XiaoMi-AI文件搜索系统
World File Search SystemRecording
利用可吸收生物支架上制作的柔性有机电化学晶体管进行心电图记录
A. Campana、T. Cramer 博士、F. Biscarini 教授 国家研究委员会，纳米结构材料研究所 (CNR- ISMN) Via P. Gobetti 101 40129 博洛尼亚，意大利 t.cramer@bo.ismn.cnr.it A. Campana Alma Mater Studiorum-博洛尼亚大学，化学系“G. Ciamician” Via F. Selmi 2 40127 博洛尼亚，意大利 DT Simon 博士，M. Berggren 教授 林雪平大学科学技术系 SE-601 74 诺尔雪平，瑞典 F. Biscarini 教授 摩德纳和雷焦艾米利亚大学生命科学系 Via Campi 183 41125 摩德纳，意大利 fabio.biscarini@unimore.it
用于慢性自由啮齿动物生物电位记录的电准静态动物体通信
持续多通道监测生物电信号对于了解整个身体至关重要，有助于在神经研究中建立准确的模型和预测。目前最先进的无线生物电记录技术依赖于辐射电磁 (EM) 场。在这种传输中，由于 EM 场辐射范围很广，因此只能接收到一小部分能量，从而导致系统有损、效率低下。使用身体作为通信介质（类似于“电线”）可以将能量限制在体内，从而比辐射 EM 通信的损耗低几个数量级。在这项工作中，我们引入了动物身体通信 (ABC)，它将使用身体作为介质的概念应用于慢性动物生物电记录领域。这项工作首次开发了动物身体通信电路和通道损耗的理论和模型。利用该理论模型，使用现成的组件构建了一个亚英寸 3 的定制传感器节点，该节点能够通过大鼠的身体感应和传输生物电位信号，与传统无线传输相比，其功率明显较低。体内实验分析证明，与传统无线通信方式相比，ABC 成功地通过身体传输了采集的心电图 (EKG) 信号，相关精度 >99%，功耗降低了 50 倍。
与 CMOS 芯片集成的大规模并行微线阵列用于神经记录
对大脑神经活动进行多通道电记录是一种越来越有效的方法，它揭示了神经通信、计算和假肢的新方面。然而，虽然传统电子产品中平面硅基 CMOS 器件的规模迅速扩大，但神经接口器件却未能跟上步伐。在这里，我们提出了一种将硅基芯片与三维微线阵列连接起来的新策略，为快速发展的电子产品和高密度神经接口提供连接。该系统由一束微线组成，这些微线与大规模微电极阵列（如相机芯片）配对。该系统具有出色的记录性能，通过在清醒运动小鼠的孤立视网膜和运动皮层或纹状体中进行的单个单元和局部场电位记录得到了证明。模块化设计使各种类型和尺寸的微线能够与不同类型的像素阵列集成，将商业多路复用、数字化和数据采集硬件的快速发展与三维神经接口连接在一起。
用于记录人脑的灵活、可扩展、高通道数立体电极
在过去十年中，立体定向放置电极已经成为针对多种神经和精神疾病进行深部脑记录和刺激的黄金标准。然而，目前的电极在空间分辨率和记录小群体神经元（更不用说单个神经元）的能力方面有限。在这里，我们报告了一种创新的、可定制的、单片集成的人体级灵活深度电极，它能够记录多达 128 个通道，并能够记录脑组织 10 厘米深度。这种薄的、探针引导的深度电极能够记录局部场电位和单个神经元活动（动作电位），并已在不同物种中得到验证。该设备代表了制造和设计方法的进步，扩展了临床神经病学主流技术的功能。
深度学习方法用于跨体系结构和记录方式∗
直接来自神经信号的解码行为，感知或认知状态对于脑部计算机界面研究和系统神经科学的导入工具至关重要。在过去的十年中，深度学习已成为许多机器学习任务的最新方法，从语音识别到图像。深层网络在其他领域的成功导致了神经科学中的新应用。在本文中，我们回顾了神经解码的深度学习方法。我们描述了用于从峰值到fMRI的神经记录方式中提取有用特征的架构。此外，我们还介绍了如何利用深度学习来预测包括运动，言语和视觉的共同产量，重点是如何将预告片的深网纳入诸如声音或图像之类的复杂解码目标的先验。深度学习已被证明是提高各种任务中神经解码的准确性和灵活性的有用工具，我们指出了未来科学发展的领域。
