XiaoMi-AI文件搜索系统
World File Search SystemHochberg
基于胎儿MRI的大脑图集分析检测到产前酒精暴露的子宫效应
产前酒精暴露（PAE）可以改变人类胎儿脑发育的正常轨迹，并可能导致胎儿酒精谱系障碍形式的神经发育变化。目前，与酒精相关的中枢神经系统变化的早期产前模式尚不清楚，尚不清楚少量的PAE是否会导致早期可检测到的脑异常。这项超分辨率的胎儿磁共振成像（MRI）研究旨在确定PAE对人脑结构的区域影响。胎儿使用基于1.5 t和3 t胎儿脑MRI检查的基于ATLAS的半自动组织分割进行了前瞻性评估。在预期母亲完成了PAE的匿名婴儿车和TACE问卷之后，发现并分析了没有宏观脑脑异常的胎儿。进行了区域脑体积的线性混合效应模型，并使用Benjamini – Hochberg程序校正了多个比较。总共招募了500名孕妇，有51名报告妊娠饮酒。排除了混杂的合并症后，分析了24个胎儿（26个观察结果），并分析了没有PAE的52个年龄匹配的对照。PAE患者的体积明显更大（p≤0.001）和较小的脑室区域（p = 0.001）。即使是次要的（每周1-3种标准饮料）PAE改变了神经发育轨迹。
对乳腺癌和分子亚型的脑转移空间分布的定量表征
心脏内脑机构界面（BCIS）可以通过允许用户控制带有记录在大脑中的信号的效应器或辅助设备来恢复受重大瘫痪的人的功能。近年来，运动皮层中的心脏内植入物已用于灵长类动物和人类参与者的BCI控制（Ajiboye等人。2017; Bouton等。2016; Collinger等。2013; Hochberg等。2006; Santhanam等。 2006; Velliste等。 2008; Wodlinger等。 2014）。 最近，通过在体感皮质中刺激电极来添加体感觉反馈（Armenta Salas等人。 2018; Fifer等。 2020; Flesher等。 2016; Flesher等。 2019; Flesher等。 2021;休斯等人。 2020;休斯等人。 2020）。 鉴于心脏内BCI需要手术植入，因此必须在临床上可行多年才能稳定。 在人类和灵长类动物中都研究了这个问题，表明可以从汽车皮层中的电极可靠地记录信号，但设备没有失败，尽管有相当大的受试者间可变性，并且信号随着时间的流逝通常会降低（Bullard等人（Bullard等人） 2020; Chestek等。 2011;唐尼等。 2018;休斯等人。 2020;詹姆斯等人。 2013; Simeral等。 2011; Suner等。 2005）。2006; Santhanam等。2006; Velliste等。 2008; Wodlinger等。 2014）。 最近，通过在体感皮质中刺激电极来添加体感觉反馈（Armenta Salas等人。 2018; Fifer等。 2020; Flesher等。 2016; Flesher等。 2019; Flesher等。 2021;休斯等人。 2020;休斯等人。 2020）。 鉴于心脏内BCI需要手术植入，因此必须在临床上可行多年才能稳定。 在人类和灵长类动物中都研究了这个问题，表明可以从汽车皮层中的电极可靠地记录信号，但设备没有失败，尽管有相当大的受试者间可变性，并且信号随着时间的流逝通常会降低（Bullard等人（Bullard等人） 2020; Chestek等。 2011;唐尼等。 2018;休斯等人。 2020;詹姆斯等人。 2013; Simeral等。 2011; Suner等。 2005）。2006; Velliste等。2008; Wodlinger等。 2014）。 最近，通过在体感皮质中刺激电极来添加体感觉反馈（Armenta Salas等人。 2018; Fifer等。 2020; Flesher等。 2016; Flesher等。 2019; Flesher等。 2021;休斯等人。 2020;休斯等人。 2020）。 鉴于心脏内BCI需要手术植入，因此必须在临床上可行多年才能稳定。 在人类和灵长类动物中都研究了这个问题，表明可以从汽车皮层中的电极可靠地记录信号，但设备没有失败，尽管有相当大的受试者间可变性，并且信号随着时间的流逝通常会降低（Bullard等人（Bullard等人） 2020; Chestek等。 2011;唐尼等。 2018;休斯等人。 2020;詹姆斯等人。 2013; Simeral等。 2011; Suner等。 2005）。2008; Wodlinger等。2014）。最近，通过在体感皮质中刺激电极来添加体感觉反馈（Armenta Salas等人。2018; Fifer等。2020; Flesher等。2016; Flesher等。2019; Flesher等。2021;休斯等人。2020;休斯等人。2020）。鉴于心脏内BCI需要手术植入，因此必须在临床上可行多年才能稳定。在人类和灵长类动物中都研究了这个问题，表明可以从汽车皮层中的电极可靠地记录信号，但设备没有失败，尽管有相当大的受试者间可变性，并且信号随着时间的流逝通常会降低（Bullard等人（Bullard等人）2020; Chestek等。2011;唐尼等。2018;休斯等人。2020;詹姆斯等人。2013; Simeral等。2011; Suner等。2005）。2005）。
