XiaoMi-AI文件搜索系统
World File Search SystemMicrostate
脑电图地形特征可用于评估腹腔镜手术训练期间的技能水平
目的：本研究的目的是根据脑电图 (EEG) 评估专家外科医生和新手住院医师之间的大脑活动差异。第一个子目标是评估 Microstate EEGlab 工具箱和 BCIlab 工具箱，用于数据分析和对基于微状态的公共空间模式 (CSP) 分析的地形特征进行分类。然后，第二个子目标是将基于微状态的 CSP 与传统的正则化 CSP 方法进行比较。方法：经 IRB 批准后，在布法罗大学招募了 10 名专家外科医生和 13 名新手住院医师。知情同意后，受试者进行了三次腹腔镜缝合和打结试验，任务试验之间有休息时间。在任务执行期间进行了 32 通道 EEG，用于分析 8 名专家外科医生（2 名因数据质量原因退出）和 13 名新手住院医师的大脑活动空间模式。在 CSP 分析之前，微状态分析被用作预处理以提高信噪比，从而区分专家外科医生和新手住院医生的大脑活动。结果：基于微状态的 CSP 分析根据头皮上的最大空间模式向量确定了重要通道。虽然新手主要涉及额叶皮层以获得头皮上的最大空间模式向量，但专家的空间模式向量热点在额叶和顶叶皮层上。使用基于微状态的 CSP，具有 10 倍交叉验证的简单线性判别分析实现了 90% 以上的分类准确率，而传统的正则化 CSP 可以达到 80% 左右的分类准确率。结论和讨论：基于微状态的 CSP 分析可以确定一组最佳通道，以评估专家外科医生和新手住院医生之间的大脑活动差异。未来的研究可以应用基于微状态的大脑行为时间动态监测，以实现个性化的自适应 VR 训练范式。
附录C：熵
“熵”是一种在科学和数学多个领域中用于量化对复杂系统缺乏知识的概念。在物理学中，其最常见的形式是热力学熵，它描述了大型物理系统的微观构造或“微晶格”的不确定性。在被称为信息理论的数学领域，信息熵（也称为Shannon熵在其发明家C. Shannon之后）描述了有关传输信息的内容的不确定性。20世纪理论物理学中最深刻的发展之一是E. T. Jaynes的发现，即可以根据信息理论提出统计力学。因此，基于热力学和基于信息的熵概念是相同的。有关此连接的详细信息，请参见Jaynes（1957）和Jaynes（1957a）。本附录总结了古典物理学中熵的定义，以及它与其他物理量的相关性。
新兴时空、全息、黑洞熵、复杂性和信息结构的统一理论
我们提出一个离散的信息基底作为基础层，时空结构、标准模型规范对称性、黑洞熵、全息对偶性和综合复杂性度量由此产生。我们将基底构建为具有明确定义的局部更新规则的四维晶格系统。通过使用重正化群 (RG) 分析系统，我们证明了洛伦兹不变性可以在低能量下出现。通过将基态表示为张量网络，我们将出现的大尺度几何连接到全息对偶，从而重现纠缠熵的 Ryu-Takayanagi 公式。离散视界上的组合微态计数得出贝肯斯坦-霍金黑洞熵定律。此外，我们定义了一个与综合信息理论的 Φ 一致的综合复杂性度量，将复杂性定义为底层因果结构的突发属性。特殊极限重现了已知的理论，例如圈量子引力 (LQG) 和因果集理论，强调这些框架是更基本基础的涌现现象。最后，我们讨论了哥德尔不可判定性和认识论极限，它们是复杂的涌现行为的自然结果。这项工作将涌现定位为将基础物理学的多个方面编织在一起的统一概念。
外部科学评审 2024
当前研究 我的主要研究兴趣是：量子场论、量子引力、弦理论。规范弦对偶、AdS/CFT 对应和强耦合系统。目前，我主要研究上述主题中的三个相关方面。它们是：(i) 可解动态 QFT 系统，尤其是作为其变形的各个维度的共形场论。这里的核心思想是在可解和解析范围内研究动态相及其之间的转变，否则很难获得。这些研究通常用作驱动量子系统的基准，但不仅限于此。(ii) 与此相关，至少在技术层面上，我感兴趣的是研究局部信息如何在量子（场论）系统中随时间传播以及其相关复杂性的动态。这方面相当具有现实意义，并且有望将传统的 QFT 思想与量子信息、其传播和扰乱物理学联系起来。 (iii) 我的第三个兴趣是探索黑洞的量子方面，这主要受到第 (i) 部分和第 (ii) 部分中现有和新兴文献的启发。特别是，我感兴趣的是了解如何通过适当的边界条件模拟黑洞的预期量子特性。这主要受到弦理论中对应于黑洞的候选微观状态几何的启发，但同时，我们的方法与系统的 UV 完成无关。