高通道计数的记录策略，密度间隔的微电极阵列
神经科学研究如何在细胞外水平上实施复杂的大脑功能需要体内神经记录界面，包括微电极和读出电路，并且可观察力和空间分辨率增加。神经记录接口的趋势用于采用高通道计数探针或具有密集间隔记录位点的2D微电极阵列，用于记录大型神经元种群，因此很难节省资源。模拟前端的低噪声，低功率要求的规范通常需要大型硅职业，这使问题更具挑战性。减轻该消费区负担的一种常见方法依赖于时间划分多路复用技术，在该技术中，在频道之间部分或完全共享读出的电子设备，同时保留录音的空间和时间分辨率。在这种方法中，共享元素必须在每个通道较短的时间段上操作，因此，在较大的操作频率和信号带宽方面，活动区域被交易。因此，功耗仅受到轻微影响，尽管其他性能指标（例如内噪声或串扰）可能会降低，尤其是在整个读取电路在模拟前端输入中多重的时。在本文中，我们回顾了针对时间划分的多重神经记录系统报告的不同实施替代方案，分析了它们的优势和缺点，并提出了提高性能的策略。
用于体内神经记录的印刷可拉伸液态金属电极阵列
R. Dong、Prof. S. Liu、Prof. X. Jiang 哈尔滨工业大学生命科学与技术学院 中国哈尔滨市南岗区益矿路 2 号 150001 电子邮件：shaoqinliu@hit.edu.cn； jiang@sustech.edu.cn 董荣军，杭聪，陈哲，刘晓玲，钟玲，齐建军，黄勇，蒋晓玲教授 南方科技大学生物医学工程系 中国广东省深圳市南山区学院路 1088 号 518055 王林博士，王林教授，陆英教授 中国科学院脑连接组与操控重点实验室，脑认知与脑疾病研究所 中国科学院深圳先进技术研究院 深港脑科学研究院-深圳基础研究中心 深圳 518055，中国 电子邮件：lp.wang@siat.ac.cn; luyi@siat.ac.cn
侵入式记录脑机接口技术发展的文献研究
摘要 — 脑机接口是一个庞大的科学领域，有许多竞争性设计正在使用或测试中。该项目的目标是汇编有关犹他阵列、密歇根探针、神经织网（也称为网状电子）、Neuralink 和 Stentrode 的信息，并比较每种设计的优缺点。特别令人感兴趣的是材料参数、电极数量、异物反应严重程度、热量产生、电极深度、测量动作电位的平均大小和信噪比。比较结果如下：网状电子和 Stentrode 非常有前景，因为它们完全避免了传统的异物反应和细胞死亡问题，但后者以长期使用抗凝剂的风险来换取这些。犹他阵列在所有参数方面都比任何其他研究设计存在更多问题，包括当代的密歇根探针，尽管它们都使用相同的主要材料——硅。研究发现，严格比较这两种设计的实验研究严重缺乏，一旦这些设计再次可用于进一步的医学研究，这种缺乏可能会变得更加明显。
通用的神经解码器，用于跨参与者进行转移学习和记录方式
摘要。目的：神经解码的进步使脑部计算机界面能够执行越来越复杂且与临床相关的任务。但是，这些解码器通常是针对特定参与者，天数和记录网站量身定制的，从而限制了其实际的长期使用。因此，一个基本的挑战是开发可以对汇总，多参与者数据进行稳固训练并推广到新参与者的神经解码器。方法：我们介绍了一个新的解码器HTNET，该解码器使用具有两个创新的卷积神经网络：（1）Hilbert Transform在数据驱动的频率下计算光谱功率，以及（2）将电极水平数据投射到预先确定的脑区域上的层。投影层与颅内皮质摄影（ECOG）进行了严格的应用，其中电极位置未标准化，并且在参与者之间差异很大。我们培训了HTNET，使用来自12名参与者中的11名的合并ECOG数据来解码ARM运动，并在看不见的ECOG或脑电图（EEG）参与者上测试了性能；随后对每个测试参与者进行了这些预告片的模型。主要结果：在对看不见的参与者进行测试时，HTNET的表现优于最先进的解码器，即使使用了不同的记录方式。通过对这些广泛的HTNET解码器进行研究，我们实现了最佳量身定制的解码器的性能，其中只有50个ECOG或20个EEG事件。我们还能够解释HTNET训练有素的重量，并证明其提取与生理相关的特征的能力。引人注目：通过将新参与者概括和记录方式，鲁棒处理电极放置的变化以及允许参与者使用最小数据的参与者进行调整，HTNET适用于与当前的现有状态解码的更广泛的新型新型解码应用程序相比。