XiaoMi-AI文件搜索系统
World File Search System用脑
MindSculpt：利用脑机接口帮助设计师
MindSculpt 使用户能够通过思考实时生成 Grasshopper 中的各种混合几何图形。此设计工具将脑机接口 (BCI) 与参数化设计平台 Grasshopper 相结合，创建了一种直观的设计工作流程，与基于鼠标和键盘范式的传统计算机辅助设计工具相比，它缩短了构思和实施之间的延迟。该项目源于神经科学和建筑学之间的跨学科研究，目标是构建一种能够在设计过程中利用复杂且流动的思维特性的网络人类协作工具。MindSculpt 采用基于支持向量机模型 (SVM) 的监督机器学习方法来识别当参与者在脑海中旋转四种不同的立体几何图形时，EEG 数据中出现的脑电波模式。研究人员对没有设计经验的参与者测试了 MindSculpt，发现该工具使用起来很有趣，可以促进设计构思和艺术创作。
适用于啮齿动物、非人类灵长类动物和人类的多模态 MRI 数据的通用脑提取网络 (BEN)
摘要 准确提取磁共振成像 (MRI) 数据中的脑组织对于分析大脑结构和功能至关重要。虽然已经优化了几种常规工具来处理人脑数据，但目前还没有可推广的方法来提取啮齿动物、非人类灵长类动物和人类的多模态 MRI 数据的脑组织。因此，开发一种灵活且可推广的方法来提取跨物种的整个脑组织将使研究人员能够更有效地分析和比较实验结果。在这里，我们提出了一个领域自适应的半监督深度神经网络，称为脑提取网络 (BEN)，用于提取跨物种、MRI 模态和 MR 扫描仪的脑组织。我们已经在 18 个独立数据集上评估了 BEN，包括 783 个啮齿动物 MRI 扫描、246 个非人类灵长类动物 MRI 扫描和 4601 个人类 MRI 扫描，涵盖五个物种、四种模态和六种具有不同磁场强度的 MR 扫描仪。与传统工具箱相比，BEN 的优越性体现在其稳健性、准确性和通用性上。我们提出的方法不仅为跨物种提取脑组织提供了通用解决方案，而且显著提高了图谱配准的准确性，从而有利于下游处理任务。作为一种新型的全自动深度学习方法，BEN 被设计为一种开源软件，可在临床前和临床应用中实现跨物种神经影像数据的高通量处理。
使用脑MRI MRI
图1在疾病的早期和晚期阶段，具有不同SCJD亚型患者的代表性扩散加权图像。（第一行）具有MM1亚型的患者的早期DWI，该患者在左顶叶皮层（包括前后节）和前额叶皮质丝带中表现出高强度。不同的MM1患者的晚期DWI显示出左脑半球的大多数皮质的不对称参与，与尾状头部，左扣带回和左岛群体结合。（第二行）患有MM2C亚型的患者的早期DWI，在左侧顶叶皮层中出现超强度，包括前神经。不同MV2C患者的晚期DWI显示皮质色带不对称受累；纹状体和丘脑被幸免。（第三行）患有VV1亚型的患者的早期DWI，在左顶皮层中表现高强度，左扣带回和绝缘。不同VV1患者的晚期DWI表现出大脑皮层和右纹状体的广泛不对称受累。thalami和大多数左脑皮质都幸免了。（第四行）MV2K亚型患者的早期DWI，他在纹状体的纹状体和微妙的双侧超强度中表现出了不对称的高强度。不同的MV2K患者的晚期DWI表现出纹状体和整个丘脑中不对称的高强度，以及左额叶皮层和岛菌的轻度参与。顶层皮质幸免。（最后一行）患有VV2亚型患者的早期DWI，在尾状的头部和壳质的前部出现了不对称的DWI高强度，以及丘脑中非常微妙的高强度。具有VV2的不同患者的晚期DWI显示了纹状体和丘脑的广泛超强度，以及左回扣和前额叶皮层。scjd，零星的克鲁特兹菲尔特 - 贾科布疾病； DWI，扩散加权成像。
直接用脑电刺激人类记忆
© 作者 2022。由牛津大学出版社代表《Brain 担保人》出版。保留所有权利。如需获得许可，请发送电子邮件至：journals.permissions@oup.com 本文根据牛津大学出版社《标准期刊出版模式》的条款出版和分发 (https://academic.oup.com/journals/pages/open_access/funder_policies/chorus/standard_publication_model) 1
