XiaoMi-AI文件搜索系统
World File Search SystemStimuli
瑜伽活动对反应时间的影响的荟萃分析是技能相关适应性的组成部分
Yoga活动对齿状功能具有有益的作用。1,2瑜伽的组成部分是体式，pran- ayama和冥想。3据说Pranayama会影响中心神经系统的较高功能，例如学习，记忆，计划和知觉。在受试者中刺激的表现与出现自愿反应的出现之间的时间间隔。6人类在日常生活中对许多不同类型的外部环境刺激进行了回报。有各种鼻子形式，人类以不同的速度对不同的刺激做出了反应。从中，对视觉刺激的反应和对听觉刺激的反应在日常生活中很重要。更好的反应时间对于运动员，熟练的专业人士和外科医生的表现很重要。7,8总体而言，相对较少的研究集中在瑜伽对反应时间的影响。，并且可以比较少量可用的荟萃分析。因此，各种瑜伽活动对重新行动时间的影响是什么，它在多大程度上影响反应时间以及瑜伽活动对反应时间的重要性是什么，尚不清楚。为了分析这一点，这是评估瑜伽活动对听觉反应时间和视觉反应时间的影响的荟萃分析。
有障碍物和无障碍物的蒙面运动的预测
预测未来对于像智人这样的生物来说至关重要，他们生活在一个动态且不断变化的世界中。先前的研究已经证实，有意识的刺激可以导致无意识的预测。在这里，我们检查掩蔽刺激是否也能引起这样的预测。我们使用有障碍物和无障碍物的掩蔽运动来检查掩蔽刺激的预测。在六个实验中，使用连续闪光抑制 (CFS) 掩盖了一个移动物体。物体消失几百毫秒后，有意识的探测器出现在与掩蔽刺激一致或不一致的位置。在实验 1-3 中，运动是线性的，反应时间 (RT) 表明基于运动方向和速度的预测。在实验 4 中，被遮蔽的移动物体与障碍物相撞，然后消失。在这种情况下，预测应该反映偏转，而且反应时间确实揭示了对偏转路线的预测。在实验 5 和 6 中，我们介绍了一种在连续闪光抑制 (CFS) 期间使用眼动追踪的创新方法，并以眼球运动的形式报告了被遮蔽刺激引起的预测的生理证据。因此，我们得出结论，人类可以使用动态遮蔽刺激来产生对未来的主动预测，并使用这些预测来指导行为。我们还根据当前关于遮蔽呈现、潜意识感知和意识测量方法之间关系的科学讨论，讨论了这些发现的可能解释。
青春期前儿童在概率奖励学习任务中的脑电激活反映了认知过程和行为策略
成人和儿童都通过反馈来学习将环境事件和选择与奖励联系起来，这一过程称为强化学习 (RL)。然而，用于评估儿童 RL 相关神经认知过程的任务有限。这项研究在记录事件相关电位 (ERP) 的同时，在青春期前儿童 (8-12 岁) 中验证了概率奖励学习任务的儿童版，重点关注：(1) 奖励-反馈敏感性 (额叶奖励相关积极性，RewP)，(2) 对反馈的晚期注意力相关反应 (顶叶 P300)，以及 (3) 注意力转向喜爱的刺激 (N2pc)。从行为上讲，正如预期的那样，青春期前儿童可以学习刺激-奖励结果关联，但表现水平各不相同。与学习优秀的学生相比，学习较差的学生表现出更大的 RewP 振幅。学习策略（即赢-输-留下-转移）由反馈诱发的 P300 振幅反映。最后，注意力会转移到待选择的刺激上，这一点由 N2pc 证明，但不会像成年人那样转移到奖励更高的刺激上。这些发现为青少年 RL 背后的神经过程提供了新的见解。
高性能非线性和机器学习分析...
几十年来，大脑研究一直致力于解读大脑在发育、疾病和健康状态下的状态，以了解正常和异常的大脑功能。神经科学的当前趋势是使用自然刺激，旨在了解现实世界中的大脑功能，在此期间，感觉、认知、情感和运动大脑过程相互重叠（Sonkusare 等人，2019 年 [1]；Cantlon，2020 年 [2]；Nastase 等人，2020 年 [3]；Zhang 等人，2021 年 [4]）。自然刺激意味着复杂、动态和多样化的刺激，与传统使用的还原刺激相比，它为大脑研究创造了更具生态相关性的条件（Cantlon，2020 年 [2]；Zhang 等人，2021 年 [4]）。自然刺激的例子有电影、课堂生物学、视频游戏、复杂的数学或听现场管弦乐队（Hasson 等人，2004 年 [5]；Dikker 等人，2017 年 [6]；Bavelier 和 Green [7]，2019 年；Chabin 等人，2022 年 [8]；Poikonen 等人，2022 年 [9]）。在自然刺激期间长时间收集的连续脑成像数据使得数据驱动分析的应用成为可能（Cantlon，2020 年 [2]；Zhang 等人，2021 年 [4]）。机器学习 (ML) 分析可能有助于产生关于潜在任务相关大脑过程的新假设，尤其是在自然背景下。在这种情况下，几个低级和高级重叠的大脑过程同时发生（Nastase 等人，2020 年 [3]）。由于多种大脑过程具有重叠性，基于还原论和简化研究设计而形成的神经科学理论的扩展既具有挑战性又值得怀疑 (Cantlon，2020 年 [2])。需要分析自然数据的新方法，而数据驱动的智能方法是开发和测试现实世界中大脑功能新理论的良好候选者 (Nastase 等人，2020 年 [3])。机器学习的最新发展已经应用于医疗保健领域，并扩展到多个领域：癫痫中的峰值检测、痴呆症预测以及心理健康和睡眠阶段分类 (Singh 等人，2022 年 [10])。这些数据驱动的方法旨在通过在生命早期解决大脑护理问题来改变医疗保健服务并改变大脑健康的轨迹 (Singh 等人，2022 年 [10])。例如，利用机器学习的最新进展，特别是脑机接口 (BCI) 技术，可帮助中风患者恢复神经系统
大规模灵长类动物神经节记录的自然图像的非线性解码
从神经活动中解码感觉刺激可以提供有关神经系统如何解释物理环境的洞察力，并促进了脑机界面的发展。然而，神经解码问题仍然是一个重大的公开挑战。在这里，我们提出了一种有效的非线性解码方法，用于从视网膜神经节细胞（RGC）的尖峰活动中推断自然现场刺激。我们的方法使用神经网络来改善准确性和可扩展性的现有解码器。对> 1000个猕猴RGC单元的实际视网膜尖峰数据进行了训练和验证，解码器证明了非线性计算的必要性，以准确地解码视觉刺激的精细结构。具体来说，自然图像的高通空间特征只能使用非线性技术解码，而低通功能可以通过线性和非线性方法很好地提取。一起，这些结果在解码大量神经元种群的自然刺激方面推进了最新的状态。
识别自然单拍之间的时间相关性...
