XiaoMi-AI文件搜索系统
World File Search System猕猴
DomeVR：为灵长类和啮齿类动物提供沉浸式虚拟现实
沉浸式虚拟现实 (VR) 环境是探索认知过程（从记忆和导航到视觉处理和决策）的强大工具，并且可在自然但受控的环境中进行。因此，它们已被用于不同物种和各种研究小组。不幸的是，在这样的环境中设计和执行行为任务通常很复杂。为了应对这一挑战，我们创建了 DomeVR，这是一个使用虚幻引擎 4 (UE4) 构建的沉浸式 VR 环境。UE4 是一个功能强大的游戏引擎，支持照片级逼真的图形，并包含专为非程序员设计的可视化脚本语言。因此，可以使用拖放元素轻松创建虚拟环境。DomeVR 旨在使这些功能可用于神经科学实验。这包括一个日志记录和同步系统，用于解决 UE4 固有的时间不确定性；一个交互式 GUI，供科学家在实验期间观察受试者并动态调整任务参数，以及一个圆顶投影系统，用于在非人类受试者中实现完全任务沉浸。这些关键功能是模块化的，可以轻松单独添加到其他 UE4 项目中。最后，我们提供了原理验证数据，重点介绍了 DomeVR 在三个不同物种（人类、猕猴和老鼠）中的功能。
任务上下文对预测脑机界面中的手指运动的影响
用于恢复手机功能的脑机界面（BMI）临床翻译的关键因素将是其任务变化的稳健性。具有功能性电刺激（FES），例如，患者的手将用于在其他相似运动中产生各种力量。为了调查任务变更对BMI性能的影响，我们训练了两个恒河猕猴，用身体的手控制虚拟手，同时我们将弹簧添加到每个手指组（索引或中环或中小型小组）或改变其手腕姿势。使用同时记录的心脏内神经活性，手指位置和肌电图，我们发现跨环境中预测手指运动学和与手指相关的肌肉激活导致预测误差的显着增加，尤其是肌肉激活。但是，关于在线BMI对虚拟手的控制，更改培训任务上下文或在线控制过程中手的身体上下文对在线绩效的影响很小。我们通过表明神经种群活动的结构在新情况下仍然相似，从而解释了这种二分法，这可以在线快速调整。此外，我们发现神经活动在新环境中与所需的肌肉激活成正比移动，可能解释了偏见的运动学预测，并提出了一种可以帮助预测不同幅度肌肉激活的特征，同时产生相似的运动学。
用隐藏的高斯图形光谱模型识别振荡性脑网络
识别基于间接观察到的过程的功能网络构成了神经科学或其他领域的反问题。对此类反问题的解决方案估算为第一步，该活动从脑电图或MEG数据中从功能网络中出现。这些脑电图或MEG估计是对功能性脑网络活动的直接反映，其时间分辨率是其他体内神经图像无法提供的。第二步估计了此类活动pseudodata的功能连通性，揭示了与所有认知和行为密切相关的振荡性脑网络。对此类MEG或EEG逆问题的模拟还揭示了由任何最新的反溶液确定的功能连接性的估计误差。我们揭示了估计误差的重要原因，该原因源自将任一个逆解决方案步骤的功能网络模型的错误指定。我们介绍了指定这种振荡性脑网络模型的隐藏高斯图形光谱（HIGGS）模型的贝叶斯识别。在人EEGα节律模拟中，以ROC性能为单位测得的估计错误在我们的HIGG逆溶液中不会超过2％，而最先进的方法中的估计误差则达到20％。猕猴同时发生的EEG/ECOG记录为我们的结果提供了实验性确认，根据Riemannian距离，其一致性比最新的方法高的1/3倍。
数据压缩与有线的信号保真度权衡...
