XiaoMi-AI文件搜索系统
World File Search System网络模型
定向谱测量改善神经群体的潜在网络模型
系统神经科学旨在了解遍布大脑的神经元网络如何介导计算任务。识别这些网络的一种流行方法是首先计算来自多个大脑区域的神经活动测量值（例如功率谱），然后将线性因子模型应用于这些测量值。至关重要的是，尽管大脑区域之间的定向通信在神经计算中发挥着既定的作用，但定向通信的测量值很少用于网络估计，因为它们与线性因子模型方法的隐式假设不相容。在这里，我们开发了一种新的定向通信频谱测量，称为定向谱 (DS)。我们证明它与线性因子模型的隐式假设兼容，并提供了一种估计 DS 的方法。我们证明，与现有替代方案相比，DS 测量的潜在线性因子模型可以更好地捕捉模拟和真实神经记录数据中的底层大脑网络。因此，定向谱的线性因子模型为神经科学家提供了一种简单有效的方法来明确模拟神经群体网络中的定向通信。
基于脑电图的卷积神经网络模型的多元基础卷积神经网络模型
摘要：随着深度学习的发展，自动高级特征提取已成为可能性，并且已被用来优化效率。最近，已经提出了基于卷积神经网络（CNN）的分类方法（CNN）的脑电图（EEG）运动成像，并达到了相当高的分类精度。但是，这些方法使用CNN单卷积量表，而最佳卷积量表因受试者而异。这限制了分类的精度。本文提出了通过从RAW EEG数据中提取空间和时间特征来解决此问题的多发性CNN模型，其中分支对应于不同的滤波器内核大小。在两个公共数据集（BCI竞争IV 2A数据集和高伽马数据集（HGD））上的实验结果证明了拟议方法的有前途的性能。该技术的结果显示，来自固定的单元EEGNET模型的多支气EEGNET（MBEEGNET）的分类准确性提高了9.61％，可变EEGNET模型的分类精度提高了2.95％。此外，多基金会的浅convnet（MbshlowerConvnet）提高了单个尺度网络的准确性6.84％。所提出的模型优于其他最先进的EEG运动图像分类方法。
基于循环神经网络模型的 PMSG 变流器中功率半导体的可靠性评估
为了在可接受的仿真时间内获得准确的寿命评估结果，以满足全生命周期设计标准，本文提出了一种基于循环神经网络 (RNN) 的模型来替代 Simulink 模型。首先建立永磁同步发电机 (PMSG) 的平均开关 (AS) 模型和平均基波 (AF) 模型来计算累积损伤。然后，在相同的任务概况下，计算并比较 AS 和 AF 模型的结温、雨流计数和累积损伤。可以看出，AS 模型可以更准确地计算组件的可靠性，因为该模型既考虑了负载变化引起的大热循环，也考虑了基波交流电流引起的小热循环。然而，与 AF 模型相比，它耗费更多时间。为此，提出使用 RNN 模型来替代系统可靠性评估程序中最耗时的部分。借助所提出的模型，与 Simulink 模型相比，可以大大减少所耗时间。最后，通过一个1小时的案例验证了RNN模型的有效性。测试用例的平均绝对百分比误差（MAPE）为0.51％，RNN模型得出结果的时间小于1秒。此外，还实施了一个年度案例来验证RNN模型，全年平均MAPE为0.78％。
大：人类条件跨基因调节网络模型的数据库
基因调节在塑造组织身份，功能和对扰动的反应中起着基本作用。调节过程由相互作用元件的复杂网络（包括转录因子，miRNA及其目标基因）控制。这些网络的结构有助于确定表型，并最终影响疾病的发展或对治疗的反应。我们开发了Grand（https://grand.networkmedicine.org）作为基因调节网络模型的数据库，可以在生物态之间进行比较，或者用于预测哪些药物在调节网络结构中产生变化。数据库包括12,468个基因组规模网络，涵盖36个人体组织，28个癌症，1,378个未扰动的细胞系，以及173,013 TF和基因靶向2,858个小分子诱导的细胞线与现场型型信息配对的基因靶向评分。Grand允许使用表型信息查询网络，并使用各种交互式工具可视化。此外，它还包括一个将疾病状态与使用调节网络特性的潜在治疗小分子药物相匹配的Web应用程序。简介