目标。脑电图（EEG）是一项广泛使用的技术，用于记录脑部计算机界面（BCI）研究中的大脑活动，其中理解刺激与神经反应之间的编码解码关系是一个基本挑战。最近，与传统的BCI文献相比，在单审论中编码自然刺激的编码越来越兴趣，在该文献中，合成刺激的多试验表现很普遍。虽然已经对脑电图对自然语音的响应进行了广泛的研究，但这种刺激范围的脑电图对自然视频镜头的响应仍未得到充实。方法。我们收集了一个新的EEG数据集，主题被动地观看胶片剪辑，并提取一些与EEG信号在时间上相关的视频功能。但是，我们的分析表明，这些相关性主要是由视频中的摄影削减驱动的。为了避免与剪切相关的混杂，我们构建了另一个带有自然单拍视频的EEG数据集作为刺激，并提出了一组新的基于对象的功能。主要结果。我们证明，在没有射击的情况下，在捕获与脑电图信号的耦合时缺乏鲁棒性，并且提出的基于对象的功能显示出明显更高的相关性。此外，我们表明，与这些提出的特征获得的相关性并非主要由眼动驱动。此外，我们在匹配任务中定量验证了所提出的特征的优越性。意义。最后，我们评估这些提出的特征在多大程度上解释了受试者之间相干刺激反应的方差。这项工作为视频EEG分析的功能设计提供了宝贵的见解，并为视觉注意解码等应用铺平了道路。
大脑在睡眠期间选择性地收听陌生的声音
睡眠期间，大脑继续对环境刺激做出选择性反应。然而，这种反应的功能作用，以及它们是否反映了信息处理或感觉抑制，尚不完全清楚。在这里，我们向 17 位人类睡眠者（14 位女性）展示了他们自己的名字和两个陌生的名字，这些名字由熟悉的声音（FV）或陌生的声音（UFV）说出，同时在整晚的睡眠期间记录多导睡眠图。我们检测 K 复合体、睡眠纺锤波和微觉醒，并评估事件相关和频率反应以及对非快速眼动 (NREM) 睡眠期间呈现的不同刺激的试验间相位同步。我们表明，UFV 比 FV 引发更多的 K 复合体和微觉醒。当两种刺激都引起 K 复合波时，我们观察到更大的诱发电位、δ 波段（1 – 4 Hz）大脑反应更精确的时间锁定以及对 UFV 而非 FV 的高频（>16 Hz）范围的活动。至关重要的是，当听觉刺激不引起 K 复合波时，这些大脑反应差异会完全消失。我们的研究结果强调了大脑对听觉刺激的反应因与睡眠者的相关性而存在差异，并提出 K 复合波在睡眠期间调节感觉处理方面起着关键作用。我们认为，这种对外部感官信息内容特定的动态反应使大脑进入哨兵处理模式，在这种模式下，大脑参与睡眠期间正在进行的重要内部过程，同时仍保持处理重要外部感官信息的能力。
定制积极情绪的计算方法 -
摘要以下项目涉及基于多感应刺激的积极情绪支持应用的建议。该项目的第一个目标是研究情绪与情绪之间的差异，关系和互动，试图了解情绪识别方法和引起刺激如何在情绪领域进行调整。这是构建旨在检测用户心情并随时间进行监控的系统的基本步骤，同时试图通过提出适当的多感官刺激来支持积极的情绪。因此，另外两个中间步骤至关重要：i）使用可穿戴设备和简短问卷结合使用的可穿戴设备来构建多式模式检测框架； ii）定义多种感官刺激应表现出哪些视听特征，以增强其积极的情绪支持效果，从而利用不同的学习模型。将在用户第一次访问系统时提交分析调查表。然后，进行了多模式情绪检测，并对当前的情绪和智能手机和可穿戴设备（例如环境，行为和生理数据）的数据进行了生态瞬时评估（EMA）。由于定义了用户的当前情绪，因此系统会自动选择适当的视听刺激，以提示如果需要的话，可以改善情绪。情绪支持会话后，将需要用户的反馈来提高系统的有效性，并确保为特定用户提供更好的刺激。案例研究将被视为了解该系统在实际应用中的功效。特别是，将开发一种汽车场景，在驾驶模拟过程中利用虚拟现实刺激。