XiaoMi-AI文件搜索系统
World File Search SystemMVPA
发展对婴儿的视听语音整合的皮质反应
摘要在成年人中，视听语音的整合与对单性刺激的响应相比，具有特定的更高（超源）或较低（次级）皮质反应。有证据表明，在婴儿期的视听语音感知期间，额快的净工作是活跃的，但对音频视觉整合的额叶响应的发展仍然未知。在当前的研究中，5个月大的孩子和10个月大的人观看了双峰（视听）和交替的单峰（听觉 +视觉）音节。在这种情况下，我们使用交替的单形式表示成人视为单独的音节的交替听觉和视觉音节。使用FNIRS，我们测量了在大型皮质区域的反应，包括下额叶和上等颞区。我们鉴定出与单峰条件和使用多变量模式分析（MVPA）的交替响应不同的通道，以解释对双峰（视听）（视听）的皮质反应的PAT terns和交替的单峰（听觉 +视觉）语音。结果表明，在两个年龄组中，整合都会引起与额颞皮质中超级和亚添加反应一致的皮质反应。单变量分析表明，这些响应的空间分布在5到10个月之间变得越来越多。MVPA在5个月时正确分类的响应，其键输入位于右半球的下额叶和上等颞通道中。然而，MVPA分类在10个月时并未成功，这表明在这个时代，可能对视听语音感知进行了皮质重新组织。这些结果表明，在婴儿期一致性视听语音整合的皮质反应的复杂和非毕业生发展。
已发布版本的引用/已发布版本的引用 (APA)：Peelen, MV 和 Downing, P. (2023)。用 multiva 测试认知理论
过去几十年来，人类神经成像技术的发展引发了对人类各种认知能力的研究激增，包括感知、注意力、记忆力、导航、情感、社会认知、运动控制等等。与此同时，研究人员致力于从功能的角度理解心智——支持人类行为的认知表征和过程是什么？——他们经常问，神经成像是否能为这一理解层面的理论争论提供任何有用的答案 1–6 。在过去二十年里，研究人员越来越多地采用多元模式分析 (MVPA) 方法来设计和分析人类神经成像研究。MVPA 利用在 fMRI 实验中跨体素或 MEG 或 EEG 实验中跨通道分布的大脑活动模式中发现的潜在信息（图 1 ）。研究人员声称，这些方法将提供检验认知机械论的新方法 7–10 。本评论的目的是通过回顾最近的大量研究来评估这一说法，这些研究通过提出关于参与者在执行来自不同领域的任务时出现的大脑活动模式的假设来测试认知理论。
表征相似性分析对计算神经科学模型选择和评估的评价
神经科学的一个重要目标是确定不同大脑区域代表哪些类型的信息。在研究大脑表征的一种策略中，研究人员首先记录大脑对不同刺激的反应。然后使用统计方法来评估刺激和大脑反应之间关系的强度。然后使用这些统计评估结果推断感兴趣区域中编码的表征空间。认知神经科学家可以使用许多统计技术。它们包括统计参数映射方法 [12]、多元模式分析 (MVPA) 技术 [4] 和编码模型 [16]。一种常见的 MVPA 分析类型是表征相似性分析 (RSA；[10])。RSA 之所以被广泛采用，部分原因是它计算简单。然而，迄今为止很少有研究探索 RSA 的有效性。 10 在本文中，我们使用模拟数据和真实数据来评估 RSA 作为模型评估和模型选择方法的有效性，更广泛地说，作为计算神经科学的工具。模型评估是指在刺激和反应之间存在显著关系时，检测刺激和反应之间显著关系的能力。
已发布版本的引用/已发布版本的引用 (APA)：Peelen, MV 和 Downing, P. (2023)。用 multiva 测试认知理论
过去几十年来，人类神经成像技术的发展引发了对人类各种认知能力的研究激增，包括感知、注意力、记忆力、导航、情感、社会认知、运动控制等等。与此同时，研究人员致力于从功能的角度理解心智——支持人类行为的认知表征和过程是什么？——他们经常问，神经成像是否能为这一理解层面的理论争论提供有用的答案 1–6 。在过去二十年里，研究人员越来越多地采用多元模式分析 (MVPA) 方法来设计和分析人类神经成像研究。MVPA 利用在 fMRI 实验中跨体素或 MEG 或 EEG 实验中跨通道分布的大脑活动模式中发现的潜在信息（图 1 ）。研究人员声称，这些方法将提供检验认知机械论的新方法 7–10 。本评论的目的是通过回顾最近的大量研究样本来评估这一说法，这些研究通过提出关于参与者在执行来自不同领域的任务时出现的大脑活动模式的假设来测试认知理论。
fMRI数据的解码参数grip -force预期