摘要 - 途径高密度和高通道计数神经接口，能够同时记录成千上万的神经元的同时记录，将为学习，恢复和增强神经功能提供一个门户。但是，在完全植入的设备的比特率极限和功率预算内建立此类技术是具有挑战性的。使用在类似物到数字界面处使用有损耗的压缩，有线或压缩读数架构解决了高通道计数神经界面的数据洪水挑战。在本文中，我们评估有线或对神经工程至关重要的几个步骤的适用性，包括尖峰检测，尖峰分配和波形估计。对于有线或有线信号的各种接线配置以及基础信号质量的假设，我们表征了压缩比和特定任务信号保真度指标之间的权衡。使用来自猕猴视网膜中的18个大尺度微电极阵列记录的数据，我们发现，对于7-10的事件SNR，有线或正确检测并分配了至少80％的尖峰，至少具有50倍压缩。有线或方法还鲁棒地编码动作电势波形信息，从而实现了下游处理，例如细胞类型分类。最后，我们表明，通过将基于LZ77的无损耗压缩机（GZIP）应用于有线或体系结构的输出，可以在基线记录中实现1000倍压缩。
俄勒冈国家灵长类动物研究中心
ONPRC/OHSU 进行的研究旨在增进对人类健康和疾病的了解。动物模型在这一过程中至关重要，申请人需要注意，在某些情况下，侵入性动物手术是必要的。与人类和其他动物研究相关的伦理问题可能会引起强烈争议，但动物研究目前是我们回答某些关键问题的唯一手段，我们希望这些问题能够改善疾病的治疗方法和/或治愈方法。联邦法律要求遵守法规，以确保我们的研究程序既人道又合理，对知识和医疗实践的贡献也合理。申请 ONPRC 学徒职位的人员应支持符合联邦法律和法规的动物研究的道德行为。导师：Kristine Coleman，博士俄勒冈国家灵长类动物研究中心/OHSU：比较医学和神经科学部 Coleman 博士负责 ONPRC 的行为服务部门 (BSU)。该部门负责满足我们设施中猴子的行为和心理需求。 BSU 的研究重点是研究如何减轻实验室灵长类动物的压力并改善其心理健康。这些研究包括行为抑制（害羞与大胆）的差异如何影响猕猴的压力敏感性、可预测性如何影响行为管理实践、群居动物的配偶选择行为和支配地位，以及密度对群体动态的影响。
使用循环脉冲神经网络从皮质脉冲序列解码手指速度
摘要 — 侵入式皮质脑机接口 (BMI) 可以显著改善运动障碍患者的生活质量。尽管如此，外部安装的基座存在感染风险，因此需要完全植入的系统。然而，这样的系统必须满足严格的延迟和能量限制，同时提供可靠的解码性能。虽然循环脉冲神经网络 (RSNN) 非常适合在神经形态硬件上进行超低功耗、低延迟处理，但它们是否满足上述要求尚不清楚。为了解决这个问题，我们训练了 RSNN 来解码两只猕猴的皮质脉冲序列 (CST) 中的手指速度。首先，我们发现大型 RSNN 模型在解码精度方面优于现有的前馈脉冲神经网络 (SNN) 和人工神经网络 (ANN)。接下来，我们开发了一个微型 RSNN，它具有较小的内存占用、较低的发放率和稀疏连接。尽管计算要求降低了，但生成的模型的性能明显优于现有的 SNN 和 ANN 解码器。因此，我们的结果表明，RSNN 在资源受限的情况下提供了具有竞争力的 CST 解码性能，并且是完全植入式超低功耗 BMI 的有希望的候选者，具有彻底改变患者护理的潜力。索引术语 — 脉冲神经网络、脑机接口、皮质脉冲序列解码、神经形态硬件
不变的神经动力学驱动器命令控制不同的运动1
摘要：已经提出，神经系统具有产生21种动作的能力，因为它重新使用了一些不变的代码。先前的工作已经确定，在不同运动中，动态23的神经种群活动的22个动态是相似的，其中动态23是指人口活动的瞬时空间模式如何变化。在这里，我们测试24神经种群的不变动态是否实际上用于发出25个直接运动的命令。使用脑机界面，该脑机界面将猕猴的26皮层活性转化为神经假体光标的命令，我们发现在不同运动中具有不同的神经活动模式发出了相同的27命令。然而，28这些不同的模式是可以预测的，因为我们发现活动29模式之间的过渡受到跨运动的相同动力的控制。这些不变动态是30个低维的动力学，并且在批判性地与脑机界面保持一致，因此它们预测了31个神经活动的特定组成部分，实际上发出了下一个命令。我们引入了32个最佳反馈控制模型，该模型表明不变动态可以帮助将33个运动反馈转换为命令，从而减少了神经人口需要34控制运动的输入。总的来说，我们的结果表明，不变的动态驱动器命令35可以控制各种动作，并显示如何与不变的36动力学集成反馈以发出可通用的命令。37
