XiaoMi-AI文件搜索系统
World File Search SystemStimuli
类别偏见的神经表征在学习过程中自发形成，强调对特定实例的记忆
类别学习，即学习将一组刺激物分类或分组，会在感知中引起类别偏见，使得同一类别中的物品被认为比不同类别中的物品更相似。当学习目标强调每个刺激物的个体化时，类别偏见会在多大程度上发展，以及偏见是否在学习过程中自发出现而不是对任务要求的反应尚不清楚。在这里，我们在编码过程中使用功能性磁共振成像 (fMRI) 来测试学习过程中单个刺激物神经表征中的类别偏见。人类参与者（男性和女性）遇到面部混合刺激物，这些刺激物具有独特的名字和共同的姓氏，表明其属于同一类别。参与者被要求学习每张脸的全名。神经模式分类和模式相似性分析用于追踪大脑中的类别信息。结果表明，刺激类别可以在许多额叶、顶叶和枕叶区域的编码过程中被解码。此外，来自同一类别的两个刺激在前额叶皮层中的表征比来自不同类别的两个刺激在物理相似性方面更相似。这些发现表明，仅仅存在类别标签就可以在编码过程中自发地偏向神经表征以强调与类别相关的信息，即使在没有明确的分类要求并且与类别无关的信息仍然与任务目标相关的情况下也是如此。
cv.pdf -Chris Baldassano
学术就业市场研讨会，普林斯顿大学（2023）摘要研讨会，认知科学学会（2023）计算精神病学中心，西奈山（2023）战略讲故事研讨会（2022年，2023年，2023年，2023年）卡内基·梅隆大学大脑研讨会（2022） (2021) Spinoza Centre for Neuroimaging (2021) NIMH Workshop on Naturalistic Stimuli and Individual Differences (2021) NIMH Dynamic and Interactive Data Visualization Workshop (2021) Virtual Feindel Brain and Mind Lecture Series, Montreal Neurological Institute (2021) C3N Seminar, New York State Psychiatric Institute (2020) University of Arizona Cognitive Science Virtual座谈会系列（2020年）牛津韦斯特神经影像学中心（2020）耶鲁大学神经科学中的当前作品（2019）助产发育性认知神经科学大会（2019年）CUNY研究生中心神经科学研讨会（2019年）哥伦比亚大学人类发展局（2019）人类发展学院PrincoLoquium colloquiam colloq collouck collouck collouck collouck collouck collouck collouck collouck 2019记忆锦标赛（2018）TEDXCARNEGIELAKE（2017）学术就业市场研讨会，普林斯顿大学（2023）摘要研讨会，认知科学学会（2023）计算精神病学中心，西奈山（2023）战略讲故事研讨会（2022年，2023年，2023年，2023年）卡内基·梅隆大学大脑研讨会（2022） (2021) Spinoza Centre for Neuroimaging (2021) NIMH Workshop on Naturalistic Stimuli and Individual Differences (2021) NIMH Dynamic and Interactive Data Visualization Workshop (2021) Virtual Feindel Brain and Mind Lecture Series, Montreal Neurological Institute (2021) C3N Seminar, New York State Psychiatric Institute (2020) University of Arizona Cognitive Science Virtual座谈会系列（2020年）牛津韦斯特神经影像学中心（2020）耶鲁大学神经科学中的当前作品（2019）助产发育性认知神经科学大会（2019年）CUNY研究生中心神经科学研讨会（2019年）哥伦比亚大学人类发展局（2019）人类发展学院PrincoLoquium colloquiam colloq collouck collouck collouck collouck collouck collouck collouck collouck 2019记忆锦标赛（2018）TEDXCARNEGIELAKE（2017）
皮质-丘脑反馈对丘脑视觉处理的大脑状态依赖性调节
哺乳动物的行为状态影响大脑对视觉刺激的反应，最早在丘脑背外侧膝状体 (dLGN) 中发生，丘脑背外侧膝状体是视觉信息向皮层的主要传递点。一个明显的例子是，与静止动物相比，警觉动物的 dLGN 神经元对视觉刺激的更高时间频率的反应明显更强烈。dLGN 从视觉皮层接收强烈的反馈，但这种反馈是否有助于这些对视觉刺激的状态依赖性反应尚不清楚。在这里，我们表明，在雄性和雌性小鼠中，沉默皮质-丘脑反馈会大大减少 dLGN 神经元对视觉刺激的反应的状态依赖性差异。这适用于 dLGN 对视觉刺激的时间和空间特征的反应。这些结果表明，在视觉处理的早期阶段，对视觉刺激的反应的状态依赖性转变取决于皮质-丘脑反馈。
