XiaoMi-AI文件搜索系统
World File Search SystemStimuli
面对面：梭状回面部区域的计算模型与有争议的面部刺激之间的对立
数百项研究已经描述了梭状回面部区域 (FFA) 的反应特性，但我们尚未揭示其表征背后的计算机制。一个方法论上的挑战是，不同的计算模型对随机抽样的面部做出的预测可能难以区分。这项 fMRI 研究采用了合成的争议性面部刺激，旨在引出六个候选神经网络模型对 FFA 中面部表征的不同预测。我们展示了对一位参与者进行四次扫描的初步数据。争议性面孔揭示了各模型在预测 FFA 表征相异矩阵 (RDM) 的能力方面存在许多显著差异，而随机抽样的面部无法实现模型之间的可靠裁决。经过逆向渲染（将面部图像映射到 3D 面部模型的潜在空间）训练的神经网络优于具有相同架构但经过识别、分类或自动编码训练的替代模型。我们的研究结果支持了这样的观点：面部识别涉及反映面部物理结构的表现形式，并证明了需要通过神经成像实验来优化有争议的刺激来裁决脑计算模型。
整合邻近刺激数据以增强基于 SSVEP 的 BCI
摘要 — 为了增强基于稳态视觉诱发电位 (SSVEP) 的脑机接口 (BCI) 的目标识别性能，已经提出了各种空间滤波器。当前的方法仅从相应刺激中提取目标相关信息来学习空间滤波器参数。然而，来自邻近刺激的 SSVEP 数据也包含目标刺激的频率信息，可用于进一步提高目标识别性能。在本文中，我们提出了一种结合来自邻近刺激的 SSVEP 来增强目标相关频率信息的新方法。首先，通过最大化对应于目标及其邻近刺激的 SSVEP 数据的协方差之和来获得空间滤波器。然后计算空间滤波模板和测试数据之间的相关特征以进行目标检测。为了进行性能评估，我们使用来自 35 名受试者的 40 类基准数据集和来自 11 名受试者的 12 个目标自收集数据集进行了离线实验。与最先进的空间滤波方法相比，所提出的方法在分类准确率和信息传输速率 (ITR) 方面表现出优势。比较结果证明了所提出的空间滤波器对于基于 SSVEP 的 BCI 中的目标识别的有效性。
眼睛的作用：利用机器学习和部分面部刺激研究面部认知机制
摘要 面部认知在社交互动中起着重要作用。研究面部认知机制的典型刺激是快速连续视觉呈现 (RSVP)。在 RSVP 任务中，当一个人识别目标图像时，会引发称为事件相关电位 (ERP) 的大脑反应。需要多次试验才能平均并获得干净的 ERP，以解释 ERP 反应背后的认知机制。然而，增加试验次数会导致疲劳并影响诱发的 ERP 幅度。本文采用了不同的视角；机器学习可能会提取有意义的认知结果，揭示面部认知机制，而无需直接关注 ERP 的特性。我们实施了 xDAWN 协方差矩阵方法来提高数据质量，并实施了支持向量机分类模型，以使用部分面部认知任务中诱发的 ERP 成分来预测参与者感兴趣的事件。我们还研究了面部成分和身体反应的影响，以探索每个成分的作用并找到减少实验期间疲劳的可能性。我们发现眼睛是最有效的成分。无论是在行为反应还是分类表现方面，完整面部和部分可见眼睛的面部都获得了类似的统计结果。从这些结果来看，眼睛成分可能是面部认知中最重要的。因此，完整面部和部分可见眼睛的面部认知机制可能存在一些相似之处，应利用 ERP 特征进一步研究。
刺激响应型临时粘合剂
