XiaoMi-AI文件搜索系统
World File Search SystemAuditory
听觉刺激和深度学习可预测心脏骤停后昏迷苏醒
评估心脏骤停后昏迷患者的神经功能完整性仍是一个悬而未决的挑战。昏迷结果的预测主要依赖于专家对生理信号的视觉评分，这种方法容易产生主观性，并使相当多的患者处于预后不确定的“灰色地带”。对听觉刺激后脑电图反应的定量分析可以让我们了解昏迷时的神经功能以及患者苏醒的机会。然而，由于协议繁琐多样，标准化听觉刺激后的反应还远未在临床常规中使用。在这里，我们假设卷积神经网络可以帮助提取昏迷第一天对听觉刺激的脑电图反应的可解释模式，这些模式可以预测患者苏醒的机会和 3 个月后的存活率。我们使用卷积神经网络 (CNN) 对多中心和多方案患者队列中在标准化镇静和目标体温管理下昏迷第一天对听觉刺激的单次脑电图反应进行建模，并预测 3 个月时的结果。对于接受治疗性低温和常温的患者，使用 CNN 预测觉醒的阳性预测率分别为 0.83 ± 0.04 和 0.81 ± 0.06，预测结果的曲线下面积分别为 0.69 ± 0.05 和 0.70 ± 0.05。这些结果也持续存在于处于临床“灰色地带”的一部分患者中。网络预测结果的可信度基于可解释的特征：它与脑电图反应的神经同步性和复杂性密切相关，并受到独立临床评估的调节，例如脑电图反应性、背景爆发抑制或运动反应。我们的研究结果强调了可解释的深度学习算法与听觉刺激相结合在改善昏迷结果预测方面的巨大潜力。
海鳐和海鳐食肉动物的听觉掩蔽
该项目将为海象科和海马科食肉动物（分别为太平洋海象和加州海狮）提供听觉数据，以便比较这些海洋哺乳动物类群之间的声学敏感性并支持环保合规工作。海洋生物资源 (LMR) 计划为该项目提供资金，补充了美国支持的一项持续努力。鱼类和野生动物管理局与美国地质调查局合作，对太平洋海象 (Odobenus rosmarus divergens) 的听觉掩蔽进行了特征分析，以同时产生噪音。LMR 的额外支持使项目团队能够将研究范围扩大到包括加州海狮 (Zalophus californianus) 并收集其他比较数据。这项研究将为被指定为“其他海洋食肉动物”的海洋哺乳动物功能性听力组提供与噪音暴露标准相关的新信息。这是一组不属于海豹科（真正的海豹）的两栖海洋哺乳动物，包括海狮、海狗、海象和海獭。它们是听觉和噪音影响方面研究最少的海洋哺乳动物之一，但它们却占据着对美国海军行动至关重要的北太平洋和北极水域。
基于EEG的听觉注意解码 - ESAT的主页
d∈Rlc×1，收集所有时间滞后和通道的所有解码器系数，以及x（t）= h x 1（t）t x 2（t）t x 2（t）t·x c（t）t c（t）
连续的听觉反馈促进了小鼠的精细运动技能学习
运动技能学习使生物可以与环境有效相互作用，并依靠将感觉反馈与电机输出相结合的神经机制。虽然感觉反馈（例如与运动动作相关的听觉提示）增强了人类运动性能，但其作用机理的理解很少。开发可靠的增强运动技能学习动物模型对于开始剖析这种增强的生物系统至关重要。我们假设在运动任务期间连续的听觉反馈将促进小鼠的复杂运动技能。我们使用DeepLabcut开发了一个闭环系统，以实时无标记跟踪鼠标前爪动作，并具有高处理速度和低延迟。通过将前言的动作编码到不同频率的听觉音调中，小鼠在到达任务期间接收了连续的听觉反馈，需要将左前爪垂直位移到目标。成年小鼠在4 d培训中接受了听觉反馈或没有反馈的培训。与对照组相比，接收听觉反馈的小鼠表现出明显增强的运动技能学习。对轨迹的聚类分析表明，在运动训练的第2天之前，听觉反馈小鼠建立了一致的到达轨迹。这些发现表明，实时，运动编码的听觉反馈有效地促进了小鼠运动技能。这种闭环系统利用高级机器学习和实时跟踪，为探索运动控制机制和通过增强的感觉反馈开发运动障碍的治疗策略提供了新的途径。
使用fmri prompered llm
摘要 - 从大脑信号中解码语言信息代表了脑部计算机之间的重要研究领域，尤其是在解密fMRI信号的语义信息的背景下。尽管现有工作使用LLM来实现此目标，但他们的方法并未使用端到端方法，并且避免了fMRI到文本的映射中的LLM，为探索LLM在听觉解码中留下了空间。在本文中，我们引入了一种新颖的方法，即大脑提示GPT（BP-GPT）。通过使用从fMRI提取的大脑表示，我们的方法可以利用GPT-2将fMRI信号解码为刺激文本。此外，我们介绍了文本提示，并将fMRI提示对齐。通过引入文本提示，我们的BP-GPT可以提取更强大的大脑提示，并促进预训练的LLM的解码。我们在开源的听觉语义解码数据集上评估了BP-GPT，与现有方法相比，所有受试者的流星的显着提高了流星的4.61％，而BERTSCORE的BERTSCORE则获得了2.43％。实验结果表明，将大脑表示作为进一步驱动听觉神经解码的LLM的提示是可行有效的。该代码可在https://github.com/1994cxy/bp-gpt上获得。索引术语 - 神经解码，大语言模型，fMRI，脑部计算机界面。
