XiaoMi-AI文件搜索系统
World File Search System振荡
Bach，E。Orcid：https：//orcid.org/0000-0002-9725-0203，Mote，S.，Krishnamurthy，V.，Surjalal Sharma，A.，Ghil，Ghil，M。和Kalnay，E.（2021）
摘要：气候系统的振荡模式是其最可预测的特征之一，尤其是在季节内尺度上。这些振荡可以通过数据驱动的方法很好地预测，通常比动态模型更好。但是，由于振荡仅代表了总方差的一部分，因此以前尚不清楚将振荡预测与整体系统的动态预测相结合的一种方法。我们引入了集合振荡校正（ENOC），这是一种校正动力学模型集合预测中振荡模式的通用方法。我们计算合奏平均值或集合概率分布，只有最佳的集合成员，这是由它们与振荡模式的数据驱动预测差异所确定的。我们还提出了一种使用集合数据同化的替代方法，将振荡预测与系统的动态预测集合（ENOC-DA）结合在一起。使用一种称为多通道构思频谱分析（M-SSA）的时间序列分析方法提取振荡模式，并使用模拟方法进行了预测。我们使用具有显着振荡组件的混沌玩具模型测试这两种方法，并表明与未校正的集合相比，它们可稳健地减少误差。我们讨论了这种方法的应用，以改善季风的预测以及气候系统的其他部分。我们还讨论了该方法可能扩展到其他数据驱动的预测，包括机器学习。
清醒状态下脑血管振荡与脑脊液流量波动之间的耦合：一项 fMRI 研究
摘要 人们普遍认为，脑脊液 (CSF) 运动是由脑内血管壁运动 (即血流动力学振荡) 促进的。最近，通过功能磁共振成像 (fMRI) 发现了非快速眼动 (NREM) 睡眠期间低频血流动力学振荡和 CSF 运动的连贯模式。这一发现提出了其他基本问题：1）从 fMRI 信号解释血流动力学振荡和 CSF 运动之间的耦合；2）清醒状态下是否存在耦合；3）CSF 运动的方向。在这项静息态 fMRI 研究中，我们提出了一个力学模型，通过 fMRI 的视角来解释血流动力学和 CSF 运动之间的耦合。计算了 CSF 运动和整体血流动力学之间的时间延迟。观察到的血流动力学和 CSF 运动之间的延迟与模型预测的延迟相符。此外，通过对大脑和颈部进行单独的 fMRI 扫描，我们证实了第四脑室的低频 CSF 运动是双向的。我们的研究结果还表明，即使个体处于清醒状态，脑脊液运动也主要受到低频范围内脑血容量变化的促进。
深部脑刺激期间帕金森病患者丘脑底β振荡功率的昼夜调节
*. 作者贡献相同摘要背景：丘脑底局部场电位 (LFP) 中的 β 波段活动与帕金森病 (PD) 症状严重程度相关，并且是自适应深部脑刺激 (aDBS) 的治疗目标和反馈信号。虽然 PD 患者临床相关的 β 波动在较短的时间尺度上和临床中得到了很好的描述，但在临床环境之外，尚不清楚 β 活动如何围绕昼夜周期演变。目的：表征接受连续高频 DBS 的 PD 患者 β 幅度的昼夜波动。方法：我们在高频 DBS 期间对植入 Percept DBS 设备的 PD 患者进行了丘脑底 β 功率的慢性记录（34±13 天），并分析了其昼夜特性。为了研究非频率特定效应和伪影的影响，我们比较了 β 与对侧 θ 幅度，并记录了各种运动过程中的 LFP。结果：β 功率具有很强的 24 小时周期性，一天中的时间解释了所有长期 β 功率记录中 41±9% 的方差（所有患者的 p<0.001）。对于所有患者，β 活动在白天较高，在夜间降低。β 活动不能完全由 theta 活动解释，并且可以显示独立的昼夜调节。运动伪影影响记录的 LFP，影响频带功率估计，并且可能导致某些患者的昼夜模式。结论：aDBS 需要适应 β 幅度的昼夜波动，以防止刺激不理想，尤其是在夜间。需要仔细筛选和/或减轻运动伪影，以确保信号适合自适应刺激或神经生理学研究。利益冲突声明 JJvR、LKF、JLB、VM 和 AS 无需声明。 AAK 声明她是波士顿科学公司和美敦力公司的顾问委员会成员，并曾获得波士顿科学公司、美敦力公司、Teva 公司和益普生公司的报酬。TD 拥有 Bioinduction Ltd 的股份，是 Cortec Neuro 和 Synchron 公司的顾问，并曾获得美敦力公司的报酬。
