XiaoMi-AI文件搜索系统
World File Search Systemactivations
受约束和开放的神经生理激活...
设计空间的概念起源于问题空间的形成，并且在过去60年中一直是调查和辩论的主题。在信息处理理论的问题空间理论（Newell＆Simon，1972）中，基于一般问题解决方案计算机程序（1957年），新约束，子目标和设计替代方案从问题空间中引起的新约束，子目标和设计替代方案会导致外部记忆表现形式的转变，例如模型和图纸，例如，会考虑到问题的变化。问题解决者检索系统，无论是人类还是计算能力系统，都会在搜索解决方案时不断修改和表征问题空间。那时，人们认为井和不确定的问题（Reitman 1964）或结构性不佳的问题（Newell 1969）被认为取决于问题解决者可用的问题解决方法和技术。对问题解决者容量的这种依赖性源于这样的观念，即没有结构性的问题，仅在有限的能力的范围内为解决问题的人（Simon 1973）正式形式化了结构性的问题，并且根据问题的目标，约束和生成的替代方案。一种认知设计理论的替代方法，后来成为反思实践（Schön1983; 1987）。在这种方法中，设计师通过思考和做事，因此知道行动（Argyris等人）（1985），将构建设计世界，并设定问题空间的维度以及他/她试图找到解决方案的举动（Schön，1992）。所处的认知研究方法（Clancey 1997）随后出现了许多与社会科学，行为和动态神经过程有关的学科和目标，以了解知识和行动的观点，并支持学习的想法，即学习发生在做某事时。所在的一词强调，感知机制因果关系将人类认知与环境和行动联系起来。位置涉及内部组织以及内部和外部组织之间发生的因果关系，改变了世界上的事物。新的观察方式和改变世界的改变方式随着时间的流逝而发展。作为一种研究方法，出现了适当的认知披露，以研究设计中的人类认知（Gero 1990）。设计是一种时间和多模式的活动，要求对位置的请求提供适当的解决方案，当这些请求打开时，请在解决问题的阶段发生在解决问题的阶段之前，要求发现问题和问题框架（Runco 1994； Runco和Nemiro，1994）。在过去的40年中，出现了解决问题的空间的替代视图，重点关注变化的最终目的，即解决方案空间。1.1设计空间在理解设计方面的一个有用的抽象是设计空间的概念，设计师探索了可能性的抽象空间（Amstel等人。2016; MacLean等。这两种观点都基于诸如协议分析等方法的设计认知研究（Goldschmidt，2014; Kan＆Gero，2017）。虽然受约束的设计空间通常受到特定要求的限制，但开放的设计空间扩展2011）在问题空间内的探索开始，设计过程的问题解决观点（Goel＆Pirolli，1992; Goel，1994; Goolschmidt，1997），而其他人则声称设计是通过产生解决方案空间的（Dorst，2019; Dorst＆Cross 2001; Dorst＆Cross 2001; Gero＆Gero＆cross＆cross＆verer＆krer＆krer＆kumar; krer＆kumar＆kumar＆kumar; 2009年;吉川，1981年）。另一种观点是，根据设计请求的限制水平和对创意探索的开放程度，设计空间可以受到限制或开放，这是本文报告的研究重点。
通过...研究消费者的大脑激活情况
营销人员对神经电脑成像感到兴奋的主要原因有两个。第一个原因是他们期望神经成像将提供更有效的成本和收益交换。这种期望基于这样的假设：消费者不想明确表达他们的偏好，或者当被问及他们的偏好时他们不可能这样做；或者消费者的大脑与真实的偏好有关，其中包含机密信息。理论上，这些信息用于影响购买行为。因此，进行神经成像研究以改进产品设计和增加销售收益的成本是值得的。第二个原因是，营销人员希望他们能够获得一种精确的营销研究方法，该方法甚至可以在现有产品之前应用。本研究的目的是确定消费者的合理影响激活，并强调使用仅基于声明的传统问卷调查方法了解消费者的不足。因此，志愿者观看了一部广告片，并在他们观看广告时尝试测量他们的大脑活动。该测量是用 10 通道 EEG 设备进行的。研究过程中测量了受试者的情绪反应和大脑活动，并获取了脑电图模式，最后由院士和脑电图专家对获取的数据进行解读。