脑年龄预测：使用脑形态测量数据的机器学习模型比较
摘要：大脑结构形态随衰老轨迹而变化，利用大脑形态特征预测人的年龄有助于检测异常衰老过程。基于神经影像学的大脑年龄被广泛用于量化个人大脑健康状况与正常大脑衰老轨迹的偏差。机器学习方法正在扩大准确预测大脑年龄的潜力，但由于机器学习算法种类繁多，因此具有挑战性。在这里，我们旨在比较使用从结构磁共振成像扫描中获得的大脑形态测量值来估计大脑年龄的机器学习模型的性能。我们评估了 27 种机器学习模型，应用于来自人类连接组计划 (HCP，n = 1113，年龄范围 22-37)、剑桥衰老和神经科学中心 (Cam-CAN，n = 601，年龄范围 18-88) 和图像信息提取 (IXI，n = 567，年龄范围 19-86) 的三个独立数据集。使用交叉验证和未见过的测试集评估每个样本的性能。对于 HCP、Cam-CAN 和 IXI 样本，这些模型的平均绝对误差分别为 2.75–3.12、7.08–10.50 和 8.04–9.86 岁，预测大脑年龄与实际年龄之间的皮尔逊相关系数分别为 0.11–0.42、0.64–0.85 和 0.63–0.79。我们发现在同一数据类型上训练的模型之间的性能存在显著差异，这表明模型的选择会导致大脑预测年龄的巨大差异。此外，在三个数据集中，正则化线性回归算法的性能与非线性和集成算法相似。我们的结果表明，正则化线性算法在大脑年龄预测方面与非线性和集成算法一样有效，同时显著降低了计算成本。我们的研究结果可以作为未来使用机器学习模型应用于大脑形态数据来改善大脑年龄预测的起点和定量参考。
利用脑电信号检测左/右脑优势的注意力水平
摘要：利用左右脑优势理论可以确定左脑和右脑人群的一些特征。它可以帮助制定大脑平衡教育主题的培训大纲。在执行任何动作时，人的注意力或专注力至关重要。本文将使用脑电图 (EEG) 数据检查左脑和右脑优势患者的注意力水平。可以使用 EEG 波跟踪和记录大脑活动。人脑的思考和注意力会导致脑电波在不同频带中改变。可以使用基线校正方法清理基于频率的 EEG 信号并提取特征。结果，创建了 EEG 拓扑功率谱密度值。本文的主要目的是比较不同大脑优势的人的注意力水平。相反，EEG 信号可用于预测一个人是左脑还是右脑优势。
利用脑信号更好地理解人类的阅读理解
阅读理解是一个复杂的认知过程，涉及许多人的大脑活动。然而，人们对阅读理解过程中人脑中发生了什么以及这些认知活动如何影响信息检索过程知之甚少。此外，随着脑电图（EEG）等脑成像技术的进步，可以几乎实时地收集脑信号并探索是否可以将其用作反馈以促进信息获取。在本文中，我们精心设计了一项基于实验室的用户研究，以调查阅读理解过程中的大脑活动。我们的研究结果表明，神经反应因不同类型的阅读内容而异，即可以满足用户信息需求的内容和不能满足用户信息需求的内容。我们认为，在阅读理解的微观时间尺度上，各种认知活动（例如认知负荷、语义主题理解和推理处理）支撑着这些神经反应。从这些发现中，我们为信息检索任务阐明了一些见解，例如排名模型构建和界面设计。此外，随着便携式EEG应用的出现，我们提出了为主动现实世界系统检测阅读理解状态的可能性。为此，我们提出了一个基于EEG的阅读理解建模统一框架（UERCM）。为了验证其有效性，我们基于EEG特征对两个阅读理解任务进行了广泛的实验：答案句子分类和答案提取。结果表明，利用脑信号提高这两项任务的表现是可行的。这些发现意味着脑信号是增强阅读理解过程中人机交互的宝贵反馈。
使用脑磁图进行婴儿脑成像 - I-LABS
Azhari, A., Truzzi, A., Neoh, MJ-Y., Balagtas, JPM, Tan, HH, Goh, PP, … Esposito, G. (2020)。婴儿神经影像学研究的十年：我们学到了什么，我们将继续前进吗？婴儿行为与发展，58，101389。https://doi.org/10.1016/j.infbeh.2019.101389 Bagic, AI、Knowlton, RC、Rose, DF、Ebersole, JS 和 ACMEGS 临床实践指南 (CPG) 委员会。(2011)。