XiaoMi-AI文件搜索系统
World File Search SystemSensory
感觉处理敏感性和轴突微结构
摘要 先前的研究使用功能性磁共振成像确定了与感觉处理敏感性 (SPS) 相关的大脑区域，SPS 是一种拟议的正常表型特征。为了进一步验证 SPS、从解剖学上描述它的特征并测试评估轴突特性的方法在心理学中的实用性，本研究将 SPS 代理问卷分数（已根据神经质进行调整）与扩散张量成像 (DTI) 测量值相关联。研究对象为来自人类连接组计划的参与者 (n = 408)。体素分析表明，平均和径向扩散率与左右胼胝体下束和前腹侧扣带束以及胼胝体右侧小钳子中的 SPS 分数呈正相关，所有额叶皮质区域通常都与情绪、动机和认知有关。进一步分析显示，右侧和左侧腹内侧前额叶皮质的整个内侧额叶皮质区域存在相关性，包括上纵束、下额枕束、钩束和弓状束。各向异性分数与右侧运动前/运动/体感/缘上回区域白质 (WM) 的 SPS 评分呈负相关。感兴趣区域 (ROI) 分析显示，楔前叶和下额回 WM 的效应大小较小（- 0.165 至 0.148）。其他 ROI 效应存在于背侧、腹侧视觉通路和初级听觉皮质中。结果显示，在一大群参与者中，轴突微结构差异可以通过 SPS 特征来识别，这些特征很细微，并且在典型行为范围内。结果表明，患有 SPS 的人感觉处理能力增强可能受到特定皮质区域 WM 微结构的影响。尽管之前的 fMRI 研究已经确定了大部分这些区域，但 DTI 结果将焦点放在与注意力和认知灵活性、同理心、情感和初级感觉处理相关的大脑区域，如初级听觉皮层。心理特征表征可能受益于 DTI 方法，因为它可以识别对特征有影响的大脑系统。
使用神经尖峰稳健的转码感觉信息
摘要 - 神经编码，包括编码和解码，1是神经科学的关键问题之一：2大脑如何使用神经信号将感觉感知3和运动行为与神经系统联系起来。然而，其中大多数研究仅旨在处理神经系统的类比信号5，同时缺乏生物6神经元的独特特征，称为Spike，这是神经计算的基本信息7单元，以及8个脑氨基素界面的基础。针对这些局限性，我们构成了一个转码框架，将多模式感觉10信息编码为神经尖峰，然后从11个尖峰中重建刺激。可以将感官信息压缩为10％的神经峰值，但通过重建100％的信息100％。我们的框架不仅可以可行，14个准确地重建动态视觉和听觉场景，15，还可以重建功能性磁性16共振成像大脑活动的刺激模式。重要的是，它具有各种类型的人工噪声18和背景信号的噪声免疫的17种能力。所提出的框架提供了19种有效的方法来以高通量方式执行多模式特征表示和20种重建，在嘈杂的环境中，有效的神经形态计算的潜在用法21。22
肘部本体感觉替代改善上肢假肢肌电控制：健康受试者和截肢者的实验
摘要背景：目前的肌电假肢缺乏本体感受信息，依靠视觉进行控制。随着非侵入性振动触觉或电触觉反馈的出现，感觉替代技术正在不断发展，但大多数系统都是为抓握或物体辨别而设计的，很少有系统在截肢者身上进行在线控制测试。这项研究的目的是评估一种新型振动触觉反馈对健康受试者和肱骨水平上肢截肢参与者虚拟肘部肌电控制准确性的影响。方法：16 名健康参与者和 7 名肱骨截肢者在不同的反馈条件下对虚拟手臂进行肌电控制：仅视觉 (VIS)、仅振动 (VIB)、视觉加振动 (VIS + VIB) 或根本没有反馈 (NO)。通过离散和前后运动期间的角度误差来评估到达精度。使用 NASA-TLX 问卷评估健康参与者的工作量，并在实验结束时根据偏好对反馈条件进行排序。结果：NO 中的到达误差高于 VIB，表明与无反馈相比，我们的振动触觉反馈提高了性能。VIS 和 VIS + VIB 条件表现出相似的性能水平，产生的错误比 VIB 低。因此，视觉对于保持良好的性能仍然至关重要，这不会因添加振动触觉反馈而改善或恶化。与 VIB 相关的工作量高于 VIS 和 VIS + VIB，两者之间没有差异。62.5% 的健康受试者更喜欢 VIS + VIB 条件，并将 VIS 和 VIB 分别排在第二和第三位。
感觉反馈可引起神经旋转
每次你移动手臂时，运动皮层中的神经元群都会进行复杂而协调的舞蹈，从而产生运动。这种协调活动的大部分可以描述为随时间变化的“旋转模式”，这种模式通常无法在神经活动中直接看到，只能通过主成分分析等降维方法发现（图 1A；Churchland 等人，2012 年）。在许多涉及手臂伸展或伸展和抓握运动的研究中，已经在运动皮层中观察到这种旋转动力学（例如，参见 Kao 等人，2015 年；Pandarinath 等人，2015 年；Suresh 等人，2020 年；Susilaradeya 等人，2019 年；Abbaspourazad 等人，2021 年；Sani 等人，2021 年），但在辅助运动区却不存在（Lara 等人，2018 年）。一些研究已经调查了这些旋转模式如何从单个神经元活动中产生背后的数学原理（例如，Michaels 等人，2016 年；Elsayed 和 Cunningham，2017 年）。其中一些报告（Sussillo 等人，2015 年；Michaels 等人，2016 年）依赖于人工神经网络：简化的计算