血浆代谢组学和数量的间质异常
抽象的背景定量间质异常（QIA）是自动化计算机断层扫描（CT）发现早期实质性肺部疾病的发现，与肺功能较差，运动能力降低，增加疗程症状和死亡相关。与QIA相关的代谢组扰动尚不清楚。我们试图鉴定吸烟者中与QIA相关的血浆代谢产物。我们还试图确定QIA和肺气肿之间的共享和区分代谢组学特征，这是另一种与吸烟有关的晚期放射学异常。在COPD队列的遗传流行病学中的928例和当前吸烟者中的方法，我们使用自动化的局部密度直方图方法测量了QIA和肺气肿，并使用液态色谱 - 质谱法（Metabolon）从血浆样品中产生了来自等离子体样品的代谢物谱。我们使用多变量的线性回归模型评估了代谢物水平与QIA之间的关联，该模型根据年龄，性别，体重指数，吸烟状态，包装年和吸入的皮质类固醇使用，并在本杰米尼 - 霍赫伯格（Benjamini – Hochberg）的false-hochberg false发现率p值≤0.0.05。使用针对这些协变量调整的多项式回归模型，我们评估了代谢物水平与以下CT表型之间的关联：QIA-PREDOMONINENS，EMPHYSEMA-PREDOMINALS-促剂，良好的促进性，预先主导和既不优势。使用化合生剂进行富集分析。结果，我们发现85种代谢物与QIA显着相关，而烟酸和烟酰胺，组氨酸，淀粉，淀粉和蔗糖，吡啶胺，磷脂酰胆碱，溶血磷脂和鞘磷脂素途径过高。这些包括参与炎症和免疫反应的代谢产物，细胞外基质重塑，表面活性剂和肌肉缓存。在QIA-促剂和肺气肿促性表型之间存在75种代谢物，并且磷脂酰乙醇胺，烟酸和烟酰胺，氨基酰胺，氨基酰胺，精氨酸，精氨酸，蛋白酶，豆氨酸，蛋白酶，碱基，碱性，果碱和胶质酸含量过多。
杰森·帕切科
同行评审出版物 [1] E. Mohammadreza、J. Pacheco、W. Li、J. Lee Hu、H. Chen。“使用离散动作空间中的强化学习对静态恶意软件检测器进行二进制黑盒攻击。” IEEE S&P 深度学习和安全研讨会。2021 年 5 月。 [2] SJ Lee、D. Suri、P. Somani、CL Dean、J. Pacheco、R. Stoner、I. Perez-Arriaga、JW Fisher III、J. Taneja。“概率电力需求预测如何加速清洁可靠电力的普遍使用。” 能源促进经济增长。2021 年 [3] S. Zheng、DS Hayden、J. Pacheco、J. Fisher III。“具有可变成本结构的顺序贝叶斯实验设计。”神经信息处理系统进展。 2020 年。[4] DS Hayden、J. Pacheco、J. Fisher III。“使用李群动力学进行非参数对象和部件建模。”计算机视觉与模式识别会议。2020 年。[5] J. Belden、MM Mansoor、A. Hellum、SR Rahman、A. Meyer、C. Pease、J. Pacheco、S. Koziol 和 TT Truscott。“视觉如何控制密集骑行车队的集体行为。”皇家学会界面杂志。2019 年。[6] J. Pacheco 和 J. Fisher III。“序列决策的变分信息规划。”人工智能与统计国际会议。2019 年。[7] S. Zheng、J. Pacheco、J. Fisher III。“一种稳健的序列信息理论规划方法。”机器学习国际会议。 2018。[8] D. Milstein、J. Pacheco、L. Hochberg、J. Simeral、B. Jarosiewicz、E. Sudderth。“皮质内脑机接口的多尺度半马尔可夫动力学。”神经信息处理系统进展。2017。[9] J. Pacheco 和 EB Sudderth。“蛋白质、粒子和伪最大边际：一种子模块化方法。”国际机器学习会议。2015。[10] J. Pacheco、S. Zuffi、MJ Black 和 EB Sudderth。“保留模式和消息
用嗅觉和味觉大脑连通性网络预测酒精摄入模式