人工神经网络准确预测大脑中的语言处理
图 1：将语言处理的人工神经网络模型与大脑语言网络的活动进行比较。我们测试了不同模型预测人类在语言理解过程中神经活动测量值的能力。候选模型包括简单的嵌入模型、更复杂的循环和变压器网络。刺激包括句子、段落和故事，并且 1) 输入模型，2) 呈现给人类参与者（视觉或听觉）。然后，1) 从模型中捕获由此产生的内部表征，2) 使用 fMRI 或 ECoG 从人类那里记录下来。为了比较模型和人类表征，我们对 80% 的刺激的相应人类测量值对模型表征进行了回归，然后将模型对保留的 20% 刺激的预测与保留的人类数据进行比较，并使用 Pearson 相关性（交叉验证 5 倍），得出每个模型数据对的相似度分数。
使用深度学习从 fMRI 进行自然图像重建：一项调查
1.1. 使用 fMRI 进行视觉解码 许多脑成像研究集中于解码人脑如何表示有关外部世界的信息。考虑到大多数外部感官信息是由人类视觉系统处理的（ Logothetis 和 Sheinberg，1996 ），需要更深入地了解人脑的视觉信息处理，这促使建立能够表征视觉刺激内容的复杂计算模型。这个问题被称为人类对感知图像的视觉解码，并受到越来越多的关注。功能性磁共振成像（fMRI）在最近的神经科学研究中取得了重大进展（ Poldrack 和 Farah，2015；Nestor 等，2020 ）。fMRI 技术通过测量血氧水平的变化来捕捉大脑中的神经活动（ Ogawa 等，1990；Bandettini，2012 ）。在各种脑成像技术中，fMRI 是非侵入性的并且具有很高的空间分辨率。这些特性使得 fMRI 能够用于广泛的问题，包括神经系统疾病诊断（Rakhimberdina 等，2020；Zhang 等，2020）和人类视觉解码（Haxby 等，2001；Kamitani and Tong，2005；Horikawa and Kamitani，2017）。人类视觉解码领域的最新进展表明，除了仅仅对视觉刺激的信息进行编码（Poldrack and Farah，2015）之外，fMRI 捕捉到的大脑活动还可用于重建视觉刺激信息（Kay 等，2008；Roelfsema 等，2018）。根据目标任务，人类视觉解码可分为刺激类别分类、刺激识别和重建（Naselaris 等，2011）。在分类中，大脑活动用于预测所呈现刺激的离散对象类别（Haxby 等人，2001；Horikawa 和 Kamitani，2017）。识别的目标是从一组已知的刺激图像中识别出与给定大脑活动模式相对应的特定刺激
大脑听觉系统中的价值偏向竞争
注意力可能会偏向于与任务目标相符的特征（例如，Folk、Remington & Johnston，1992；Wolfe、Cave & Franzel，1989），物理上显著的刺激（例如，Theeuwes，1991、1992），以及之前被注意力优先考虑的刺激，现在通常被称为选择历史（例如，Awh、Belopolsky & Theeuwes，2012）。在选择历史的背景下，与奖励相关的刺激会获得更高的注意力优先级（例如，Hickey、Chelazzi 和 Theeuwes，2010；Della Libera 和 Chelazzi，2006），并且即使先前与奖励相关的刺激不显著且与任务无关，这种注意力偏差仍会持续存在，正如使用价值驱动的注意力捕获 (VDAC) 范式所证明的那样（Anderson、Laurent 和 Yantis，2011）。奖励历史对注意力的影响主要在视觉领域进行研究（有关评论，请参阅 Anderson，2016a、2019 的作品），而对其他感觉系统中学习依赖性注意力偏差的机制理解有限。跨模态设计研究了注意力处理中多个感觉网络之间的相互作用，通常是为了理解双模态刺激是如何被处理和整合的（例如 Stormer、McDonald 和 Hillyard，2009；McDonald、Teder-Salejarvi、Di Russo 和 Hillyard，2005；McDonald、Teder-Salejarvi 和 Hillyard，
视觉场景复杂性对空间注意神经特征的影响
空间选择性注意极大地影响了我们对复杂视觉场景的处理，但大脑选择相关物体而抑制不相关物体的方式仍不清楚。使用非侵入性脑电图 (EEG) 发现了这些过程的证据。然而，很少有研究描述在注意动态刺激期间这些测量值的特征，而且对于这些测量值如何随着场景复杂性的增加而变化知之甚少。在这里，我们比较了三个视觉选择性注意任务中 EEG N1 和 alpha 功率（8-14 Hz 之间的振荡）的注意力调节。这些任务在呈现的不相关刺激数量上有所不同，但都需要持续注意侧化刺激的方向轨迹。在几乎没有不相关刺激的场景中，自上而下的空间注意控制与顶叶-枕叶通道中 N1 和 alpha 功率的强烈调节有关。然而，在两个半视野中都有许多不相关刺激的场景中，自上而下的控制不再表现为对 alpha 功率的强烈调制，并且 N1 振幅总体上较弱。这些结果表明，随着场景变得更加复杂，需要在两个半视野中进行抑制，自上而下控制的神经特征会减弱，这可能反映了 EEG 在表示这种抑制方面存在一些局限性。