对听觉节律刺激的持续性皮质振荡反应的频率选择性
有人提出，皮质振荡通过神经同步机制在语音和音乐感知、注意力选择和工作记忆中发挥功能性作用。神经同步的一个常被忽视的特性是，它对持续振荡的调节作用比节奏刺激更持久。我们通过在被动感知范式中研究旋律刺激期间和之后皮质神经振荡来测试这种现象的存在。旋律由嵌入在 2.5 Hz 流中的 60 和 80 Hz 音调组成。通过对男性和女性的颅内和体表记录，我们发现，在响应音调时，整个皮质（远远超出了听觉区域）的高 c 波段都出现了持续的振荡活动。相比之下，在响应 2.5 Hz 流时，未观察到任何频带的持续活动。我们进一步表明，我们的数据可以通过阻尼谐振子模型很好地捕获，并且可以分为三类神经动力学，具有不同的阻尼特性和特征频率。该模型为人类皮层中听觉神经同步的频率选择性提供了机械和定量解释。
基于实时视觉分析的低延迟人机听觉接口
本文提出了一种视觉听觉替代方法，以帮助视障人士理解场景。我们的方法侧重于在用户附近进行人员定位，以方便在城市中行走。由于在这种情况下出于用户安全的考虑，需要实时和低延迟，因此我们提出了一种嵌入式系统。该处理基于轻量级卷积神经网络，以执行有效的 2D 人员定位。该测量结果通过相应的人员深度信息得到增强，然后通过头部相关传递函数转录为立体声信号。本文提出了一种基于 GPU 的实现，可以在 640x480 视频流上以 23 帧/秒的速度实现实时处理。我们通过实验表明，该方法可以实现实时准确的基于音频的定位。
遗传听觉神经病谱系障碍基因疗法的当前进展
摘要：听觉神经病谱系障碍（ANSD）是指一系列听力障碍，其特征是声音从耳蜗传播到大脑。该缺陷可能是由于内部毛细胞（IHC），IHC色带突触（例如，谷氨酸的突触前释放），螺旋神经节神经元的突触后终末或脱蛋白神经元的突触后末端或脱糊状和肌脱肌丢失的。 迄今为止，ANSD的唯一临床治疗方案是助听器和人工耳蜗。 然而，尽管助听器和耳蜗植入技术的进步取得了进步，但感知的声音的质量仍然无法匹配正常耳朵的声音。 最近的晚期遗传诊断和临床听力学使确定病变的确切部位并表征ANSD的特定疾病机制，从而为您的预防或预防听觉神经变性带来了新的希望。 此外，涉及替换或纠正式编辑突变序列或缺陷基因以修复受损细胞的遗传路线，以使聋人的听力恢复未来显示出希望。 在这篇综述中，我们提供了有关遗传病变，听觉突触病和神经病的分子病理生理学的最新发现，以及在啮齿动物模型和临床试验中的基因治疗研究。。迄今为止，ANSD的唯一临床治疗方案是助听器和人工耳蜗。然而，尽管助听器和耳蜗植入技术的进步取得了进步，但感知的声音的质量仍然无法匹配正常耳朵的声音。最近的晚期遗传诊断和临床听力学使确定病变的确切部位并表征ANSD的特定疾病机制，从而为您的预防或预防听觉神经变性带来了新的希望。此外，涉及替换或纠正式编辑突变序列或缺陷基因以修复受损细胞的遗传路线，以使聋人的听力恢复未来显示出希望。在这篇综述中，我们提供了有关遗传病变，听觉突触病和神经病的分子病理生理学的最新发现，以及在啮齿动物模型和临床试验中的基因治疗研究。
使用 Match 进行听觉刺激-反应建模...
。CC-BY-ND 4.0 国际许可证永久有效。它以预印本形式提供（未经同行评审认证），作者/资助者已授予 bioRxiv 许可，可以在该版本中显示预印本。版权所有者于 2020 年 11 月 6 日发布了此版本。；https://doi.org/10.1101/2020.11.05.370072 doi: bioRxiv preprint
基于选择性听觉注意解码的脑部计算机界面的无监督精度估计
摘要 - 目的：选择性听觉注意解码（AAD）算法处理大脑数据（例如脑电图），以解码一个人参加的多个竞争声源。例子是神经ste的助听器或通过脑部计算机界面（BCI）进行通信。最近，已经证明可以在无监督的环境中基于刺激重建的刺激重建来训练此类AAD解码器，在这种情况下，没有关于参加哪种声音源的地面真相。在许多实际情况下，这种地面真相标签不存在，因此很难量化解码器的准确性。在本文中，我们旨在开发一种完全无监督的算法，以估算竞争性说话者聆听任务期间基于相关的AAD算法的准确性。方法：我们通过将AAD决策系统建模为具有添加剂白色高斯噪声的二进制相移键通道来使用数字通信原理。结果：我们表明，针对不同量的培训和估计数据以及决策窗口长度，提出的无监督性能估计技术可以准确地确定AAD准确性。此外，由于不同的应用需要不同的目标准确性，因此我们的方法可以估计任何给定目标准确性所需的训练量最小。结论：我们提出的估计技术准确地预测了基于相关的AAD算法的性能，而无需访问地面图标签。在BCIS中，它可以支持强大的沟通范式，并提供护理人员的准确反馈。显着性：在神经启动的助听器中，我们方法提供的准确性估计值可以支持时间自适应解码，动态增益控制和神经反馈。