渴望酒精饮用者的饮酒者通常是由化学感应提示（例如口味和气味）引起的，这些提示与大脑网络连通性有关。这项研究旨在研究这些大脑连通性模式是否可以预测年轻人的酒精摄入量。静止状态fMRI数据是从人类连接组项目（HCP）的年轻成人队列中获得的，其中包括1003名参与者。分析了从100个独立组件产生的功能连接组，并在应用Benjamini-Hochberg（BH）方法应用错误发现率（FDR）校正后识别与味觉和气味得分相关的显着连接。然后将这些显着连接用作各种酒精摄入指标的一般线性模型中的预测因子。在独立样本中验证了模型以评估其准确性。训练样本（n = 702）和验证样本（n = 117）没有显着的人口差异。在742个可能的连接中，与气味相关的41个与味道有关的连接通过了FDR-BH校正后的显着性阈值（P <0.05）。值得注意的预测因子包括视觉连接性（Node32-Node13：β= 0.028，p = 0.02），用于葡萄酒的消耗和腹侧注意网络（van）和额叶壁/尾状核（FP/CN）（fp/cn）（Node27-Node9：node9：β= - 0.31，p = 0.04）之间的连通性和连通性，以确定量的时间和最高含量。过去一年。预测模型表现出很强的精度，与气味相关的模型的根平方误差（RMSE）值为5.15，而与味觉相关的模型为5.14。气味模型的F1得分为0.74，味觉模型为0.71，表明性能可靠。这些发现表明，与口味和嗅觉相关的大脑连通性的特定模式可以作为年轻人饮酒行为的预测指标。我们的研究强调了纵向研究的必要性，以评估早期筛查和靶向干预措施的味觉和气味相关的脑连通性模式的潜力，以及它们在具有AUD风险风险的个人的个性化治疗策略中的作用。
多发性硬化症中大脑萎缩MR定量的方法：应用于多中心Inni数据集
背景：多发性硬化症（MS）靶神经变性的当前治疗策略。然而，将萎缩量的整合到临床情况下仍然是未满足的需求。目的：比较使用意大利神经图像网络计划（INNI）数据集比较全脑和灰质（GM）萎缩测量方法的方法。研究类型：回顾性（可从Inni获得的数据）。人口：共有466例复发患者 - 汇出MS（平均年龄= 37.3 10岁，323名女性）和279个健康对照（HC；平均年龄= 38.2 13岁，164名女性）。场强/序列：3.0-T，T1加权（自旋回波和梯度回声没有胆道注射）和T2加权自旋回声扫描在基线和1年后（170 ms，48 HC）。评估：使用萎缩归一化（Siena-X/XL；版本5.0.9）的结构图像评估，统计参数映射（SPM-V12）；和JIM-V8（英国科尔切斯特市的Xinapse Systems）软件都应用于所有受试者。统计测试：在MS和HC中，我们评估了FSL-SIERA（XL），SPM-V12和JIM-V8之间的类内相关系数（ICC），用于横截面的全脑和GM组织的体积，以及对COHEN的底线的效果，并效应了DRBREAIN的尺寸，并效应了较大的尺寸。在不同的功率水平（最低= 0.7、0.05α水平）下。错误的发现率（Benjamini - Hochberg程序）进行了校正。p值<0.05在统计学上被认为是显着的。SPM-V12和JIM-V8显示横截面GM萎缩的效果最高（Cohen's结果：SPM-V12和JIM-V8显示出与横截面全脑的显着一致性（HC的ICC = 0.93，MS的ICC = 0.84）和GM体积（HC和ICC = 0.66（HC和ICC = 0.90）和GM Attripal（ICC = 0.35）（ICC = 0.35），ICC = 0.35 = 0.35 = 0.35 = 0.35和ICC = 0.35和ICC =0。在Siena-X/XL和SPM-V12（分别为P = 0.19和P = 0.29）和JIM-V8（分别p = 0.21和p = 0.32）的全脑和GM体积之间的比较中发现了一致。
创业与零工经济：来自美国纳税申报单的证据 ∗
† 卡内基梅隆大学。电子邮件：denesm@andrew.cmu.edu。‡ 伊利诺伊大学香槟分校。电子邮件：lagaras2@illinois.edu。§ 圣路易斯华盛顿大学、CEPR、ECGI 和 NBER。电子邮件：tsoutsoura@wustl.edu。 * 我们感谢 Paul Beaumont、Greg Buchak、Tony Cookson、Mike Ewens、Slava Fos、Yael Hochberg、Johan Hombert、Edith Hotchkiss、Katrin Hussinger、Emilie Jackson、Ankit Kalda、William Kerr、Cameron LaPoint、Tong Liu、David Robinson、David Sovich、Rick Townsend、Melanie Wallskog、Sheng-Jun Xu、Ting Xu 和 Hanyi (Livia) Yi，以及 CEPR Endless Summer、CMU-Pitt-Penn State、Corporate Finance Day、Craig Holden Memorial Finance、ECB-CEPR Labour Market、FIRS、FOM、FSU SunTrust Beach、Labor and Finance Group、LBS Summer Finance、MFA、Munich Summer Institute、NBER Entrepreneurship、NFA、Northeastern University、RCFS Winter、Red Rock 和 WFA 的会议参与者，以及希腊银行、波士顿学院、德雷塞尔大学、佐治亚大学的研讨会参与者理工学院、北卡罗来纳州立大学、伊利诺伊大学厄巴纳-香槟分校、马里兰大学、密歇根大学、俄勒冈大学、牛津大学、罗彻斯特大学和美国财政部提出的有益评论。我们非常感谢安妮 E. 凯西基金会、布洛克技术与社会中心、尤因马里恩考夫曼基金会和 WE 厄普约翰就业研究所提供的资金支持。这项研究是通过美国国税局收入统计司的联合统计研究计划进行的。Terry Cheng、Caitlin Hartley、Casey Li、Maxwell Sacher、Jacob Triplett 和 Collin Zoeller 提供了出色的研究协助。我们感谢美国国税局的许多人士对我们研究的协助和支持，包括 Anne Herlache、Alicia Miller 和 Tomas Wind。本文中表达的观点和意见仅反映作者的观点和意见，并不一定反映美国国税局的观点或官方立场。所有结果均已审查，以确保没有泄露任何机密信息。
儿科脑电图的过去、现在和未来
4) Scheffer IE、Berkovic S、Capovilla G 等。ILAE 癫痫分类：ILAE 分类和术语委员会立场文件。癫痫 2017；58：512-21。5) Gibbs FA、Gibbs EL。脑电图图集。第 1 卷：方法和对照。马萨诸塞州雷丁：Addison-Wesley，1951 年。6) Yoshida Harumi。应用等电位脑电图对小儿脑电图发育的研究。 脑电图和肌电图 1984 ; 12 : 248-60。7) Yoshinaga H, Koutroumanidis M, Kobayashi K, et al. Panayiotopoulos 综合征的脑电图偶极子特征。癫痫 2006 ; 47 : 781-7。8) Seeck M, Koessler L, Bast T, et al. IFCN 的标准化脑电图电极阵列。临床神经生理学 2017 ; 128 : 2070-7。9) Otsubo H, Sharma R, Elliott I, Holowka S, Rutka JT, Snead OC 3rd. 通过侵入性监测硬膜下电极确认患有右额中央癫痫的青少年的两个脑磁图癫痫灶。癫痫1999；40：608-13。10) Shiraishi H、Ahlfors SP、Stufflebeam SM 等。比较三种用脑磁图定位发作间期癫痫样放电的方法。J Clin Neurophysiol 2011；28：431-40。11) Kobayashi K、Akiyama T、Oka M、Endoh F、Yoshinaga H。West 综合征患者在高峰失常期间出现快速（40-150 Hz）振荡风暴。Ann Neurol 2015；77：58-67。12) Kobayashi K、Watanabe Y、Inoue T、Oka M、Yoshinaga H、Ohtsuka Y。儿童睡眠诱发的电癫痫持续状态中头皮记录的高频振荡。癫痫2010；51：2190-4。13) Cao J，Zhao Y，Shan X，等。基于脑电图记录的大脑功能和有效连接：综述。Hum Brain Mapp 2022；43：860-79。14) Willett FR，Avansino DT，Hochberg LR，Henderson JM，Shenoy KV。通过手写实现高性能的脑到文本通信。Nature 2021；593：249-54。15) Jing J，Sun H，Kim JA，等。脑电图解释过程中癫痫样放电专家级自动检测的开发。JAMA Neurol 2020；77：103-8。16) Kobayashi K，Shibata T，Tsuchiya H， Akiyama K. 基于人工智能的儿科头皮脑电图癫痫放电检测：一项初步研究。Acta Med Okayama 2022；76：617-24。17）Scheffer LK、Xu CS、Januszewski M 等。成年果蝇中枢脑的连接组和分析。Elife 2020；9：e57443。18）Cutsuridis V、Cobb S、Graham BP。海马 CA1 微电路模型中的编码和检索。海马 2010；20：423-46。19）Kobayashi K、Akiyama T、Ohmori I、Yoshinaga H、Gotman J。动作电位导致用远离神经元的电极记录的癫痫高频振荡。临床神经生理学2015；126：873-81。
