复杂的循环和变压器网络。刺激包括句子、段落和故事，并且 1) 输入模型，2) 呈现给人类参与者（视觉或听觉）。然后，1) 从模型中捕获由此产生的内部表征，2) 使用 fMRI 或 ECoG 从人类那里记录下来。为了比较模型和人类表征，我们对 80% 的刺激的相应人类测量值对模型表征进行了回归，然后将模型对保留的 20% 刺激的预测与保留的人类数据进行比较，并使用 Pearson 相关性（交叉验证 5 倍），得出每个模型数据对的相似度分数。
走向分布式和具身化的认知解释
摘要 多重外部表征 (MER) 对于科学、数学和工程学的实践和学习至关重要，因为这些领域中研究和控制的现象和实体通常无法被感知和采取行动。因此，MER 在这些领域的推理中发挥着双重构成作用。首先，MER 代表想象中的现象和实体，从而使科学研究成为可能。其次，与上述内容相关的是，与 MER 的感觉运动和想象互动使得涉及这些现象和实体的集中认知操作成为可能，例如心理旋转和类比变换。这两个构成作用表明，获得科学、数学和工程学的专业知识需要发展转化和整合该领域 MER 的能力，同时在想象中对 MER 所代表的现象和实体进行操作。因此，这种整合外部和内部表征及其操作的核心能力（称为表征能力 (RC)）对于科学、数学和工程学的学习至关重要。但是，目前尚无关于这一核心过程的一般说明。我们认为，鉴于 MER 发挥的上述两个构成作用，表征能力的理论解释需要一个明确的模型来说明认知系统如何与外部表征相互作用，以及想象力如何