与...相关的选择性大脑激活和连接
资金：该工作得到了以下资助。冯建军教授：国家重点研发计划（编号 2019YFA0709502）；111 项目（编号 B18015）；上海市科技重大项目（编号 2018SHZDZX01）、ZJLab 和上海脑科学与脑启发技术研究中心；以及国家重点研发计划（编号 2018YFC1312904）。GD 得到了西班牙国家研究项目（编号 PID2019-105772GB-I00 MCIU AEI）的支持，该项目由西班牙科学、创新和大学部 (MCIU)、国家研究机构 (AEI) 资助；HBP SGA3 人脑项目特定资助协议 3（资助协议编号 945539），由欧盟 H2020 FET 旗舰计划资助； SGR 研究支持小组支持（编号 2017 SGR 1545），由加泰罗尼亚大学和研究资助管理局 (AGAUR) 资助；Neurotwin 数字孪生，用于模型驱动的非侵入性脑电刺激（资助协议编号：101017716），由欧盟 H2020 FET 主动计划资助；euSNN 欧洲网络神经科学学院（资助协议编号：860563），由欧盟 H2020 MSCA-ITN 创新培训网络资助；CECH 新兴人类大脑集群（编号 001-P-001682），属于欧洲研究发展基金加泰罗尼亚 2014-2020 运营计划框架内；Brain-Connects：中风恢复和康复期间的大脑连接（编号 201725.33），由 Fundacio La Marato TV3 资助； Corticity，FLAG-ERA JTC 2017，（编号 PCI2018-092891）由西班牙科学、创新和大学部 (MCIU)、国家研究机构 (AEI) 资助。资助来源未参与研究设计；数据的收集、分析和解释；报告撰写；以及提交文章发表的决定。
术中映射确定的 fMRI 和 MEG 激活的准确性分析
目的通过观察术前脑映射方法的准确性如何随着用于分析的激活簇距离差异而变化，本研究旨在阐明如何使用术前功能性神经影像学以最大限度地提高映射准确性。方法在切除术前，使用功能性磁共振成像 (fMRI) 和脑磁图 (MEG) 映射 19 名脑肿瘤或海绵状血管瘤患者的语言功能。然后使用开颅后立即和切除前进行的直接皮质刺激映射来验证映射结果。对执行了运动 (n = 14) 和语言 (n = 12) 等效 MEG 和 fMRI 任务的患者子集进行单独和组合预测评估。此外，通过将敏感性和特异性与线性增加的距离阈值作图，确定了由 J 统计量评估的导致最大准确度的距离。结果 fMRI 显示运动和语言映射的最大映射精度均为 5 毫米。 MEG 显示，对于运动映射，40 毫米处的最大映射精度以及对于语言映射，15 毫米处的最大映射精度。在文献中使用的标准 10 毫米距离下，MEG 对运动和语言映射的特异性都高于 fMRI，但对运动映射的灵敏度较低。结合 MEG 和 fMRI 显示，对于运动映射，15 毫米和 5 毫米（分别为 MEG 和 fMRI 距离）的最大精度以及 10 毫米距离的 MEG 和 fMRI 的语言映射精度。对于运动映射，在最佳距离结合 MEG 和 fMRI 的精度高于单个预测的最大精度。结论本研究表明，fMRI 和 MEG 的语言和运动映射的精度在很大程度上取决于分析中使用的距离阈值。此外，与单独使用这两种方式相比，结合 MEG 和 fMRI 可以提高运动映射的精度。
与人类存储和回忆有关的选择性大脑激活和连接
