XiaoMi-AI文件搜索系统
World File Search System流形
mSPD-NN：一种用于从功能连接组学流形中发现生物标志物的几何感知神经框架
摘要。连接组学已成为神经成像领域的强大工具，并推动了连接数据统计和机器学习方法的最新进展。尽管连接组存在于矩阵流形中，但大多数分析框架都忽略了底层数据几何。这主要是因为简单的操作（例如均值估计）没有易于计算的闭式解。我们提出了一种用于连接组的几何感知神经框架，即 mSPD-NN，旨在估计对称正定 (SPD) 矩阵集合的测地线均值。mSPD-NN 由具有绑定权重的双线性全连接层组成，并利用新颖的损失函数来优化由 Fréchet 均值估计产生的矩阵法向方程。通过对合成数据进行实验，我们证明了我们的 mSPD-NN 与常见的 SPD 均值估计替代方案相比的有效性，在可扩展性和抗噪性方面提供了具有竞争力的性能。我们在 rs-fMRI 数据的多个实验中说明了 mSPD-NN 的真实世界灵活性，并证明它发现了与 ADHD-ASD 合并症患者和健康对照者之间的细微网络差异相关的稳定生物标志物。
下托和海马中导航信息的独特流形编码
下托 (SUB) 在空间导航中起着至关重要的作用，其对导航信息的编码方式与海马 CA1 区不同。然而，下托群体活动的表征仍然未知。在这里，我们研究了在执行 T 迷宫和旷场任务的大鼠的 CA1 和 SUB 中细胞外记录的神经元群体活动。这两个区域中的群体活动轨迹都局限于与外部空间同态的低维神经流形。SUB 中的流形比 CA1 中的流形传达位置、速度和未来路径信息的解码精度更高。在大鼠和 CA1 和 SUB 的区域之间以及 SUB 中的任务之间，流形表现出共同的几何形状。在慢波睡眠中的任务后波动期间，群体活动在 SUB 中比在 CA1 中更频繁地表示奖励位置/事件。因此，CA1 和 SUB 将信息明显地编码到神经流形中，这些流形是清醒和睡眠期间导航信息处理的基础。
关于脑电图识别中功能连接特征和riemannian流形的组合的研究
方法：在目前的工作中，我们引入了拉普拉斯矩阵，以将功能连接特征（即相位锁定值（PLV），Pearson相关系数（PCC），频谱相干（COH）和共同信息（MI）转换为半阳性运营商，以确保转换为正面的功能。然后，使用SPD网络来提取深空信息，并采用完全连接的层来验证提取特征的效果。，决策层融合策略用于实现更准确和稳定的识别结果，并研究了不同特征组合的分类性能的差异。更重要的是，还研究了应用于功能连接功能的最佳阈值。
用于运动想象的 SPD 流形上的图形神经网络......
摘要 — 运动想象 (MI) 分类一直是基于脑电图 (EEG) 的脑机接口中的一个重要研究课题。在过去的几十年里，MI-EEG 分类器的性能逐渐提高。在本研究中，我们从时频分析的角度扩展了基于几何深度学习的 MI-EEG 分类器，引入了一种称为 Graph-CSPNet 的新架构。我们将这类分类器称为几何分类器，强调它们在源自 EEG 空间协方差矩阵的微分几何中的基础。Graph-CSPNet 利用新颖的流形值图卷积技术来捕获时频域中的 EEG 特征，为捕获局部波动的信号分割提供了更高的灵活性。为了评估 Graph-CSPNet 的有效性，我们使用了五个常用的公开 MI-EEG 数据集，在十一种场景中的九种中实现了接近最佳的分类准确率。Python 存储库可在 https://github 找到。 com/GeometricBCI/Tensor-CSPNet-and-Graph-CSPNet。
自组装GN头铁蛋白纳米颗粒疫苗可完全保护Dabie Bandavirus的致命挑战 使用有效的无克隆CRISPR/CAS9系统在锥虫质质量 一种多尺度的数字双胞胎，用于人类肥胖驱动的胰岛素耐药性：饮食和药物效应 用惩罚回归技术测量线性多元过程中的连通性 ki-67在DNA复制过程中是必要的，用于叉子保护和 胃结构后人类胚胎的时空转录组图 直接和间接神经发生产生不同谷氨酸能6 的镶嵌物 发现和表征丝氨酸 - 硫代激酶细胞周期蛋白依赖激酶样5（CDKL5）的特异性抑制剂（CDKL5）在海马CA1生理中表现出作用 转录免疫抑制和双链DNA损伤的上调 基于细胞的DATP输送作为慢性心力衰竭的疗法 使用化学和基因描述基于基于化学和基因描述的生物医学文献的采矿药物 - 目标相互作用 从复杂的神经流形的行为简单解码 空间限制调节微孔退火粒子（MAP）支架中的巨噬细胞反应 cas12a目标歧视 oarfish
。cc-by-nc 4.0国际许可证未获得同行评审的认证）是作者/筹款人，他已授予Biorxiv的许可证，以永久显示预印本。它是制作
非线性流形是行为过程中神经群体活动的基础
