XiaoMi-AI文件搜索系统
World File Search SystemArvaneh
脑电图在大脑和行为研究方面的百年应用
推荐引用 推荐引用 Mushtaq, F.、Welke, D.、Gallagher, A.、Pavlov, Y.、Kouara, L.、Bosch-Bayard, J.、van den Bosch, J.、Arvaneh, M.、Bland, A.、Chaumon, M.、Borck, C.、He, X.、Luck, S.、Machizawa, M.、Pernet, C.、Puce, A., Segalowitz, S.、Rogers, C.、Awais, M.、Babiloni, C.、Bailey, N.、Baillet, S.、Bendall, R.、Brady, D.、Bringas-Vega, M.、Busch, N.、Calzada-Reyes, A.、Chatard, A.、Clayson, P. 和 Cohen, M. (2024)“大脑和行为脑电图一百年”研究”，自然人类行为， 8(8)，第 1437-1443 页。可访问：10.1038/s41562-024-01941-5 此回复或评论由 PEARL 健康学院免费开放提供给您。PEARL 授权管理员已接受将其纳入心理学学院。如需更多信息，请联系 openresearch@plymouth.ac.uk。
研究有影响力的脑电图实验的可重复性
推荐引用 推荐引用 Pavlov, Y., Mushtaq, F., Adamian, N., Appelhoff, S., Arvaneh, M., Benwell, C., Beste, C., Bland, A., Bradford, D., Bublatzky, F., Busch, N., Clayson, P., Cruse, D., Czeszumski, A., Dreber, A., Dumas, G., Ehinger, B., Ganis, G., He, X., Hinojosa, J., Huber-Huber, C., Inzlicht, M., Jack, B., Johannesson, M., Jones, R., Kalenkovich, E., Kaltwasser, L., Karimi-Rouzbahani, H., Keil, A., & König, P. (2021) '#EEGManyLabs: Investigating the replicaability of influence EEG 实验”，Cortex，。可从以下网址获取：10.1016/j.cortex.2021.03.013 本文由 PEARL 健康学院免费开放获取。它已被 PEARL 授权管理员接受纳入心理学学院。如需更多信息，请联系 openresearch@plymouth.ac.uk。
编辑：用于脑计算机接口应用程序的数据集
非侵入性脑部计算机界面是一种令人兴奋的新技术，为大脑和计算机系统之间的通信提供了渠道。它们可以用作通信设备（Chaudhary等，2016; Brumberg et al。，2018），康复系统（Cervera等，2018），娱乐设备（Gürkök等，2017），以及其他广泛的应用程序（Finke等，2009，2009; Makeig et al。，2011）。非侵入性BCIS的研究正在迅速发展，并且是一个高度多学科的领域，其中包括神经科学家，工程师，心理学家，计算机科学家和临床医生。持续开发BCI技术取决于这些领域的每个领域的进步，它们可以单独和集体地有助于改善BCI系统的所有方面，包括信号获取，处理，分类，分类和用户界面设计。BCI系统的许多单个部分通常是在预先存在的数据集上首次开发和评估。但是，只有少数高质量的公开数据集可以在这些数据集上进行新的系统，工具和技术的评估和比较。例如，公开可用的BCI竞争数据集（Sajda等，2003; Blankertz等，2004，2006）为BCI研究人员提供了一套出色的资源，并已广泛使用许多研究人员来开发和评估新的信号处理和分类方法（Arvaneh等人，2013年，2013年； Ghaemi等，2017年； Sakhavi等人，2018年； Zanini等人，2018年；换句话说，BCI研究的可靠性和可重复性因缺乏和稀疏性数据集而阻碍。然而，相对较小的大小和此类数据集的数量会引入过度拟合的风险，以通过这些数据集开发和评估的方法。本期特刊提供了一系列在世界各地BCI研究实验室的开发，培训和评估期间记录的公开生理数据集的描述。收集到的数据集由通过多种模式记录的信号组成，包括但不限于脑电图（EEG），功能近近红外光谱（FNIRS），肌电图（EMG），心电图学（ECG）（ECG）（ECG），钙含量皮肤反应（GSR），皮肤温度测量率和体内的数据，次要次数和体内。许多数据集都包含具有这些信号模态的两个或多个组合的多模态记录。描述了来自各种不同BCI范式的数据。这些包括基于新型事件相关电位（ERP）和基于稳态的视觉诱发电位（SSVEP）BCIS
使用基于任务的功能连接建立基于连接组的认知储备预测模型
认知储备 (CR) 是指大脑的一种特性，考虑到与年龄相关的大脑变化和脑损伤或疾病的程度，这种特性能够使认知功能优于预期（认知衰老和痴呆症储备和复原力研究定义合作实验室，2022 年）。较高的 CR 与痴呆症的发病延迟和发病率降低有关（Reed 等人，2010 年；Soldan 等人，2020 年；Zahodne 等人，2015 年），并且与具有阿尔茨海默病遗传风险的个体的住院风险降低有关（Filshtein 等人，2019 年）。 CR 是一个可修改的结构，可能受各种生活经历的影响，例如教育程度（Malek-Ahmadi 等人，2017 年）和职业复杂性（Boots 等人，2015 年）以及遗传因素（Barker 等人，2021 年；Dumitrescu 等人，2020 年）。准确测量 CR 可以改善痴呆症的临床诊断（Stern，2012 年）、临床试验中干预效果的测量（Mondini 等人，2016 年）、干预研究中参与者的分层（Stern，2012 年）以及旨在增强 CR 的干预措施的制定（Moga 等人，2019 年）。准确的 CR 神经影像学测量可能有助于识别特定的 CR 相关大脑网络，可以通过神经调节（Arvaneh 等人，2018 年；Scheinost 等人，2020 年）或神经刺激技术（Kim 等人，2019 年）进行针对性治疗。CR 通常使用社会行为变量（“代理”）来衡量，这些变量反映了被认为有助于 CR 的各种一生经历的接触程度（Stern 等人，2020 年）。虽然这种测量方法方便且便宜，但它在理论和方法上受到限制，因为代理是自我报告变量，无法捕捉整个动态 CR 结构（Bettcher 等人，2019 年；Jones 等人，2011 年；Ward 等人，2015 年）。另一种使用结构神经成像的测量方法是 CR 残差，其操作上将 CR 定义为考虑大脑结构和人口统计学因素后认知中无法解释的差异（Bettcher 等人，2019 年；Reed 等人，2010 年；Zahodne 等人，2013 年）。与社会行为代理相比，CR 残差可以更好地反映 CR 随时间的变化（Stern 等人，2020 年）。然而，CR 残差