用于实时检测颅内脑电图中高频振荡 (HFO) 的电子神经形态系统
嵌入式设备可以在本地实时处理生物医学信号，因此临床研究和治疗应用的生物医学信号分析可以受益匪浅。一个例子是分析癫痫患者的颅内脑电图 (iEEG) 以检测高频振荡 (HFO)，这是致痫脑组织的生物标志物。混合信号神经形态电路提供了构建紧凑、低功耗神经网络处理系统的可能性，该系统可以实时在线分析数据。在这里，我们介绍了一种神经形态系统，该系统在同一芯片上结合了神经记录头端和脉冲神经网络 (SNN) 处理核心来处理 iEEG，并展示了它如何可靠地检测 HFO，从而实现最先进的准确性、灵敏度和特异性。这是首次使用混合信号神经形态计算技术实时识别 iEEG 中相关特征的可行性研究。
类型-2糖尿病改变了海马神经振荡并破坏海马和皮质之间的同步
未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此预印本的版权持有人（该版本发布于2023年5月26日。; https：//doi.org/10.1101/2023.05.25.542288 doi：biorxiv Preprint
受过训练的复发性神经网络在工作内存任务中开发相锁的极限周期
神经振荡无处不在。这些振荡的一个提出的功能是它们充当内部时钟或“参考框架”。信息可以通过与此类振荡相相对于神经活动的时间来编码。与这一假设一致，大脑中这种相位代码的经验观察有多种经验观察。在这里我们问：什么样的神经动力学支持神经振荡的信息的阶段编码？我们通过分析经过工作记忆任务培训的经常性神经网络（RNN）来解决这个问题。净作品可以访问外部参考振荡并任务产生振荡，以使参考和输出振荡之间的相位差保持瞬态刺激的身份。我们发现网络收敛到稳定的振荡动力学。逆向工程这些网络表明，每个相位编码的内存都对应于单独的极限周期吸引子。我们表征了吸引力动力学的稳定性如何取决于参考振荡振幅和频率，即可以在实验上观察到的特性。要了解这些动态基础的连通性结构，我们表明训练有素的网络可以描述为两个相耦合的振荡器。使用此洞察力，我们将训练有素的网络凝结为由两个功能模块组成的简化模型：一个生成振荡的模块和一个在内部振荡和外部参考之间实现耦合函数的模型。总而言之，通过对训练有素的RNN的动态和连通性进行反向工程，我们提出了一种机制，神经网络可以利用该机制来利用参考振荡以进行工作记忆。具体来说，我们建议一个相编码网络生成自动振荡，并以多稳定的方式将其与外部参考振荡耦合。
利用振荡脑电图特征对视觉审美偏好进行生态解码——一项小型综述
在当今的数字信息时代，人类对视觉制品的接触已达到前所未有的几乎无处不在的程度。其中一些文化制品被提升到艺术品的地位，这表明人们对这些物品有着特殊的欣赏。对许多人来说，对此类艺术品的感知与审美体验 (AE) 相吻合，而审美体验可以对健康和幸福产生积极影响。AE 由复杂的认知和情感心理和生理状态组成。对 AE 背后的神经动力学有更深刻的科学理解将允许开发被动脑机接口 (BCI)，该接口提供个性化的艺术呈现，以改善 AE，而无需明确的用户反馈。然而，视觉神经美学领域的先前实证研究主要研究非自然实验室条件下 AE 的功能性磁共振成像和事件相关电位相关性，这可能不是实用神经美学 BCI 的最佳特征。此外，直到最近，AE 在很大程度上被定义为美丽或愉悦的体验。然而，这些概念并未涵盖所有类型的 AE。因此，这些概念的范围太窄，无法实现跨个体和跨文化的个性化和最佳艺术体验。这篇叙述性迷你评论总结了基于振荡脑电图 (EEG) 的视觉神经美学的最新进展，并绘制了开发生态有效的神经美学被动 BCI 系统的路线图，该系统可以优化 AE 及其有益后果。我们详细介绍了已报道的 AE 振荡 EEG 相关性，以及用于对 AE 进行分类的机器学习方法。我们还强调了神经美学的当前局限性，并提出了改进 AE 的 EEG 解码的未来方向。