电视学和立体声EEG提供了不同的大脑连接度量：网络模型的影响
隶属关系：1宾夕法尼亚州宾夕法尼亚大学生物工程系，宾夕法尼亚州，宾夕法尼亚州2 2号神经工程与治疗学中心，宾夕法尼亚大学宾夕法尼亚大学宾夕法尼亚大学，19104年，宾夕法尼亚大学3月3日，宾夕法尼亚州医院宾夕法尼亚州费城宾夕法尼亚大学的信息学，19104年5月5日，宾夕法尼亚州费城宾夕法尼亚大学成像与可视化中心的统计数据，19104年6月6日，6宾夕法尼亚州宾夕法尼亚大学，宾夕法尼亚州宾夕法尼亚州宾夕法尼亚州，宾夕法尼亚州宾夕法尼亚州，宾夕法尼亚州，宾夕法尼亚州，宾夕法尼亚州，宾夕法尼亚州，宾夕法尼亚州，宾夕法尼亚州，宾夕法尼亚州，宾夕法尼亚州，宾夕法尼亚州，宾夕法尼亚州。费城，宾夕法尼亚州，19104年8月8日，宾夕法尼亚大学宾夕法尼亚大学癫痫中心，宾夕法尼亚州费城大学医院宾夕法尼亚州费城宾夕法尼亚大学精神病学，19104 12
ASD-SAENet：一种使用 fMRI 数据检测自闭症谱系障碍 (ASD) 的稀疏自动编码器和深度神经网络模型
自闭症谱系障碍 (ASD) 是一种异质性神经发育障碍，其特征是沟通障碍和社交互动有限。目前的临床方法完全基于对症状的行为观察，对自闭症背后的神经机制了解甚少，因此有必要确定新的生物标记，以帮助研究大脑的发育和功能，并可以准确和早期地检测出自闭症。在本文中，我们开发了一种名为 ASD-SAENet 的深度学习模型，用于使用 fMRI 数据将自闭症患者与典型的对照受试者进行分类。我们设计并实施了一个稀疏自动编码器 (SAE)，以优化可用于分类的特征提取。然后将这些特征输入到深度神经网络 (DNN) 中，从而对更容易患自闭症的 fMRI 脑部扫描进行更好的分类。我们提出的模型经过训练，可以优化分类器，同时根据重建数据误差和分类器误差改进提取的特征。我们使用从 17 个不同研究中心收集的公开的自闭症脑成像数据交换 (ABIDE) 数据集评估了我们提出的深度学习模型，该数据集包括 1,035 多名受试者。我们广泛的实验表明，与其他方法相比，ASD-SAENet 对整个数据集表现出相当的准确度 (70.8%) 和更高的特异性 (79.1%)。此外，我们的实验在 17 个成像中心中的 12 个中心表现出比其他最先进的方法更好的结果，在不同的数据采集站点和协议中表现出更高的通用性。实施的代码可在我们实验室的 GitHub 门户上找到：https://github.com/pcdslab/ASD-SAENet。
使用数据约束的复发神经网络模型推断大脑互动
4加利福尼亚州帕萨迪纳市加州理工学院 *通信：kanaka.rrajan@mssm.edu抽象行为来自许多解剖学和功能上不同的大脑区域的协调活动。现代的实验工具允许空前访问跨越许多相互作用区域的大型神经种群。然而，了解这样的大规模数据集需要两个可扩展的计算模型来提取区域通信的有意义的特征和原则性理论来解释这些特征。在这里，我们引入了基于电流的分解（CurbD），这是一种使用数据约束的复发性神经网络模型来推断大脑相互作用的方法，该模型直接重现实验性的神经数据。Curbd利用了此类模型推断出的功能相互作用，以揭示多个大脑区域之间的定向电流。我们首先表明Curbd准确地隔离了具有已知动力学的模拟网络中的区域间电流。然后，我们将路缘应用于跑步过程中从小鼠获得的多区域神经记录，在帕夫洛维亚调节过程中的猕猴以及记忆回收期间的人类，以证明Curbd在各种神经数据集中脱离了Curbd对脑部互动的广泛适用性。在发育过程中引入，即使是小生物的神经系统也会组织成非常复杂的结构。大脑具有结构模块性（例如，脑区域，层状组织，细胞类型），具有系统发育跨模块的专业化。