多模式分布对齐的分层最佳传输
在许多机器学习应用程序中，有必要通过对齐方式有意义地汇总不同但相关的数据集。最佳传输（OT）的方法将姿势比对作为差异最小化问题：目的是使用Wasserstein距离转换源数据集以匹配目标数据集，作为在对齐约束下的分歧度量。我们引入了OT的分层公式，该公式利用数据中的群集结构来改善嘈杂，模棱两可或多模式设置的对齐。为了以数值为单位，我们提出了一种利用sindhorn距离的分布式ADMM算法，因此它具有有效的计算复杂性，该计算复杂性与最大群集的大小四倍地缩放。当两个数据集之间的转换是统一的时，我们提供的性能保证可以描述何时以及如何使用我们的公式恢复群集对应关系，然后描述为这种策略的最坏情况数据集的几何形状。我们将此方法应用于合成数据集，该数据集将数据建模为低级别高斯人的混合物，并研究数据的不同几何特性对对齐的影响。接下来，我们将方法应用于神经解码应用中，其目标是预测猕猴主运动皮层中神经元种群的运动方向和瞬时速度。我们的结果表明，当数据集中存在聚类结构时，并且在试验或时间点之间保持一致，这是一种层次对齐策略，该策略利用这种结构可以提供跨域比对的显着改善。
大脑中感觉信息的转变表明优化标准的改变
整个大脑中的神经元会根据感觉输入有规律地调节其放电频率。神经计算理论认为，这些调节反映了受限优化的结果，其中神经元旨在稳健高效地表示感觉信息。然而，我们对这种优化在大脑不同区域如何变化的理解仍处于起步阶段。在这里，我们表明神经感觉反应沿着视觉系统的背流转变，其方式与从优化信息保存到优化感知辨别的转变一致。专注于双眼视差的表示（两只眼睛的视网膜图像的细微差异），我们重新分析了表征猕猴大脑区域 V1、V2 和 MT（中颞）神经调节曲线的测量值。我们使用 Fisher 信息框架将它们与自然行为中通常遇到的双眼视差统计数据进行比较。不同区域的调谐曲线特征的差异与优化目标的转变相一致：V1 和 V2 群体水平的反应更符合最大化编码的有关自然发生的双眼视差的信息，而 MT 反应则转向最大化支持视差辨别的能力。我们发现，调谐曲线向更大视差的转变是这种转变的关键驱动因素。这些结果为先前发现的皮质视差选择区域之间的差异提供了新的见解，并表明这些差异在支持视觉引导行为方面发挥着重要作用。我们的研究结果强调，在评估神经代码的最优性时，不仅需要考虑信息保存和神经资源，还需要考虑与行为的相关性。
帕金森主义改变了基底神经节皮质网络
在β带中升高的同步振荡活性已被认为是帕金森氏病（PD）的病理生理标记。最近的研究表明，帕金森氏症与丘脑下核（STN）中β爆发活性的幅度和持续时间的增加密切相关。但是，如何从基底神经节（丘脑皮层（BGTC）运动网络）从正常状态变为帕金森氏症状态。在这项研究中，我们同时记录了三个雌性恒河猕猴中的STN，Globus Pallidus（GPI）（GPI）的内部段（GPI）（GPI）和Primary Motor Cortex（M1）的局部现场潜在活性，并表征了Beta爆发活动如何随着动物从正常而过渡到更严重的parkinsonian状态而变化。帕金森氏症与在STN和GPI的低β频段（8 - 20 Hz）中持续时间更长的β爆发发生率增加，而在M1中却没有。我们观察到Beta爆发活性的更大并发，但是，在PD中的所有记录位点（M1，STN和GPI）中。在BGTC网络的多个节点上同时存在低β爆发活性，而PD电动标志的严重程度增加了令人信服的证据，以支持低Beta同步旋转振荡的假说在PD的潜在病理生理学中起重要作用。鉴于其沉浸在整个电机电路中，我们假设这种升高的β波段活性会干扰BGTC网络中信息流的空间 - 时间处理，从而导致PD中的运动功能受损。