利用振荡脑电图特征对视觉审美偏好进行生态解码——一篇小型评论
在当今的数字信息时代，人类接触视觉文物的接触已经达到了前所未有的准友善。这些文化文物中的一些被提升到艺术品的状态，这表明对这些物体有特别的欣赏。对于许多人来说，这种艺术品的感知与美学体验（AE）相吻合，可以积极影响健康和福祉。AE由复杂的认知和有效的心理和生理状态组成。对AE背后的神经动态的更深刻的科学理解将允许开发被动的脑部计算机间接位（BCI），以促进个性化的艺术表现，以改善AE，而无需明确的用户反馈。然而，在不自然的实验室条件下，在视觉神经活动中的先前实证研究主要研究了AE的功能性磁共振成像和与事件相关的电位相关，这可能不是实践神经震荡BCI的最佳特征。此外，直到最近，AE还是在很大程度上被构成了美丽或愉悦的体验。是，这些概念并未包含所有类型的AE。因此，这些概念的范围太窄，无法允许个人和文化的个性化和最佳的艺术经验。这种叙事迷你审查总结了基于振荡的脑脑摄影（EEG）的最先进的视觉神经电学学，并为开发生态有效的神经震级的被动BCI系统的开发绘制了一个路线图，该系统可以优化AE，以及它们有益的后果。我们详细介绍了AE的振荡性脑电图相关性，以及机器学习方法以对AE进行分类。我们还强调了神经疗法中的当前局限性，并提出了改善AE脑电图解码的未来方向。
神经波机器：利用局部耦合振荡循环神经网络学习时空结构表征
行波已在大脑的不同区域和尺度上进行了测量，但尚未就其计算目的达成共识。一个有趣的假设是，行波有助于在空间和时间上构建神经表征，从而对自然数据产生归纳偏差。在这项工作中，我们通过引入神经波机 (NWM) 来研究这一假设 - 神经波机是一种局部耦合振荡循环神经网络，能够在隐藏状态下显示行波。在对简单动态序列进行训练后，我们表明该模型确实学习了静态空间结构（例如地形组织），并进一步使用复杂的时空结构（例如行波）来编码观察到的变换。为了衡量这种结构的计算意义，我们使用了一套序列分类和物理动力学建模任务来表明 NWM 不仅参数效率更高，而且能够比现有的最先进对应物更准确地预测简单物理动力系统的未来轨迹。最后，我们讨论了该模型如何能够对以前具有挑战性或不可能的行波周围的计算假设进行新的研究。
识别静息态神经振荡功率与特质焦虑之间具有最大关联的空间模式
摘要 焦虑影响着全球大约 5-10% 的成年人口，给卫生系统带来了沉重的负担。尽管焦虑无处不在，并且对身心健康产生影响，但大多数受焦虑影响的人都没有得到适当的治疗。精神病学领域的当前研究强调需要识别和验证与这种疾病相关的生物标记。神经生理学临床前研究是一种确定大脑节律的主要方法，可以作为焦虑主要特征的可靠标记。然而，虽然神经影像学研究一致表明前额叶皮层和皮层下结构（如杏仁核和海马）与焦虑有关，但对于导致这种疾病的潜在神经生理过程仍缺乏共识。允许非侵入性记录和评估皮质处理的方法可能有助于识别可用作干预目标的焦虑特征。在本研究中，我们将源功率共调节 (SPoC) 应用于具有不同程度焦虑特质的参与者样本的脑电图 (EEG) 记录。 SPoC 的开发是为了寻找空间滤波器和模式，这些滤波器和模式的功率与个体参与者的外部变量共同调节。所获得的模式可以从神经生理学角度进行解释。在这里，我们将 SPoC 的使用扩展到多受试者环境，并使用具有真实头部模型的模拟数据测试其有效性。接下来，我们将 SPoC 框架应用于 43 名人类参与者的静息状态脑电图，这些参与者的特质焦虑评分可用。SPoC 对窄频带数据的受试者间分析揭示了具有神经生理学意义的 θ 波段（4-7 Hz）空间模式，这些模式与焦虑呈负相关。结果特定于 θ 波段，在 alpha（8-12 Hz）或 beta（13-30 Hz）频率范围内未观察到。θ 波段空间模式主要位于额上回。我们讨论了我们的空间模式结果对于寻找焦虑生物标志物的相关性及其在神经反馈研究中的应用。