使用时间卷积网络的动态功能连通性分析，用于注意力缺陷/多动症疾病识别
活动）（美国精神病学协会等，2013）。估计，多动症影响大约7.2％的全球人（Thomas等，2015）。当前对ADHD的诊断主要依赖于行为评估和临床措施来量化该疾病的严重程度（Sayal等，2018; Chan等，2023），这是由于其病理机制和临床症状的复杂性而成为一项艰巨的任务（USAMI，2016年）。因此，高度可取的任何计算机辅助诊断方法的出现，该方法支持一种客观和定量方法以自动识别ADHD。静止状态功能磁共振成像（RS-FMRI）是一种非侵入性神经影像学技术，在休息时测量了血氧水平依赖性（BOLD）信号的自发性波动，已广泛用于研究人类的脑功能（Lee等人，2013; cortese et; cortese et and an e an e an e an e an e an。Functional connectivity (FC) derived from rs-fMRI is able to characterize brain function abnormality and thus has been widely used for diagnosis of psychiatric diseases, such as schizophrenia, autism spectrum disorders (ASD), and attention deficit/hyperactivity disorders (ADHD) ( Du et al., 2018 ; Wang et al., 2019c ; Canario et al., 2021 ）。在fMRI分析的领域中，通常假定大脑FC在整个扫描过程（通常几分钟）中是固定的。实际上，越来越多的证据表明，FCS在短时间内发生了很大变化（Zhang等，2016; Jie等，2018; Ding等，2022; Huang等，2023），并且静态FC分析不能充分地感知这些动态的这些动态变化。滑动窗口方法是量化动态FC（DFC）的常用技术。根据此方法，从每个主题中提取的粗体时间序列首先使用固定大小的滑动窗口将每个主题分配为多个重叠或非重叠段，然后将基于每个段的FC网络构建以进行后续分析。基于滑动窗口的DFC分析的现有方法可以大致分为两类：（1）传统的机器学习方法和（2）深度学习方法。In the first category, low-level measures (i.e., clustering coefficients) of FCs are first extracted as new representations of the data, and then the corresponding classifier (i.e., support vector machine, SVM) is trained for final prediction ( Wee et al., 2016 ; Jie et al., 2018 ; Wang et al., 2021 ).例如，Wee等人。（2016）提议使用融合的多组套索算法同时生成这些子细分市场的DFC网络。然后，从每个生成的FC网络计算聚类系数。最后，所有这些段的串联系数都用于训练SVM分类器进行疾病诊断。Jie等。 （2018）第一个从每个段构建了动态FC，然后从这些FC中提取时间和空间变化作为特征。 最后，使用多种正规化多任务特征学习和多内核学习技术来整合这些特征以进行疾病预测。 Luo等。 但是，基于传统的现有方法Jie等。（2018）第一个从每个段构建了动态FC，然后从这些FC中提取时间和空间变化作为特征。最后，使用多种正规化多任务特征学习和多内核学习技术来整合这些特征以进行疾病预测。Luo等。但是，基于传统（2023）提议计算时间微晶格动力学和光谱功率特征，以分析ADHD和正常对照（NCS）及其亚型之间的组差异。这些研究表明，考虑动态特性有助于改善疾病诊断的性能，而发现的FC的变化可能是将患者与正常对照区分开的潜在生物标志物。
蒙特卡洛模拟预测了智商高和低智商的个体中不同的实际脑电图模式