美国临床脑磁图学会临床实践指南 1：自发性脑活动的记录和分析。临床神经生理学杂志, 28 (4), 348 – 354。https://doi.org/10.1097/WNP。0b013e3182272fed Ballard, A., Le May, S., Khadra, C., Filoa, JL, Charette, S., Charest, M.-C., … Tsimicalis, A. (2017)。分心工具包用于急诊科接受疼痛手术的儿童疼痛管理：一项初步研究。疼痛管理护理, 18 (6), 418 – 426。https://doi. org/10.1016/j.pmn.2017.08.001 Bell, MA, & Cuevas, K. (2012)。使用 EEG 研究认知发展：问题与实践。认知与发展杂志, 13 (3), 281 – 294。https://doi.org/10.1080/15248372.2012。691143 Birg, L., Narayana, S., Rezaie, R., & Papanicolaou, A. (2013)。技术提示：镇静状态下的 MEG 和 EEG。神经诊断杂志, 53 (3), 229 – 240。https://doi.org/10.1080/21646821.2013.11079909 Bosseler, AN, Clarke, M., Tavabi, K., Larson, ED, Hippe, DS, Taulu, S., & Kuhl, PK (2021)。使用脑磁图检查 14 个月大婴儿的单词识别、侧化和未来语言技能。发育认知神经科学，47，100901。https://doi.org/10.1016/j.dcn.2020.100901 Bowyer, SM、Zillgitt, A.、Greenwald, M. 和 Lajiness-O'Neill, R. (2020)。使用脑磁图进行语言映射：临床研究和实践现状更新以及临床实践指南的考虑。临床神经生理学杂志，37 (6)，554 – 563。https://doi.org/10.1097/wnp.0000000000000489
一种基于机器学习的利用脑电信号预测癫痫发作的方法
大脑由数十亿个神经元组成，它们控制着我们的所有行为。在癫痫发作时，大脑信号的模式顺序会发生改变，导致个体大脑出现癫痫样放电。大约 1% 的世界人口患有癫痫，因此需要进行一些研究来帮助诊断和治疗这种疾病。这项工作的目的是开发一种基于机器学习的方法，使用非侵入性脑电图 (EEG) 预测癫痫发作。因此，使用 CHB-MIT 数据库对发作间期和发作前状态进行分类。该算法是使用独立于患者的方法预测多个受试者的癫痫发作而开发的。离散小波变换用于在 5 个级别上对 EEG 信号进行分解，并研究了频谱功率、平均值和标准差作为特征，以分析哪一个会呈现最佳结果，并使用支持向量机 (SVM) 作为分类器。该研究的功率、标准差和平均值特征分别实现了 92.30%、84.60% 和 76.92% 的准确率。
你为什么不点击：利用脑信号理解网页搜索中的非点击结果
网络搜索严重依赖点击行为作为性能评估和改进的重要反馈信号。传统上，点击通常被视为相关性或有用性的正隐式反馈信号，而非点击则被视为不相关或无用的信号。然而，在许多情况下，用户通过搜索引擎结果页面 (SERP) 上显示的内容满足了他们的信息需求。这就提出了衡量非点击结果的有用性并在这种情况下建模用户满意度的问题。长期以来，由于缺乏用户交互，理解非点击结果具有挑战性。近年来，神经影像技术的快速发展构成了搜索、娱乐和教育等各个行业的范式转变。因此，我们受益于这些技术并将其应用于弥合非点击情况下人类思维和外部搜索系统之间的差距。为此，我们分析了在不同有用性水平上检查非点击搜索结果之间的脑信号差异。受这些差异的启发，我们开展了监督学习任务，利用脑信号和常规信息（即内容和上下文因素）来估计非点击结果的有用性。此外，我们设计了两种重排序方法，即个性化方法 (PM) 和广义意图建模方法 (GIM)，用于根据估计的有用性对搜索结果进行重排序。结果表明，利用脑信号来改进有用性估计是可行的