用于定义大脑区域的图谱是 HCP-MMP 基于表面的图谱 (Glasser, et al., 2016)，如图 S1 所示。在 HCP-MMP 图谱中，每个区域都有其 RegionID，我们在表 S1 中显示了该 ID。有关这些区域的详细信息，请参阅 Glasser et al (2016) 提供的补充材料文件 NIHMS68870-supplement-Neuroanatomical_Supplementary_Results.pdf。在该补充材料文件中，建议根据地理接近度和功能相似性对区域进行分组，此分组显示在表 S1 中标记为 CortexID 的列中。这导致了区域的排序不同，我们在表 S1 中显示了该排序，其中 HCP 图谱中的原始 regionID 显示在标题为“regionID”的列中。亚利桑那大学的 Dianne Patterson 博士在 https://neuroimaging-core-docs.readthedocs.io/en/latest/pages/atlases.html 上描述了 HCP-MMP 图谱的重新排序版本，其中提供了用于帮助生成表 S1 的以下支持文件：HCP-MMP_UniqueRegionList.csv 和 Glasser_2016_Table.xlsx。我们根据此文件创建了文件 HCPMMP_CortexID_Ordering.xlsx，该文件可从本作者处获得。本文中显示的连接矩阵使用了表 S1 中显示的顺序，该顺序也用于该图谱的体积和扩展形式（Huang, et al., 2022）。
THINGSvision：用于简化深度神经网络激活提取的 Python 工具箱
在过去十年中，深度神经网络 (DNN) 模型因其接近人类的物体分类性能以及对生物视觉系统记录的信号的出色预测而备受关注。为了更好地理解这些网络的功能并将它们与大脑活动和行为的假设联系起来，研究人员需要从不同的 DNN 层中提取图像的激活。然而，不同 DNN 变体的丰富性往往难以处理，对于没有强大计算背景的人来说，从不同层中提取 DNN 激活的任务可能并不简单，而且容易出错。因此，认知科学和计算神经科学领域的研究人员将受益于支持用户执行提取任务的库或包。THINGSvision 是一个新的 Python 模块，旨在通过提供一个简单而统一的工具来弥补这一差距，该工具可用于提取各种预训练和随机初始化的神经网络架构的层激活，即使对于编程经验很少或没有编程经验的用户也是如此。我们通过使用表征相似性分析将提取的 DNN 激活与大量功能性 MRI 和行为数据集关联起来，展示了 THINGsvision 的通用实用性，表征相似性分析可以作为工具箱的一个组成部分来执行。总之，THINGSvision 使不同领域的研究人员能够以简化的方式为其自定义图像数据集提取特征，从而提高将 DNN、大脑活动和行为关联起来的便利性，并提高这些研究领域研究结果的可重复性。
简单算术处理过程中人脑连续激活的时空动态
研究文章 | 行为/认知 简单算术处理过程中人脑连续激活的时空动态 https://doi.org/10.1523/JNEUROSCI.2118-22.2024 收稿日期：2022 年 11 月 14 日 修订日期：2024 年 2 月 16 日 接受日期：2024 年 3 月 3 日 版权所有 © 2024 作者
持续性皮质振荡对听觉有节奏刺激的频率选择性
人类的神经行为研究长期以来一直集中在任务重复执行期间本地活动水平的变化。后来发现扩展网络中的自发神经耦合也会影响性能。在这里，我们打算揭示基本机制，相对重要性以及自发耦合与任务诱导的激活之间的相互作用。为此，我们在休息期间记录了两组健康参与者（男性和女性），而他们执行了视觉感知或运动序列任务。我们证明，对于这两项任务，任务过程中更强大的作用以及通过自发的静止节奏预测性能的自发性节奏耦合。然而，高性能的人呈现出经典任务诱导的激活，而没有更强的自发网络耦合。激活是仅在自发网络相互作用较低的受试者中需要的补偿机制。这挑战了神经处理的经典模型，并要求采取新的策略来训练和提高性能。
在简单算术处理过程中，人脑连续激活的时空动力学
（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此预印本版的版权持有人于2023年11月22日发布。 https://doi.org/10.1101/2023.11.22.568334 doi：Biorxiv Preprint