大脑区域具有惊人的专业化和独特的功能特征。但是，单个大脑区域也经常与整个大脑中的许多其他区域相互作用2。这些宏观电路通过直接投影，多节日回路和更广泛的间接效应（例如NeuroModulator版本3）反复连接。因此，在理论上，大脑甚至在简单的行为中都处于活跃状态，从理论上讲，只有一个较小的区域4-6介导的大脑。得出对行为神经基础的理解需要考虑大脑活动的分布性质。，尽管现代实验技术提供了大规模的多区域数据集，但研究人员仍缺乏一种全面的，统一的方法来推断全脑部相互作用和信息流。在这里，我们引入了基于电流的分解（CURBD），这是一个计算框架，利用多区域神经记录的复发性神经网络（RNN）模型来推断
模拟人工诱导皮质可塑性的积分激发神经网络模型
我们描述了一个整合并激发 (IF) 脉冲神经网络，该网络结合了脉冲时间依赖可塑性 (STDP)，并模拟了产生皮质可塑性的四种不同条件反射协议的实验结果。最初的条件反射实验是在自由移动的非人类灵长类动物 (NHP) 身上进行的，它们具有自主的头部固定双向脑机接口 (BCI)。三种协议涉及由 (1) 单个皮质神经元的脉冲活动、(2) 前臂肌肉的肌电图 (EMG) 活动和 (3) 自发皮质 β 活动周期触发的闭环刺激。第四种协议涉及在相邻皮质部位开环传递刺激对。复制实验结果的 IF 网络由 360 个单元组成，这些单元具有由突触输入产生的模拟膜电位，并在达到阈值时触发脉冲。240 个皮质单元在其目标单元中产生兴奋性或抑制性突触后电位 (PSP)。除了实验观察到的条件作用外，该模型还允许计算最初未记录的底层网络行为。此外，该模型还预测了尚未研究的协议的结果，包括尖峰触发抑制、g 触发刺激和双突触条件作用。模拟的成功表明，结合 STDP 的简单电压 IF 模型可以捕捉通过闭环刺激介导目标可塑性的基本机制。
用于更改功能大脑网络的学位分布的网络模型
摘要：这项研究的目的是研究功能性脑网络的学位分布。特定的功能性脑网络是由三组参与者的fMRI测量构建的，即年轻的健康参与者，老年人健康的参与者和患有阿尔茨海默氏病的老年参与者。功能性脑网络是为随着时间的时间相关的三个不同相关阈值而构建的。我们已经注意到，当相关阈值降低时，度分布的特征会改变。为了解释与相关阈值的价值变化的程度分布变化，我们创建了两个不同但相关的网络模型。至关重要的因素两个模型都包含的噪声越来越大，随着体素活性相关阈值的降低，这在我们的模型中对应于功能网络的体素节点之间的随机相关数量的增加。模型说明了根据网络增长和边缘添加过程降低相关阈值，该度分布的最初无标度特征如何变化。两个模型以优先和随机边缘添加方式差异，而第二个模型是第一个模型的重新构造。平均而言，第二个模型可以与数据更好地定量匹配。据我们所知，这种功能性的大脑网络模型，考虑到相关阈值作为独立变量以前尚未引入。
腹侧视觉流的无监督神经网络模型
深层神经网络目前提供了整个灵长类动物腹视觉流中神经元反应模式的最佳定量模型。然而，作为腹侧流的开发模型，此类网络仍然令人难以置信，部分原因是它们是经过超级可见的方法培训的，需要比婴儿在发育过程中可以使用更多标签的方法。在这里，我们报告说，无监督学习的最新进展在很大程度上缩小了这一差距。我们发现，在多个腹侧视觉皮质皮质区域中，神经网络模型以深层的对比性嵌入方法获得了神经预测的准确性，该区域等于或超过了使用当今最佳监督方法得出的模型，并且这些神经网络模型的映射是神经层在整个通风流中的神经层。令人惊讶的是，我们发现这些方法即使仅接受从头部安装的相机收集的实际人类儿童发育数据进行训练，即使这些数据集很嘈杂且有限，也会产生类似的表示形式。我们还发现，半佩里的深层对比嵌入可以利用少量标记的示例来产生代表，具有大大改善人类行为的错误模式一致性。综上所述，这些结果说明了无监督学习的使用，以提供穆尔氏皮质脑系统的定量模型，并为灵长类动物感觉学习的生物学上合理的计算理论提供了强有力的候选者。