XiaoMi-AI文件搜索系统
World File Search SystemMVPA
可解释的MEG的多阶级解码
磁脑电图（MEG）和脑电图（EEG）数据的多变量模式分析（MVPA）是了解大脑如何代表和区分不同刺激的宝贵工具。识别刺激的时空特征通常是这些分析的关键输出。此类分析主要使用线性，成对的滑动窗口解码模型进行。这些允许相对易于解释，例如通过估计解码准确性的时间课，但解码性能有限。另一方面，通常用于大脑计算机接口（BCI）应用程序的完整时期多类解码模型可以提供更好的解码性能。然而，此类模型的解释方法已经设计了较少的类别。在本文中，我们提出了一种将多类，完整的时期解码模型与监督维度降低相结合的方法，同时仍然能够使用置换功能重要性来揭示时空和光谱特征的贡献。至关重要的是，我们引入了一种进行监督维度降低的方法，以优化分类任务的神经网络中的输入特征，从而实质上改善了性能。我们使用图像演示文稿在3个不同的多类任务-MEG数据集上演示了该方法。我们的结果表明，该方法始终达到比滑动窗口解码器的峰精度更高的精度，同时估计MEG信号中相关的时空特征。
基于 2 型模糊逻辑的可解释人工智能...
摘要 — 发展认知神经科学研究面临的挑战不仅与其人群（可能不太愿意合作的婴儿和儿童）有关，还与能够非侵入性记录大脑活动的神经成像技术选择有限有关。例如，磁共振成像 (MRI) 研究不适合发展认知研究，因为它们要求参与者在嘈杂的环境中长时间保持静止。在这方面，功能性近红外光谱 (fNIRS) 是一种快速出现的事实上的神经成像标准，用于记录婴儿的大脑活动。然而，缺乏相关的解剖图像和用于 fNIRS 数据分析的标准技术框架仍然是深入了解大脑发育工作原理的重大障碍。为此，本研究提出了一种可解释人工智能 (XAI) 系统，用于婴儿 fNIRS 数据，使用由遗传算法 (GA) 2 型模糊逻辑系统 (FLS) 驱动的多变量模式分析 (MVPA) 对不同刺激引起的婴儿大脑活动进行分类。这项工作有助于为透明的 fNIRS 数据分析奠定基础，该分析有可能使研究人员能够将分类结果映射到相应的大脑活动模式，这对于理解人类大脑发育如何发挥作用至关重要。索引术语 — 可解释人工智能、2 型模糊系统、遗传算法、多变量模式分析、发展认知神经科学
比较脑成像揭示了人类和狗的类似和不同的物种和面部敏感性
在社会感知中的同种偏见对于多种感觉方式和许多物种来说都是显而易见的。还有一个专门的神经网络用于灵长类动物的面部处理。然而，在视觉社会处理中，神经物种敏感性和面部灵敏度的进化起源和相对作用在很大程度上是未知的。在这项比较研究中，使用对狗（n = 20; 45％女性）和人类（n = 30; 50％女性）的功能磁共振检查，检查了对相同视觉刺激的物种敏感性和对相同视觉刺激的敏感性（人脸和狗面和枕骨的敏感性）。在狗中，双侧上丙基节的回和表现出偏见，没有区域表现出偏爱，并且大多数视觉响应的皮层比面部偏爱更大。在人类中，同种推荐区域（右杏仁核/海马和后颞上沟）也显示出面部偏爱，并且许多视觉响应的皮层表现出比偏好更大的面部偏爱。多元模式分析（MVPA）鉴定了这两个物种的物种敏感区域，但仅在人类中进行面向现场区域。各个物种的表示相似性分析（RSA）揭示了与其他对比相比，狗和人类反应模式之间的对应关系更强，以区分异种面孔。结果揭示了狗和人类的同性恋处理过程中的类比，但表明，面部感知的皮质专业化可能不会在整个哺乳动物中无处不在。
动态大脑相互作用的网络建模预测支持人类认知行为的神经信息的出现
摘要 认知任务行为如何通过大脑网络交互产生是神经科学的一个核心问题。回答这个问题需要开发新颖的分析工具，这些工具首先可以高空间和时间精度捕获任务信息的神经特征（“何时何地”），然后允许对将信息与行为联系起来的大脑功能的替代网络模型进行实证测试（“如何”）。我们概述了一种适合此目的的新型网络建模方法，该方法适用于人类的非侵入性功能性神经成像数据。我们首先通过将 MRI 个体化源脑电图与多元模式分析相结合，动态解码人脑中任务信息的时空特征。然后，一种新开发的网络建模方法——动态活动流建模——模拟了任务引起的活动在更具因果解释（相对于标准功能连接方法）的静息态功能连接（动态、滞后、直接和定向）上的流动。我们通过应用此建模方法阐明大脑感觉运动信息流背后的网络过程，揭示行为背后的经验反应信息动态的准确预测，证明了此建模方法的实用性。将模型扩展到模拟网络病变表明认知控制网络 (CCN) 是反应信息流的主要驱动因素，从早期背侧注意网络主导的感觉到反应转换过渡到后期反应选择过程中的协作 CCN 参与。这些结果证明了动态活动流建模方法在识别神经认知现象背后的生成网络过程方面的实用性。关键词：信息、解码、MVPA、功能连接、EEG、源建模