Monte Carlo simulations predict distinct real EEG patterns in individuals with high and low IQs Arturo Tozzi (corresponding author) Center for Nonlinear Science, Department of Physics, University of North Texas, Denton, Texas, USA 1155 Union Circle, #311427 Denton, TX 76203-5017 USA tozziarturo@libero.it ABSTRACT The neural mechanisms underlying individual differences in intelligence are神经科学的主要重点。我们研究了蒙特卡洛模拟在预测实际脑电图模式和识别智力高和低智力个人之间潜在的神经差异方面的有效性。EEG数据是从IQ分类的两组志愿者中收集的，即高IQ组和一个低IQ组。使用最大似然估计将单变量的正态分布拟合到每个EEG通道，然后根据估计参数生成合成数据集。统计分析在内，包括均方根误差（RMSE）计算评估了真实数据和模拟数据之间的比对。我们表明，蒙特卡洛模拟有效地复制了来自两个组的脑电图数据的统计特性，与实际的中心趋势，可变性和整体分布形状非常匹配。特定的脑电图通道，尤其是在额叶和颞两侧区域，两组之间表现出显着差异，指出了潜在的认知能力神经标记。此外，低IQ组表现出更高的可预测性和更一致的神经模式，这反映出较低的RMSE值和几个EEG通道之间的较小标准偏差。lu等。相反，高IQ组显示出更大的可变性和更大的RMSE值，反映了复杂的神经动力学，而复杂的神经动力学通过Monte Carlo Simulations不太可预测。我们的发现强调了蒙特卡洛模拟作为复制脑电图模式，识别认知差异并预测与智能水平相关的脑电图活动的强大工具的实用性。这些见解可以为有针对性认知增强的预测建模，神经认知研究，教育策略和临床干预提供信息。关键字：统计分析；奇怪的任务；合成数据集；脑电图通道。引言探索智力智能的神经机制一直是认知神经科学研究的主要重点。脑电图（EEG）提供了评估认知能力差异的独特见解，包括不同智能水平的个人之间的区别（Friedman等，2019）。具有高度分辨率，非侵入性脑电图评估了同步，复杂性和网络效率之间的相互作用（Van Dellen等，2015）。例如，较高的智商与减少的长距离脑电图信息流和增强的局部处理效率相关联，支持小世界模型（Thatcher等，2016）。额外区域的短脑段延误和增加的连贯性与较高的智力相关，强调了额叶同步的作用（Thatcher等，2005）。Microstate动力学的变化与液体智能及其在认知训练后的增强有关（Santarnecchi等，2017）。静止状态的脑电图研究进一步探索了与智能相关的差异，报告了更聪明的个体中alpha和beta频段中静态间的平衡（Jahidin等，2013）。此外，已经证明，智商与脑电图的能量有负相关，但与特定频率下的信息流强度呈正相关，这强调了效率在神经通信中的作用（Luo等，2021）。（2022）发现，流体智能较高的人会更灵活地分配注意力资源，尤其是在复杂的任务中，如Theta和Alpha EEG活动所反映的那样。在一起，这些发现强调了脑电图在评估智力机制中的实用性，从而揭示了神经效率，半球间协调和适应性资源分配的一致模式。相反，由于脑电图数据的固有可变性，高维度和对噪声的敏感性，对脑电图数据的分析提出了重大挑战（Hassani等，2015）。要应对这些挑战并增强我们建模和预测脑电图模式的能力，需要先进的统计和计算方法。蒙特卡洛模拟已在各种科学学科中广泛使用，为受可变性和不确定性影响的复杂系统建模提供了强大的框架（Metropolis和Ulam，1949； Rubinstein and Kroese，2016）。通过利用从观察到的数据得出的统计特性，蒙特卡洛模拟产生了可能反映现实世界行为的合成数据集（Salvadori等，2024； Jones and Fleming，2024）。一种蒙特卡洛方法可能特别适合脑电图数据，因为它允许研究人员探索和复制神经动力学，而无需大量的实验数据收集。蒙特卡洛方法已应用于神经科学中以模拟和分析