Nicholas D. Blelloch 于 2016 年获得米德尔伯里学院化学学士学位。他最近（2021 年）在 Katherine A. Mirica 教授的指导下获得了达特茅斯学院化学博士学位。他的兴趣包括基础化学和材料科学交叉领域的研究以及享受新英格兰的户外探险。Hana J. Yarbrough 于 2020 年获得马里兰圣玛丽学院化学学士学位。她是达特茅斯学院二年级博士生，与 Katherine Mirica 教授一起工作。她的研究兴趣包括粘合科学、聚合物材料和材料工程。Katherine A. Mirica 是达特茅斯学院化学副教授。她于 2004 年在波士顿学院获得化学学士学位，在那里她在 Lawrence T. Scott 的实验室工作。她获得了博士学位。 2011年在哈佛大学George M. Whitesides指导下获得化学博士学位，2015年在麻省理工学院Timothy M. Swager指导下完成博士后研究。2015年在达特茅斯学院开始独立职业生涯。她目前的研究兴趣涵盖分子精准材料的结构-功能关系研究、自组装、气体传感器和粘附科学。
睡眠中非疼痛触觉刺激的研究
在整个夜间记录期间，评估 N1 和 N2 阶段 EEG 段（表示为浅睡眠，LS）的右手食指和中指触觉反应。这导致具有正偏转和负偏转的睡眠触觉波形。P50 波形的潜伏期在 64-170 毫秒之间，N100 在 90 至 242 毫秒之间，P200 在 166 至 290 毫秒之间，N300 在 258 至 388 毫秒之间，P450 出现在 440 至 560 毫秒之间，N550 在 484 至 774 毫秒之间观察到，P900 在 668 至 900 毫秒之间，N_late 在 954 至 1,292 毫秒之间。在 LS 期间对非疼痛触觉刺激的大脑反应导致以下波偏转幅度。 P50 范围为 -0.73 至 1.93 µV，N100 范围为 1.14 至 -2.17 µV，P200 范围为 -0.11 至 3.02 µV，N300 范围为 -0.96 至 -9.31 µV，P450 范围为 0.17 至 6.74 µV，N550 波形在 1.57 至 -1.03 µV 之间观察到，P900 范围为 -0.16 至 4.18 µV，最后 N_late 范围为 -0.74 至 -3.51 µV。这些值及其标准偏差以表格形式列于表 2 中。
多功能聚乙二醇化囊泡纳米颗粒载草药作为新型纳米放射增敏剂和刺激敏感纳米载体，具有协同作用
1 伊朗亚兹德沙希德萨杜吉医科大学医学院医学物理系，2 伊朗亚兹德沙希德萨杜吉医科大学辅助医学学院先进医学科学与技术系，3 伊朗亚兹德沙希德萨杜吉医科大学生殖科学研究所医学纳米技术和组织工程研究中心，4 伊朗亚兹德沙希德萨杜吉医科大学医学院免疫学系，5 伊朗亚兹德沙希德萨杜吉医科大学医学院临床生物化学系，6 伊朗德黑兰伊朗科技大学 (IUST) 先进技术学院纳米技术系，7 伊朗德黑兰 Motamed 癌症研究所乳腺癌研究中心生物材料与组织工程系，8 伊朗亚兹德沙希德萨杜吉医科大学医学院放射肿瘤学系，伊朗亚兹德 9 阿姆斯特丹牙科学术中心（ACTA）口腔细胞生物学系、阿姆斯特丹大学和阿姆斯特丹自由大学、阿姆斯特丹运动科学、阿姆斯特丹、荷兰 10 新墨西哥大学心理学系临床和转化科学中心流行病学和研究设计支持（BERD）、美国新墨西哥州阿尔伯克基
蝴蝶效应：虚拟现实中稳态视觉诱发电位刺激的新机遇
在虚拟现实 (VR) 中，稳态视觉诱发电位 (SSVEP) 可用于通过脑信号与虚拟环境进行交互。然而，SSVEP 诱发刺激的设计通常与虚拟环境不匹配，因此会破坏虚拟体验。在本文中，我们研究了不同适应性刺激设计，以融入虚拟环境。因此，我们创造了不同形状的虚拟蝴蝶。形状从矩形翅膀到圆形翅膀，再到真实蝴蝶的翅膀形状。这些蝴蝶通过不同的动画（闪烁或拍打翅膀）引发 SSVEP 反应。为了评估我们的刺激，我们首先从文献中提取了适合 SSVEP 反应的频率。在第一项研究中，我们确定了在 VR 中产生最佳检测精度的三个频率。我们在第二项研究中使用这些频率来分析使用我们的刺激设计的检测精度和外观评级。我们的工作为融入虚拟环境并仍能引发 SSVEP 反应的 SSVEP 刺激的设计提供了见解。