2023年脑机接口领域发展态势 - 生命科学
国科学技术出版社 , 2019 [2] Farwell LA, Donchin E. Talking off the top of your head: toward a mental prosthesis using event-related brain potentials. Electroencephalogr Clin Neurophysiol, 1988, 70: 510-23 [3] Neuper C, Pfurtscheller G. 134 ERD/ERS based brain computer interface (BCI): effects of motor imagery on senseimotor rhythms. Int J Psychophysiol, 1998, 1: 53-4 [4] McMillan GR, Calhoun G, Middendorf MS, et al. Direct brain interface utilize self-regulation of stable-state visual evoked response (SSVER)[C]. Vancouver: Proc RESNA Ann Conf, 1995 [5] Collinger JL, Wodlinger B, Downey JE, et al. Direct brain interface utilize self-regulation of stable-state visual evoked response (SSVER)[C]. Vancouver: Proc RESNA Ann Conf, 1995 [6] Collinger JL, Wodlinger B, Downey JE, et al.四肢瘫痪患者的高性能神经假体控制。柳叶刀，2013，381:557-64 [6] Ramos-Murguialday A、Broetz D、Rea M 等人。脑机接口在慢性中风康复中的应用：一项对照研究。Ann Neurol，2013，74:100-8 [7] Minev IR、Musienko P、Hirsch A 等人。生物材料。用于长期多模态神经接口的电子硬脑膜。科学，2015，347:159-63 [8] Musk E、Neuralink。一个拥有数千个通道的集成脑机接口平台。J Med Internet Res，2019，21:e16194 [9] Flesher SN、Downey JE、Weiss JM 等人。唤起触觉的脑机接口可改善机械臂控制。Science，2021，372：831-6 [10] Liu D，Xu X，Li D 等。利用局部视觉运动反应进行颅内脑机接口拼写。Neuroimage，2022，258：119363 [11] Willett FR、Avansino DT、Hochberg LR 等。通过手写实现高性能脑机文本通信。Nature，2021，593：249-54 [12] BRAIN 2025：科学愿景[EB/OL]。[2023-12-08]。http://www.braininitiative.nih.gov/pdf/BRAIN2025_508C.pdf [13] 澳大利亚大脑联盟[EB/OL]。[2023-12-06]。 https://ans.org.au/resources/issues/about-the-australian- brain-alliance [14] 解码和控制大脑信息[EB/OL]。[2023-12-06]。https://www.jst.go.jp/presto/bmi/research_ area_E.html [15] IKEGAYA 脑-AI 混合[EB/OL]。[2023-12-06]。