案例研究：通过脑磁图绘制四肢瘫痪患者初级运动和感觉区域的诱发场
通过植入皮层或皮层下结构与大脑交互的设备对于感觉或运动功能障碍患者的恢复和康复具有巨大潜力。典型的植入手术是根据完整功能生成的大脑活动图来规划的。然而，由于目标人群的残留功能异常，以及越来越多的植入硬件与 MRI 不兼容，因此绘制大脑活动图以规划植入手术具有挑战性。在这里，我们介绍了在瘫痪患者和现有脑机接口 (BCI) 设备中绘制受损体感和运动功能的方法和结果。脑磁图 (MEG) 用于直接绘制经皮电刺激和受损手部尝试运动期间引起的神经活动。发现诱发场与预期的解剖学和躯体组织相符。这种方法可能对引导植入物在其他应用中很有价值，例如用于疼痛的皮层刺激以及改善植入物定位以帮助减小开颅尺寸。
自动感官预测
人类大脑具有惊人的能力，可以整合来自环境的感官信息流，并自动对未来事件做出预测。尽管最初是为视觉处理而开发的，但大部分预测编码研究后来都集中在听觉处理上，著名的失配负性信号可能是最受研究的意外或预测误差 (PE) 信号特征。听觉 PE 存在于各种意识状态中。有趣的是，它们的存在和特征与意识的残留水平和意识的恢复有关。在这篇综述中，我们首先概述了听觉模态中预测过程的神经基础及其与意识的关系。然后，我们关注不同的意识状态——清醒、睡眠、麻醉、昏迷、冥想和催眠——以及预测处理能够揭示大脑在这些状态下运作的奥秘。我们回顾了研究听觉预测的神经特征如何受到意识减弱或缺乏状态的调节的研究。作为未来的展望，我们提出将电生理学和计算技术结合起来，以便研究当意识消失时哪些感觉预测过程能够得以维持。
共同进化的感觉模式和传感器特性
摘要：使单一传感模态足够精确和稳健，以获得人类级别的性能和自主性可能非常昂贵或难以实现。融合来自多种传感模态的信息很有前景——例如，最近的研究表明，将视觉与触觉传感器或音频数据相结合会带来好处。基于学习的方法通过消除对手动特征工程的需求，促进了该领域的更快进步。然而，传感器属性和传感模态的选择通常仍然是手动完成的。我们的蓝天观点是，我们可以模拟/仿真具有各种属性的传感器，然后推断哪些属性和传感器组合可以产生最佳学习结果。这种观点将激励开发新型、价格合理的传感器，这些传感器可以对机器人分类器、模型和策略的性能、稳健性和训练的简易性产生显着影响。这将激励制造提供与现有信号互补的硬件。结果：我们可以显著扩展基于学习的方法的适用范围。
次级听觉皮层中巧合依赖性感觉结合的抑制门控
未经同行评审认证）是作者/资助者。保留所有权利。未经许可不得重复使用。此预印本的版权所有者（此版本于 2021 年 5 月 27 日发布。；https://doi.org/10.1101/2021.05.26.445794 doi：bioRxiv preprint
评论：感觉系统，数据处理，手动外骨骼设计上的执行器类型
摘要。触摸后的康复装置是必不可少的，因为中风攻击可能导致人体的一部分或一半。外骨骼可能是中风后患者康复的重要装置。几项研究提出了用于康复目的的外骨骼设计，以实现人类肢体疾病。这项研究旨在根据肌电或任何其他传感器回顾手部外骨骼设备的最先进。本文有望使用肌电传感器和力传感器同时设计手外骨骼设备。这是通过审查与外骨骼开发有关的几篇文章来实现的，尤其是在传感器系统，数据处理和执行器系统中。结果表明，仍然发现使用Ag电极一次性AG（AGCL）检测手指在手上的运动，因为该传感器可以减少伪影噪声。在几项研究中也发现了肌臂的使用，因为它具有无线特性，因此易于使用。在处理器方面，Arduino微控制器比其他微控制器更广泛地使用。为了激活手部外骨骼，伺服电动机被更广泛地用于启动手指关节，这比其他执行器更精确。在进一步的发展中，外骨骼系统和信息系统之间的整合将是一个预期的挑战。希望，这种外骨骼的发展可以作为康复装置应用于故障或瘫痪的患者。
感觉共济失调和小脑共济失调的临床识别
共济失调是一种外部特征，当人体的协调不良和平衡障碍时，通常表明身体某些部位的疾病。许多内部因素可能导致共济失调；目前，观察到的外部特征，结合医生的个人临床经验在诊断共济失调中起主要作用。在这种情况下，可能会感到困惑，导致治疗和康复的延迟。现代高精度医疗工具将提供更好的准确性，但经济成本是不可忽略的因素。在本文中，新型的非接触式感应技术用于检测和区分感觉共济失调和小脑共济失调。首先，Romberg的测试和步态分析数据由微波传感平台收集；然后，经过一些预处理后，已经采用了一些机器学习方法来训练模型。对于Romberg的测试，考虑了时域特征，所有三种算法的准确性都高于96％；为了进行步态检测，主成分分析（PCA）用于降低维度，背部传播（BP）神经网络，支持向量机（SVM）和随机森林（RF）的准确性分别为97.8、98.9和91.1％。