分级监督
认知神经科学的研究越来越多地使用了机器学习算法和多变量模式分析（MVPA）来对脑行为关系进行建模。这些算法通常属于两种主要类型：无监督或监督。在认知神经科学中，大多数研究都认为大脑状态以线性，一对一的方式映射到行为。如果存在此类映射，则无监督和监督的方法应导致结论。但是，当映射更为复杂时，结论差异。不幸的是，脑行为关系的基础真理很少（即使有的话）事先知道，因此，当科学家使用由一组可能没有合理性的假设引导的模型方法时，可能得出了不正确的结论。在本文中，我们引入了可能的解决方案。我们将无监督和歧视性的监督模型与模型比较策略相结合，并将这种方法应用于已知的地面真相脑行为关系的模拟数据。组合的建模方法学习了一个潜在空间，该空间模拟了模拟大脑状态的分布（类似于无监督的方法）。同时，潜在空间包含可用于预测行为的信息，从而有助于脑行为特征（类似于监督方法）。我们使用四个模拟数据集，这些数据集在脑行为关系的线性和均匀性上有所不同，以比较每个模拟数据集沿连续体的建模结果，从完全不受监督到完全监督。更重要的是，我们检查了由于在建模过程中应用于数据集的错误假设而导致的潜在空间发生了什么。我们进一步展示了我们的框架如何以一种完全无监督的v。完全监督的方法对各种大脑行为的关系进行建模，这不是通过比较每个模拟数据集的建模结果，从完全无监督到完全监督的连续性。
格兰特·费尔柴尔德
grant.t.fairchild@gmail.com • 630-740-3874 • 邮寄地址 296, 1664 N. Virginia St., Reno, NV 89557 教育 内华达大学里诺分校 2017 年秋季 - 至今 神经科学博士（计划于 2024 年夏季获得） 神经科学硕士（2021 年秋季） GPA：4.000（4.0 分制） GRE 成绩（口语/定量）：170/168（2015 年 7 月 7 日参加考试） 阿拉巴马大学；荣誉学院 2011 年秋季 - 2015 年春季 生物学理学学士，优异成绩 哲学文学学士（辅修计算机科学），优异成绩 GPA（总体/生物学专业/哲学专业）：3.800/3.978/4.198（4.0 分制） 研究经历 研究生 杰奎琳·斯诺博士实验室的研究助理 2017 年夏季 - 至今 --负责国际合作，使用 fMRI 比较真实物体与图像的皮质形状处理 --负责眼动追踪项目，研究针对真实可抓握工具与工具的 3-D 和 2-D 图像的注视模式的差异 --负责项目比较对真实物体和图像的 EEG 反应，在参与者和刺激物之间有或没有透明的防抓握屏障 --负责 fMRI 项目，使用体素建模比较真实物体与印刷照片的特征表示 --负责项目比较对真实物体与参与者在可触及范围内和范围外呈现的图片的 fMRI 反应 -负责 fMRI 项目，比较以真实物体与图像呈现的刺激的记忆和记忆表征 -部分负责使用 EEG 比较大脑对以真实的、可抓取的物体、印刷的照片或增强现实、3D、虚拟物体呈现的刺激的反应的项目 博士实验室的本科研究助理。 Guy 和 Kim Caldwell 2011 年夏季 - 2015 年春季 - 本科期间全部 8 个学期进行研究，包括 2011、2012、2013 和 2014 年夏季全日制研究 - 研究模型生物秀丽隐杆线虫中神经突分支的增殖，最初在高年级本科生导师的指导下，随后独立研究 - 负责研究 microRNA 对模型生物秀丽隐杆线虫神经变性影响的项目 - 2013 年至 2015 年实验室网站的网站管理员 核心竞争力 认知神经科学：fMRI、EEG、心理物理学、眼动追踪 编程：Python、MATLAB、R、C ++、Fortran、HTML、MySQL 数据分析：SPSS、多维尺度、判别函数分析、MANOVA、体素建模、MVPA、表征相似性分析 (RSA)、PCA、k 均值、基本统计技术和其他统计和计算技术机器学习：神经网络、决策树、k-近邻、增强、CNN、支持向量机、深度学习