XiaoMi-AI文件搜索系统
World File Search System脑网
SONIA：用于教育和探索大脑网络的沉浸式可定制虚拟现实系统
虽然掌握神经解剖学对于研究大脑很重要，但人们越来越有兴趣探索神经通路，以更好地了解神经回路在大脑功能中的作用。为了解决传统的基于 2D 显示的神经导航软件在直观地可视化复杂的 3D 解剖结构方面的局限性，已经提出了几种虚拟现实 (VR) 和增强现实 (AR) 解决方案来促进神经解剖学教育。然而，随着对大脑连接和子系统功能的了解不断增加，仍然缺乏类似的软件解决方案来进行这些主题的教育和探索，这需要更复杂的可视化和交互策略。为了弥补这一差距，我们设计了沉浸式可定制神经学习平台 (SONIA)，这是一种新颖的、用户友好的 VR 软件系统，具有多尺度交互范例，允许灵活定制学习材料。通过用户研究的定量和定性评估，所提出的系统被证明具有高可用性、吸引人的视觉设计和良好的教育价值。作为第一个用于神经解剖学和大脑连接教育的集成可定制设计和大脑子系统详细叙述的沉浸式系统，SONIA 展示了新的潜在方向并为 VR 中的医学学习和探索提供了宝贵的见解。
大脑网络动态的可逆性和扰动复杂性：一种全脑建模方法
Carol、Inˆes、inˆes、Lu´ıs、Peixinho、S´a、Sofia 和 Tiago 在 T´ecnico 度过了 5 年的友谊。感谢
童年经历逆境的青少年的大脑网络拓扑结构改变与弹性功能有关
1 剑桥大学精神病学系，英国剑桥，2 墨西哥费德里科·戈梅斯儿童医院神经科学实验室，墨西哥墨西哥城，3 莱顿大学教育与儿童研究所，荷兰莱顿，4 伦敦国王学院精神病学、心理学与神经科学研究所神经影像学系，英国伦敦，5 剑桥大学公共卫生与初级保健、心血管流行病学部 (CEU)，英国剑桥，6 塞维利亚生物医学研究所 (IBiS) HUVR/CSIC/塞维利亚大学物理医学与生物物理系，西班牙塞维利亚，7 伦敦大学学院威康信托神经影像中心，英国伦敦，8 伦敦大学学院临床、教育与健康心理学系，英国伦敦
功能性脑网络与儿童的性别和性别有关
隶属关系：1 Feinstein研究所医学研究，美国纽约市2 Zucker Hillside医院，Glen Oaks，Glen Oaks，纽约，美国3宾夕法尼亚大学，宾夕法尼亚州费城，美国4号宾夕法尼亚州，美国4 Santa Fe Institute，New Mexico美国新泽西州Piscataway的卫生研究所 *通讯作者：Elvisha Dhamala（elvisha@gmail.com）致谢这项工作得到了以下奖项：ED：Northwell Health Advance：Northwell Health Advance in Science and Medicine Deveritation in in Science and Medicine Deveriencation奖和Feinstein Insterutes Medical Research Gressenging Ernging Gressing Scientist奖。由美国国家心理健康研究所（R01MH123245 to AJH和R01MH120080）提供了额外的支持。也提供了BTTY奖项：Nus Yong Loo Lin医学院（NUHSRO/2020/124/TMR/LOA），新加坡国家医学研究委员会（NMRC）LCG（oflcg19may-0035），NMRC CTG-CTG-IIT（ctg-iitc） （STAR20NOV-0003），新加坡卫生部（MOH）中心拨款（CG21APR1009），Temasek基金会（TF2223-IMH-01）和美国国立卫生研究院（R01MH1333334）。 此处表达的任何意见，发现，结论或建议都是作者的意见，不一定反映了资助者的观点。 利益冲突所有作者都没有宣布任何冲突。也提供了BTTY奖项：Nus Yong Loo Lin医学院（NUHSRO/2020/124/TMR/LOA），新加坡国家医学研究委员会（NMRC）LCG（oflcg19may-0035），NMRC CTG-CTG-IIT（ctg-iitc） （STAR20NOV-0003），新加坡卫生部（MOH）中心拨款（CG21APR1009），Temasek基金会（TF2223-IMH-01）和美国国立卫生研究院（R01MH1333334）。此处表达的任何意见，发现，结论或建议都是作者的意见，不一定反映了资助者的观点。利益冲突所有作者都没有宣布任何冲突。
使用 Wasserstein 距离对颞叶癫痫脑网络进行统一拓扑推理
持久同源性为从脑网络中提取隐藏的拓扑信号提供了一种强大的工具。它捕获了跨多个尺度的拓扑结构的演变，称为过滤，从而揭示了在这些尺度上持续存在的拓扑特征。这些特征总结在持久性图中，并使用 Wasserstein 距离量化它们的差异。然而，Wasserstein 距离不遵循已知的分布，这对现有参数统计模型的应用构成了挑战。为了解决这个问题，我们引入了一个以 Wasserstein 距离为中心的统一拓扑推理框架。我们的方法没有明确的模型和分布假设。推理以完全数据驱动的方式进行。我们将这种方法应用于从两个不同地点收集的颞叶癫痫患者的静息态功能磁共振图像 (rs-fMRI)：威斯康星大学麦迪逊分校和威斯康星医学院。重要的是，我们的拓扑方法对由于性别和图像采集而导致的变化具有鲁棒性，无需将这些变量视为干扰协变量。我们成功定位了对拓扑差异贡献最大的大脑区域。本研究中所有分析使用的 MATLAB 包可在 https://github.com/laplcebeltrami/PH-STAT 上找到。