热色素学：温度敏感的智能材料
为什么我们要使用太阳玻璃？“情绪戒指”背后的科学是什么？这两个配件的例子以铬材料的流派为中。铬材料是通过由外部刺激的影响引起的物质的电子密度（ð或d电子）改变各种颜色的材料。在大多数情况下，颜色变化是可逆的和可控制的。取决于外部刺激的性质，使用前缀为前缀的后缀染色体命名，该前缀用于描述刺激导致颜色变化。像热色素相似，与外部刺激热有关，光色素与光有关，由于离子的交换而发生离子化，息肉性与刺激的电位相关，溶剂化的溶剂与溶剂与溶剂相关，溶剂与溶剂交易，蒸气色素敏感受到蒸发和机械刺激的影响。表1提供了铬现象和负责任刺激的全面列表[1-3]。
儿童发育和大脑从胚胎到...
Figures 1.1 The brain from above 9 1.2 The hills and valleys of the cerebral cortex 10 1.3 The lobes of the brain 11 1.4 The subcortical brain 12 1.5 Navigating the brain 13 1.6 Understanding the language of navigation 14 1.7 Structure of a neuron 16 1.8 Brain scanner 20 2.1 A zygote 28 2.2 An embryoblast 28 2.3 The early embryo 30 2.4 Myelin sheath 31 2.5 The brain doubles in size in the first year of life 32 2.6 Baby playing 35 3.1 Kanizsa cube 45 3.2 Concave half frame wire cubes 46 3.3 Object permanence 49 3.4 Example of rule-based card sorting stimuli 56 4.1 Pregnant mothers and young babies need a healthy diet to thrive 64 4.2 Junk food consumption often increases in adolescence 69 4.3 Smoking during pregnancy is known to harm the developing foetus 72 4.4怀孕期间喝酒会影响婴儿的长期发展
Understanding Consumer Preferences for Movie Trailers from EEG using Machine Learning
Abstract —Neuromarketing aims to understand consumer be- havior using neuroscience. Brain imaging tools such as EEG have been used to better understand consumer behavior that goes beyond self-report measures which can be a more accurate measure to understand how and why consumers prefer choosing one product over another. Previous studies have shown that consumer preferences can be effectively predicted by under- standing changes in evoked responses as captured by EEG. However, understanding ordered preference of choices was not studied earlier. In this study, we try to decipher the evoked responses using EEG while participants were presented with naturalistic stimuli i.e. movie trailers. Using Machine Learning techniques to mine the patterns in EEG signals, we predicted the movie rating with more than above-chance, 72% accuracy. Our research shows that neural correlates can be an effective predictor of consumer choices and can significantly enhance our understanding of consumer behavior. Index Terms —Neuromarketing, EEG, Machine Learning, Dis- crete Wavelet Decomposition