在行为过程中记录的单个神经元活动种类繁多。然而，这些不同的单个神经元反应可以通过相对较少的神经共调节模式很好地描述。对这种低维神经群体活动结构的研究为大脑如何产生行为提供了重要的见解。几乎所有这些研究都使用线性降维技术来估计这些群体范围的共调节模式，将它们限制为平坦的“神经流形”。在这里，我们假设，由于神经元具有非线性响应并建立数千个可能放大这种非线性的分布式和循环连接，因此神经流形本质上应该是非线性的。结合猴子运动皮层、小鼠运动皮层、小鼠纹状体和人类运动皮层的神经群体记录，我们发现：1) 神经流形本质上是非线性的；2) 它们的非线性程度因结构不同的大脑区域而异；3) 在需要更多不同活动模式的复杂任务中，流形非线性变得更加明显。使用循环神经网络模型进行的模拟证实了电路连接和流形非线性之间的关系，包括结构不同的区域之间的差异。因此，行为产生背后的神经流形本质上是非线性的，随着神经科学家转向研究涉及日益复杂和自然行为的众多大脑区域，正确解释这种非线性将至关重要。
基于内核的非线性流形学习
基于内核的非线性流形学习，用于基于脑电图的功能连通性分析和渠道选择，并应用于阿尔茨海默氏病Gunawardena，R.，Sarrigiannis，P。G.，Blackburn，D。J.＆he，F。出版了PDF，存放在考文垂大学的存储库原始引用：Gunawardena，R，R，Sarrigiannis，PG，Blackburn，DJ＆HE，F 2023，'基于内核的非线性流动性学习，用于EEG基于EEG的功能连接分析，并适用于Alzheimer's Disean's Neurosience，Neurosience，vol，vol。523，pp。140-156。 https://dx.doi.org/10.1016/j.neuroscience.2023.05.033 doi 10.1016/j.neuroscience.2023.05.033 ISSN 0306-4522 ESSN ESSN 1873-7544出版商：Elsevier出版商：Elsevier：Elsevier这是CC BID-NC-ND-NC-ND DD（ http://creativecommons.org/licenses/by-nc-nd/4.0/）
RIEMANNIAN流形的EEG分类
协方差矩阵学习方法因其在非线性数据中捕获有趣的结构的能力而在许多分类任务中变得流行，同时尊重基础对称的对称阳性（SPD）歧管的riemannian几何形状。最近通过学习基于欧几里得的嵌入方式，在分类任务中提出了几种与这些矩阵学习方法相关的深度学习体系结构。在本文中，我们提出了一个新的基于Riemannian的深度学习网络，以为脑电图（EEG）分类生成更具歧视性的特征。我们的关键创新在于学习Riemannian地理空间中每个班级的Riemannian Barycenter。提出的模型将SPD矩阵的分布归一化，并学习每个类的中心，以惩罚矩阵与相应类中心之间的距离。作为一种要求，我们的框架可以进一步减少阶层内距离，扩大学习特征的类间距离，并始终在三个广泛使用的EEG数据集中超过其他最先进的方法，以及来自我们在虚拟现实中的压力诱导的实验中的数据。实验结果证明了由于协方差描述符的鲁棒性以及考虑到riemannian几何形状上的Barycenters的良好有益的核心信号的非平稳性框架的优越性。
从复杂的神经流形的行为简单解码
用于脑部计算机界面（BCIS）的解码器对神经活动的限制进行了约束，被选为反映11种科学信念，同时产生可拖动的计算。我们记录了缠结的低缠结（运动皮层神经轨迹的典型特性12）会产生异常的神经几何形状。我们将一个解码器设计为13个包含适合这些几何形状的统计约束。Mint采用以轨迹为中心的14方法：神经轨迹的库（而不是一组神经维度）提供了一个脚手架15近似于神经歧管的脚手架。每个神经轨迹具有相应的行为轨迹，16允许直接但高度非线性的解码。薄荷始终优于其他可解释的17种方法，并且在42个比较中的37种中优于表达式机器学习方法。与这18种表达方法不同，薄荷的约束是已知的，而不是优化解码器19输出的隐含结果。薄荷跨任务的表现良好，这表明其假设通常与20个神经数据统计数据相匹配。尽管行为与潜在的21个复杂的神经轨迹之间具有高度非线性的关系，但Mint的计算是简单，可扩展的，并且提供了可解释的数量22，例如数据可能性。Mint的性能和简单性表明，它可能是23个临床BCI应用的绝佳候选者。24
从复杂的神经流形中简单解码行为
脑机接口 (BCI) 解码器假设神经活动受到约束，这些约束在产生可处理的计算的同时反映了 11 科学信念。我们记录了低缠结（运动皮层神经轨迹的典型特性 12）如何产生不寻常的神经几何形状。我们设计了一个解码器 MINT，以 13 接受适合这些几何形状的统计约束。MINT 采用以轨迹为中心的 14 方法：神经轨迹库（而不是一组神经维度）提供了近似神经流形的支架 15。每个神经轨迹都有相应的行为轨迹 16，允许直接但高度非线性的解码。MINT 始终优于其他可解释 17 方法，并且在 42 次比较中的 37 次中优于表达性机器学习方法。然而，与这些 18 种表达性方法不同，MINT 的约束是已知的，而不是优化解码器 19 输出的隐式结果。 MINT 在各项任务中表现良好，表明其假设通常与神经数据的统计数据非常匹配。尽管 MINT 包含行为与可能复杂的神经轨迹之间的高度非线性关系，但它的计算简单、可扩展，并提供可解释的数量，例如数据可能性。MINT 的性能和简单性表明它可能是临床 BCI 应用的绝佳候选者。