基于深度卷积神经网络的视觉刺激分类，使用健康和阿尔茨海默病患者的脑电图信号
摘要：视觉感知是人类生活的重要组成部分。在面部识别的背景下，它使我们能够区分情绪和区分一个人与另一个人的重要面部特征。然而，患有记忆丧失的受试者面临严重的面部处理问题。如果面部特征的感知受到记忆障碍的影响，那么就可以使用来自大脑视觉处理区域的大脑活动数据对视觉刺激进行分类。本研究通过面部的反转效应区分熟悉度和情绪方面，并使用卷积神经网络 (CNN) 模型 (EEGNet、EEGNet SSVEP (稳态视觉诱发电位) 和 DeepConvNet) 从原始脑电图 (EEG) 信号中学习判别特征。由于可用的 EEG 数据样本数量有限，引入了生成对抗网络 (GAN) 和变分自动编码器 (VAE) 来生成合成 EEG 信号。生成的数据用于预训练模型，并初始化学习到的权重以在真实 EEG 数据上训练它们。我们研究了脑信号中的细微面部特征以及深度 CNN 模型学习这些特征的能力。研究了面部倒置的影响，观察到 N170 成分具有相当长且持续的延迟。结果，根据面部姿势将情绪和熟悉刺激分为两类。直立和倒置刺激类别的混淆发生率最小。该模型学习面部倒置效应的能力再次得到证明。
人工智能的设计启发法：支持用户体验设计师产生人工智能创意的启发性设计刺激
近年来，开发支持人工智能设计的工具和辅助工具已成为热门话题。谷歌为从业者制定了人工智能指南 [26]；Amershi 等人。[3] 制定了 18 条人机交互指南；Corbett 等人。[15] 提出“交互式机器学习启发式评估”；周等人。[74] 提出了一种称为材料生命周期思维 (MLT) 的设计方法，该方法将 ML 视为具有整个生命周期的设计材料。然而，这些方法主要在开发过程的后期阶段有用。在早期概念设计阶段，缺乏支持人工智能驱动的用户体验设计的工具，从业者在理解人工智能能力和为给定的用户体验问题设想新的人工智能解决方案方面面临挑战 [72]。构思决定了设计的类型，在新颖概念的开发和商业成功中发挥着重要作用 [30]。然而，很少有研究支持从业者在概念设计阶段为人工智能领域生成新颖和多样化的概念。
通过刺激响应聚合物实现双稳态、剩磁、读/写存储器和逻辑门功能
原则上，如果状态之间的转变表现出导致双稳态的磁滞现象，则在不同状态之间切换可以读取和写入信息。响应性聚合物在其体积相变时表现出磁滞现象，例如热响应性聚合物。这是溶剂膨胀单相状态和溶剂消肿两相状态之间的转变。两种状态之间的转变在热力学上对应于铁磁材料中两种磁化状态之间的转变。对于铁磁材料，磁滞现象的特征是矫顽场强度 H c ，它是逆转磁化并从而改变磁化状态所需的，以及零场强度下的剩磁 M r。信息被编码在磁化状态中。在双稳态区域内，对于足够大的矫顽力和剩磁，它是长期稳定的。同时，体积相变信息将由溶液状态编码，并且对于足够大的矫顽力温度范围和剩磁来说，这是可能的。最近，非传统非磁性材料表现出双稳态，这在折纸结构的折叠状态 [3]、玻璃体 [4] 和主客体功能化的热响应聚合物中得到了证实。[5] 有了两个状态控制变量，逻辑运算的实现也将成为可能。近年来，逻辑门响应功能已被用于控制溶胶/凝胶转变 [6]、水凝胶降解 [7] 或纳米载体拆卸 [8]，用于药物输送应用。对于响应性材料，到目前为止，双稳态和逻辑门功能都是通过使用化学反应来实现的，例如由外部刺激驱动的不稳定连接子的断裂/形成 [7] 或主客体复合 [5]。这导致化学状态和动力学方面的双稳态，