https://www.jst.go.jp/erato/en/research_area/ongoing/jpmjer1801.html [16] Jeong SJ, Lee IY, Jun BO, et al. Korea Brain Initiative: emerging issues and Institutionalization of neuroethics.神经元, 2019, 101: 390-3 [17]科技部关于发布科技创新2030——“脑科学与类脑研究”重大项目2021年度项目申报指南的通知[EB/OL]. (2021-09-16)[2023-04-26]。 https://service.most.gov.cn/kjjh_tztg_all/20210916/4583.html [18]北京市人民政府办公厅关于印发《北京市促进未来产业创新发展实施方案》的通知[EB/OL]。 （2023-09-08）。 [2023-12-08]。 https://www.beijing.gov.cn/zhengce/ zhengcefagui/202309/t20230908_3255227.html [19] Brückerhoff-Plückelmann F，Bente I，Becker M，等。
数据集大小和长期基于 ECoG 的 BCI 使用对深度学习解码器性能的影响
通过思维与效应器进行交互，可以使这些患者在日常生活中恢复一定的自主权。例如，基于运动想象的 BCI 已被用于控制脊髓损伤后截瘫或四肢瘫痪患者的上肢（ Hochberg 等人， 2012 年； Collinger 等人， 2013 年； Wodlinger 等人， 2014 年； Edelman 等人， 2019 年）、下肢（ López-Larraz 等人， 2016 年； He 等人， 2018 年）和四肢（ Benabid 等人， 2019 年）的假肢或外骨骼。在本研究中，我们重点研究基于皮层脑电图 (ECoG) 的运动 BCI，这是一种很有前途的工具，与更具侵入性的方法相比，它可以实现神经假体控制的连续 3D 手部轨迹解码，同时降低植入风险 ( Volkova 等人，2019)。BCI 记录神经元活动并将其解码为效应器的控制命令。解码器通常以监督的方式使用机器学习算法进行训练。在绝大多数研究中，由于对记录的访问有限，训练数据集受到严格限制。同时，数据集大小是机器学习分析中的一个重要因素，会极大地影响整个系统的性能。与最近的计算机视觉和自然语言处理研究（Kaplan 等人，2020 年；Rosenfeld 等人，2020 年；Hoiem 等人，2021 年）相比，对于 BCI，很少研究训练数据的最佳数量，即解码器性能在给定应用中达到稳定状态的数量（Perdikis and Millan，2020 年）。尤其是学习曲线，它提供了对模型性能和训练集大小之间关系的洞察，但却很少被提出。学习曲线可用于模型选择、减少模型训练的计算量或估计向训练数据集添加更多数据的理论影响（Viering and Loog，2021 年）。考虑到人类记录的数据集的访问权限有限，最后一点在 BCI 中尤为重要。如果不知道系统性能和数据集大小之间的关系，就很难确定提高解码器准确性的策略：增加训练数据量还是增加模型容量。对于基于 ECoG 的运动 BCI，大多数模型的容量有限。所使用的解码器是卡尔曼滤波器（Pistohl 等人，2012 年；Silversmith 等人，2020 年）并且大多是线性模型的变体（Flamary 和 Rakotomamonjy，2012 年；Liang 和 Bougrain，2012 年；Nakanishi 等人，2013 年、2017 年；Chen 等人，2014 年；Bundy 等人，2016 年；Eliseyev 等人，2017 年）。在大多数这些研究中，解码器优化都是在包含几分钟或几十分钟信号的数据库上进行的。这会产生可用的模型，但并未提供有关可以通过更多数据实现的性能提升的任何信息，也没有比较多个解码器之间的数据量/性能关系。在 BCI 中，模型特征和学习曲线并不是影响解码器性能的唯一因素。人类生成独特脑信号模式的能力对于 BCI 系统至关重要。近年来的研究主要集中在开发越来越高效的解码器上，例如深度学习 (DL)（Bashivan 等人，2015 年；Elango 等人，2017 年；Schirrmeister 等人，2017 年；Du 等人，2018 年；Lawhern 等人，2018 年；Pan 等人，2018 年；Xie 等人，2018 年；Zhang 等人，2019 年；Rashid 等人，2020 年；´ Sliwowski 等人，2022 年），而不是耐心学习或共同适应（Wolpaw 等人，2002 年；Millan，2004 年），尽管一些研究表明