机器学习可解释性方法来描述癫痫中的脑网络动态
摘要 机器学习 (ML) 算法在广泛的生物医学应用中的快速应用凸显了信任问题以及对 ML 算法生成的结果缺乏理解。最近的研究集中于开发可解释的 ML 模型并制定透明度和道德使用指南，确保机器学习以负责任的方式融入医疗保健领域。在本研究中，我们证明了 ML 可解释性方法的有效性，可为癫痫症（一种影响全球超过 6000 万人的严重神经系统疾病）的大脑网络相互作用动态提供重要见解。使用来自 16 名患者的高分辨率颅内脑电图 (EEG) 记录，我们开发了高精度 ML 模型，将这些大脑活动记录分为癫痫发作或非癫痫发作类别，然后执行一项更复杂的任务，即描绘出癫痫发作发展到大脑不同部位的不同阶段，作为一项多类别分类任务。我们对高精度 ML 模型应用了三种不同类型的可解释性方法，以了解不同类别的大脑交互模式（包括多焦点交互）的相对贡献，这些模式在区分大脑的不同状态方面发挥着重要作用。本研究结果首次证明，事后可解释性方法使我们能够理解 ML 算法生成给定结果集的原因以及输入值的变化如何影响 ML 算法的准确性。特别是，我们在本研究中表明，可解释性方法可用于识别对癫痫发作事件有重大影响的大脑区域和交互模式。本研究结果强调了在异常脑网络研究和更广泛的生物医学研究领域中集成实施 ML 算法和可解释性方法的重要性。
在第一集，治疗抑郁症的青少年中，异常的单受试者形态脑网络
1 1大脑研究与康复研究所，中国南部师范大学，广州510631，中国2个精神病学系，第一附属医院，医学院，惠江大学医学院，吉津大学310013，中国310013，中国310013中国510631教育部510631 5心理应用研究中心，中国师范大学，广州510631，中国6广东的心理健康与认知科学的关键主要实验室，广州510631，中国7 Zhejiang工程中心数学心理健康中心jinhui.wang.1982@m.scnu.edu.cn; Manli Huang，huangmanli@zju.edu.cn1大脑研究与康复研究所，中国南部师范大学，广州510631，中国2个精神病学系，第一附属医院，医学院，惠江大学医学院，吉津大学310013，中国310013，中国310013中国510631教育部510631 5心理应用研究中心，中国师范大学，广州510631，中国6广东的心理健康与认知科学的关键主要实验室，广州510631，中国7 Zhejiang工程中心数学心理健康中心jinhui.wang.1982@m.scnu.edu.cn; Manli Huang，huangmanli@zju.edu.cn
小学生的创造性思维和大脑网络发展
图1分析管道的示意图。（a）解剖和静止状态数据采集。（b）使用FMRIPREP 20.2.1进行成像数据预处理。（c）使用礼品工具箱的静止状态功能磁共振成像（RS-FMRI）数据的ICA组和三个感兴趣网络的ICS选择（DMN，SN，ECN）。这允许从体素活动产生空间图和时间课程。（d）静态功能网络连接（SFNC）是在所有儿童的平均时间课程上进行的，以生成空间图，时间课程光谱和FNC相关性。（E）在每个孩子的整个时间过程中执行动态功能网络连接（DFNC）。一种基于窗口的方法将信号分为相同长度的小窗口，然后是K-均值算法，将相似窗口重组为簇。分析产生了DFNC措施，例如停留时间（即，参与者在每个大脑状态中花费的时间/扫描）。
使用脑电图衍生的大脑网络属性
中风是全世界死亡与残疾的主要原因（Wolfe，2000； Langhorne等，2011）。在残疾人中，中风后的认知障碍对患者产生重要影响，功能恢复和长期预后。目前，临床医生使用磁共振成像（MRI）或计算机断层扫描（CT）等结构信息（例如中风病变的位置和大小）评估了冲程后认知障碍的风险。一个国际大规模的病变症状映射研究，最近介绍了有关病变大脑中造成认知障碍的大脑位置的重要发现（Weaver等，2021b）。但是，这些使用结构脑成像的方法基于以下前提：在发生中风病变的局部区域中，大脑功能被选择性地受损。但是，在实践中，几个部位的病变可能会导致相同的症状和体征，这是由于共享神经网络的破坏所解释的（Fox，2018）。结果，仅基于MRI中确定的病变位置，很难预测中风后的认知障碍，并且有必要评估病变对整个大脑的广泛影响（Stinear，2010; Carter等，2012）。用于测量功能连通性的工具，该工具不仅评估了特定的大脑区域活动，而且还评估了不同区域之间的相互作用，对于解决此问题可能至关重要（Bressler和Menon，2010； Stinear，2010； Aerts等，2016）。