XiaoMi-AI文件搜索系统
World File Search SystemFMRI
可解释的多时间尺度模型，用于预测fMRI对连续自然语音的响应
自然语言包含多个时间尺度的信息。要了解人脑如何代表此信息，一种方法是使用从神经网络语言模型（LMS）中提取的表示fMRI对自然语言的反应进行编码模式。但是，这些LM衍生的代表并未在不同的时间表上明确分开信息，因此很难解释编码模型。在这项工作中，我们通过强迫LSTM LM中的单个单位来整合特定时间尺度的信息来构建可解释的多时间尺度表示形式。这使我们能够明确并直接映射每个fMRI Voxel编码的信息的时间尺度。此外，标准fMRI编码过程在编码功能中没有考虑不同的时间属性。我们修改了该过程，以便可以捕获短时和长时间的信息。这种方法超过了其他编码模型，特别是对于代表长时间信息的体素。它还在人类语言途径中提供了时间尺度信息的范围图。这是未来工作的框架，调查了人工和生物语言系统之间的时间层次结构。
低成本 MR 兼容触觉刺激及 fMRI 神经反馈应用
摘要：fMRI 环境中最常见的反馈显示是视觉的，例如，参与者试图增加或减少温度计的水平。然而，触觉反馈在计算机交互任务中越来越受到重视，尤其是实时 fMRI 反馈。fMRI 神经反馈是一种尚未利用这一趋势的临床干预。在这里，我们描述了一种低成本、用户友好、与 MR 兼容的系统，该系统可以在 fMRI 神经反馈的初始应用中提供分级触觉振动刺激。我们还进行了可行性演示，表明我们可以在神经反馈范式的背景下成功设置系统并获取数据。我们得出结论，使用这种低成本系统进行振动触觉刺激是一种可行的反馈呈现方法，并鼓励神经反馈研究人员将这种类型的反馈纳入他们的研究中。
中风后的静止状态fMRI横断面研究
方法：招募了22例中风患者和15例健康受试者，以招募年龄，性别和体重指数。康复评估包括峰值氧气吸收（VO 2峰），峰值工作率，10米步行测试（10MWT），五次静止测试（FTSST）和6分钟的步行距离（6MWD）。静止状态fMRI数据，并分析了低频波动振幅（ALFF）的幅度变化与CRF分析以检测中风患者中与CRF相关的大脑区域的相关性。根据ALFF分析，进行大脑网络分析，并选择了中风患者的CRF相关脑区域作为种子点。功能连通性（FC）分析用于识别中风患者可能与CRF相关的大脑区域和网络。
利用实时 fMRI 神经反馈诱导联想记忆形成的心理背景
记忆是人类认知的标志之一，当人类使用神经反馈自愿调节神经群体活动时，记忆就会被改变。然而，目前尚不清楚神经反馈是否会影响记忆的整合，以及在这种神经扰动之后记忆是会得到促进还是受损。在这项研究中，参与者记住了物体，同时我们根据他们在腹侧视觉流中的大脑活动模式为他们提供了抽象的神经反馈。这种神经反馈在记忆物体的同时在大脑中创建了一个隐含的面部或房屋背景。结果表明，参与者完全由于神经反馈操纵而在每个记忆的物体与其隐含背景之间建立了关联。我们的研究结果揭示了记忆形成如何受到神经反馈合成记忆标签的影响，并加深了我们对助记符处理的理解。
大脑动力学的堆叠模型可以提高 fMRI 对受试者特征的预测
2 在 HMM-MAR MATLAB 工具箱和 glhmm Python 工具箱中，这由 'DirichletDiag'/'dirichlet_diag' 选项指定。3 𝐾= 6, 𝛿= 10 4 𝐾∈{3,6,9,12, 15},𝛿∈{10,100, 1000, 10000, 100000} 。有关详细信息，请参阅补充表 SI-3。
两个更好？将BCI和神经反馈的EEG和FMRI结合在一起：系统评价
脑电图（EEG）和功能磁共振成像（fMRI）是两种常用的非侵入性技术，用于测量神经科学和脑部计算机接口（BCI）中的大脑活动。虽然脑电图具有较高的时间分辨率和低空间分辨率，但fMRI具有高空间分辨率和低时间分辨率。在这篇综述中，我们专注于在神经反馈（NF）中使用脑电图和fMRI，并讨论结合两种方式的挑战，以提高人们对大脑活动的了解并实现更有效的临床结果。已经开发出高级技术来同时记录脑电图和fMRI信号，以便更好地了解两种方式之间的关系。然而，脑过程的复杂性和脑电图和fMRI的异质性质在从组合数据中提取有用的信息时面临着挑战。我们将调查现有的EEG-FMRI组合和最近利用NF EEG-FMRI的研究，从而强调了实验和技术挑战。我们还将确定该领域的剩余挑战。