抽象的先前功能磁共振成像（fMRI）研究表明，前运动和顶脑区域的活性具有即将到来的抓地力强度。但是，尚不清楚如何在电动机执行之前最初表示有关预期的握力强度的信息，然后随后将其转换为电机代码。在这项fMRI研究中，我们使用多毒素模式分析（MVPA）来解码有关抓地力强度的信息以及何时在大脑中参数编码的有关抓地力强度的信息。 人类参与者执行了延迟的抓地力任务，其中在工作记忆（WM）中，必须在工作记忆（WM）中维持四个提示的握力强度之一，这是在9-S延迟到达前的电动机执行之前。 使用探照灯方法和支持向量回归的时间分辨MVPA，我们测试了哪些大脑区域显示出预期的握力强度的多元WM代码。 在早期延迟期间，我们观察到在腹侧额叶前皮层（VMPFC）中进行了高度的解码。 在晚期延迟期间，我们发现了一个动作特异性大脑区域的网络，包括双侧腔内沟（IPS），左背前皮层（L-PMD）和补充运动区域。 此外，还采用了交叉回归解码来测试早期和晚期延迟期之间激活模式的时间概括，并在提示表现和电动机执行过程中使用这些分解。 交叉回归解码表明在VMPFC中对提示周期的时间概括以及L-IPS和L-PMD中的运动执行。在这项fMRI研究中，我们使用多毒素模式分析（MVPA）来解码有关抓地力强度的信息以及何时在大脑中参数编码的有关抓地力强度的信息。人类参与者执行了延迟的抓地力任务，其中在工作记忆（WM）中，必须在工作记忆（WM）中维持四个提示的握力强度之一，这是在9-S延迟到达前的电动机执行之前。使用探照灯方法和支持向量回归的时间分辨MVPA，我们测试了哪些大脑区域显示出预期的握力强度的多元WM代码。在早期延迟期间，我们观察到在腹侧额叶前皮层（VMPFC）中进行了高度的解码。在晚期延迟期间，我们发现了一个动作特异性大脑区域的网络，包括双侧腔内沟（IPS），左背前皮层（L-PMD）和补充运动区域。此外，还采用了交叉回归解码来测试早期和晚期延迟期之间激活模式的时间概括，并在提示表现和电动机执行过程中使用这些分解。交叉回归解码表明在VMPFC中对提示周期的时间概括以及L-IPS和L-PMD中的运动执行。一起，这些发现表明，抓地力强度的WM表示会发生转换，其中VMPFC编码有关预期的握力的信息，后来在执行前将其转换为L-PIP和L-PMD中的电机代码。
用于高级 fMRI 分析的用户友好型学习材料
先进的脑成像分析方法，包括多元模式分析 (MVPA)、功能连接和功能对齐，在过去十年中已成为认知神经科学的有力工具。这些工具以自定义代码和单独的程序包实现，通常需要不同的软件和语言能力。虽然专家研究人员可以使用，但新手用户面临着陡峭的学习曲线。这些困难源于使用新的编程语言（例如 Python）、学习如何将机器学习方法应用于高维 fMRI 数据以及极少的文档和培训材料。此外，大多数标准 fMRI 分析包（例如 AFNI、FSL、SPM）侧重于预处理和单变量分析，在如何与高级工具集成方面存在空白。为了满足这些需求，我们开发了 BrainIAK (brainiak.org)，这是一个开源 Python 软件包，它将几种尖端的、计算效率高的技术与其他 Python 包（例如 Nilearn、Scikit-learn）无缝集成，用于文件处理、可视化和机器学习。为了传播这些强大的工具，我们开发了用户友好的教程（Jupyter 格式；https://brainiak.org/tutorials/），以便更广泛地学习 BrainIAK 和 Python 中的高级 fMRI 分析。这些材料涵盖的技术包括：MVPA（模式分类和表征相似性分析）；并行探照灯分析；背景连接；全相关矩阵分析；受试者间相关性；受试者间功能连接；共享响应建模；使用隐马尔可夫模型进行事件分割；以及实时 fMRI。对于长时间运行的作业或大内存需求，我们提供有关高性能计算集群的详细指导。这些笔记本已在多个站点成功测试，包括作为耶鲁大学和普林斯顿大学课程的问题集以及各种研讨会和黑客马拉松。这些材料是免费共享的，希望它们成为开源软件和教育材料池的一部分，用于大规模、可重复的 fMRI 分析和加速发现。
使用多元EEG分析解码秘密空间注意的时间动态：原始振幅和α功率的贡献
可以在不需要眼动的而无需眼睛运动的情况下将注意力定向在空间中。我们使用多元模式分类分析（MVPA）来研究是否可以从EEG Alpha Power和原始活动痕迹中解码秘密空间注意的时间过程。从这些信号中解码注意力可以帮助确定原始的EEG信号和α功率是否反映了注意选择的相同或不同特征。使用经典的提示任务，我们证明了秘密空间注意力的方向可以通过两个信号来解码。但是，原始活动和α功率可能反映出空间注意力的不同特征，而α功率与空间中秘密注意力的方向和原始活动的方向相关，而对感知过程的关注感也影响。
通过脑机协同自适应学习来控制疼痛......