快速全脑fMRI分析的空间3DMatérn先验
摘要。贝叶斯全脑功能磁共振成像（fMRI）分析具有三维空间平滑先验，已证明无需预先张开数据，就可以制定最先进的活动图。所提出的推理算法在计算上是要求的，并且所使用的空间序列具有多种吸引力的属性，例如不当和有限的空间范围。我们根据Mat'ern协方差函数类别提出了一个用于全脑功能磁共振成像分析的统计推理框架。框架工作使用了可能各向异性的空间垫子的高斯马尔可夫随机场（GMRF）表示，通过Lindgren等人的随机部分差异方程（SPDE）方法。（2011）。这允许更加灵活，可置换的空间先验，同时保持在高维全脑环境中快速推断所需的稀疏性。我们开发了一种加速的随机梯度下降（SGD）优化算法，用于空间超参数的经验贝叶斯（EB）推断。有条件地，在推断的超参数上，我们对大脑活动进行了完全贝叶斯的治疗。使用活动图，先前的模拟和交叉验证的比较，将Mat'Mater的先验应用于模拟和实验性任务-FMRI数据，并清楚地表明，它比先前使用的先验更合理的选择。
使用深度学习从 fMRI 进行自然图像重建：一项调查
1.1. 使用 fMRI 进行视觉解码 许多脑成像研究集中于解码人脑如何表示有关外部世界的信息。考虑到大多数外部感官信息是由人类视觉系统处理的（ Logothetis 和 Sheinberg，1996 ），需要更深入地了解人脑的视觉信息处理，这促使建立能够表征视觉刺激内容的复杂计算模型。这个问题被称为人类对感知图像的视觉解码，并受到越来越多的关注。功能性磁共振成像（fMRI）在最近的神经科学研究中取得了重大进展（ Poldrack 和 Farah，2015；Nestor 等，2020 ）。fMRI 技术通过测量血氧水平的变化来捕捉大脑中的神经活动（ Ogawa 等，1990；Bandettini，2012 ）。在各种脑成像技术中，fMRI 是非侵入性的并且具有很高的空间分辨率。这些特性使得 fMRI 能够用于广泛的问题，包括神经系统疾病诊断（Rakhimberdina 等，2020；Zhang 等，2020）和人类视觉解码（Haxby 等，2001；Kamitani and Tong，2005；Horikawa and Kamitani，2017）。人类视觉解码领域的最新进展表明，除了仅仅对视觉刺激的信息进行编码（Poldrack and Farah，2015）之外，fMRI 捕捉到的大脑活动还可用于重建视觉刺激信息（Kay 等，2008；Roelfsema 等，2018）。根据目标任务，人类视觉解码可分为刺激类别分类、刺激识别和重建（Naselaris 等，2011）。在分类中，大脑活动用于预测所呈现刺激的离散对象类别（Haxby 等人，2001；Horikawa 和 Kamitani，2017）。识别的目标是从一组已知的刺激图像中识别出与给定大脑活动模式相对应的特定刺激
基于 fMRI 数据对发育性阅读障碍的大脑基础识别的视觉解释
问题：最近，精神健康和神经发育障碍的脑成像研究包括机器学习方法，仅根据患者的脑活动来识别患者。目标是识别从较小数据样本推广到较大数据的大脑相关特征；就神经发育障碍而言，找到这些模式有助于理解大脑功能和发育的差异，而这些差异是发育性阅读障碍风险的早期迹象。机器学习分类算法在神经功能数据上的成功仅限于通常由几十名参与者组成的同质数据集。最近，更大的脑成像数据集使得深度学习技术能够仅根据神经功能特征对脑状态和临床组进行分类。事实上，深度学习技术可以为医疗保健应用中的分类提供有用的工具，包括对结构性 3D 脑图像的分类。采用深度学习方法可以逐步提高更大的功能性脑成像数据集的分类性能，但仍然缺乏与疾病相关的潜在脑机制的诊断见解；此外，相关的挑战涉及从用于分类的神经特征中提供更多与临床相关的解释。