图 1。实验范式。（a）fMRI 组实验环境示意图，其中岛叶 MVPA 疼痛模式用于计算自适应刺激控制算法的反馈，以了解两种电刺激器中哪一种对受试者的疼痛较小。（b）EEG 组设置说明，其中实验组有 EEG 记录和与 fMRI 组相同的指令（第 2 天自适应控制），而对照组在没有 EEG 记录或指令的情况下接受疼痛（他们只是听与疼痛无关的有声读物）。（c）两天 fMRI 组的试验结构。第 1 天记录的 fMRI 图像用于训练第 2 天使用的疼痛水平解码器，第 2 天的实时解码信息被刺激 RL 控制系统用于决定下一次试验要传递的疼痛水平。（d）两个 EEG 组使用类似的试验结构，EEG 收集和指令有所不同。（e）fMRI 组的评级试验和时间线说明。
2型糖尿病患者中焦虑和抑郁的决定因素：孟加拉国的一项基于医院的研究，在Covid-19
焦虑和抑郁是2型糖尿病（T2DM）患者的常见心理疾病，在Covid-19的大流行中，全球范围内正在振奋。这项研究旨在探索孟加拉国T2DM患者在COVID-19大流行期间与焦虑和抑郁有关的因素。使用面对面的访谈在T2DM患者中进行了一项横断面研究。焦虑和抑郁症状。的结果，包括社会人口统计学，生活方式，人体测量学以及获得常规医疗和医疗访问问题的挑战。焦虑和抑郁症状的患病率分别为29.8％和22.7％。回归分析报告说，年龄超过50岁的男性，文盲，失业或退休的城市居民，低于推荐的中度至剧烈运动水平（MVPA），低饮食多样性评分（DDS）和肥胖受访者与焦虑症的频率更高和抑郁症状相关。此外，遇到运输困难，无法承受的药物，药物短缺，被诊断为COVID-19的亲密朋友或家人的受访者分别比同行的焦虑和抑郁症状更高。我们的研究建议提供心理支持，例如家庭心理干预，并强调政策的影响，以确保大流行期间孟加拉国T2DM患者的福祉。
大脑结构的多变量模式分析预测功能结果
摘要背景：认知训练干预措施（CT）后的认知收益与精神分裂症患者（SCZ）的功能改善有关。但是，观察到很大的个体变异性。在这里，我们评估了大脑结构特征的敏感性，以在单个学科层面预测基于听觉的认知训练（ABCT）的功能响应。方法：我们使用支持向量机（SVM）建模的全脑多变量模式分析（MVPA）来识别灰质（GM）模式，这些模式（GM）模式预测了SCZ患者在单个受试者水平的ABCT 40小时后“较高”与“较低”功能。通过通过样本外跨验证分析（OOCV）应用原始模型来评估SVM模型的概括能力，以从经历了50个小时的ABCT的独立样本中看不见的SCZ患者。结果：全脑GM体积的模式分类预测，在随访时预测了“较高”与“较低”功能，其平衡精度（BAC）为69.4％（灵敏度为72.2％，特异性66.7％），通过嵌套交叉验证确定。神经解剖模型可推广到一个独立队列的BAC为62.1％（灵敏度为90.9％，特异性为33.3％）。结论：尤其是，在SCZ参与者ABCT之后，单个受试者水平的颞上回，丘脑，前扣带回和小脑的区域中的基线GM体积更大。