功能性神经影像学表明,在各种运动和认知任务中,背侧额叶区域表现出联合活动。但是,尚不清楚这些区域是否服务于多种计算独立的功能,或者是重复使用以服务高阶功能的电动机“核心过程”的基础。我们假设心理旋转能力取决于植根于这些区域内的系统发育较旧的运动过程。这一假设需要在运动计划期间招募的神经和认知资源预测看似无关的心理旋转任务的表现。为了检验这一假设,我们首先通过测量了30名健康参与者的内部触发的与外部触发的手指按压,从而确定了与运动计划相关的大脑区域。内部触发的手指压机在顶,前和枕颞区域产生了显着的激活。然后,我们要求参与者在扫描仪外执行两项心理旋转任务,包括手或字母作为刺激。顶点和前运动激活是涉及手的心理旋转时个体反应时间的重要预测指标。我们发现运动计划与字母心理旋转的性能之间没有关联。我们的结果表明,在运动计划期间招募的顶叶和前皮层的神经资源也有助于身体刺激的心理旋转,这表明这两个能力的基础是共同的核心成分。
预印本(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。此版本的版权持有人于2024年1月30日发布。 https://doi.org/10.1101/2024.01.30.577986 doi:Biorxiv Preprint
和技术(A),Rajahmundry,AP,印度。摘要 - 本文集中于开发基于软件的识别模块,该模块与车辆的板载摄像头系统集成在一起。使用OPENCV,系统通过调整,颜色归一化和边缘检测来预处理图像。经过Tensorflow,Keras和Image Data Generator训练的卷积神经网络(CNN),通过增强和预处理流量符号数据集来增强分类精度。一旦确定了流量标志,就可以使用文本到语音转换提供实时语音反馈,从而使驾驶员可以在不分散注意力的情况下接收警报。使用Django构建的后端管理整个管道,确保无缝处理,模型执行和用户交互。结果表明,即使在不同的照明和天气条件下,系统也可以准确识别流量标志,并且可以正确识别并实时宣布交通标志。通过将基于CNN的图像识别与语音反馈相结合,该系统大大改善了驾驶员的帮助,从而使驾驶更安全。索引术语 - 流量标志识别,卷积神经网络(CNN),图像数据生成器,OPENCV,深度学习,实时检测,语音帮助,计算机视觉,机器学习,Django,Tensorflow,Tensorflow,Keras,Keras,驾驶员帮助,道路安全,道路安全。
。CC-BY-NC 4.0 国际许可(未经同行评审认证)是作者/资助者,其已授予 bioRxiv 永久展示预印本的许可。它是
背景:对“晚发”注意力/多动症(ADHD)的兴趣增加,指的是12岁以后的临床上显着的ADHD症状的发作。这项研究旨在检查是否会因其儿童时期的神经认知功能与稳定的未受影响的兄弟姐妹区分开。Methods: We report findings from a 6-year prospective, longitudinal study of the Dutch part of the International Multicenter ADHD Genetics (IMAGE) study, including individuals with childhood-onset (persistent) ADHD ( n = 193), their siblings with late-onset ADHD ( n = 34), their stable unaffected siblings ( n = 111) and healthy controls ( n = 186).在研究条目中(平均年龄:11.3)和随访(平均年龄:17.01),通过结构化精神病学访谈和多信息问卷对参与者进行了ADHD的评估。在基线和6年后评估了几种神经认知功能,包括时间繁殖,定时变异性(反应时间可变性和时间生产变异性),反应时间速度,运动控制和工作记忆;智力被视为衡量整体神经认知功能的量度。结果:与健康对照相比,在基线和随访时显示出更长的反应时间和/或更高错误的反应时间和/或更高的错误率,与儿童发作性多动症的个体相似。它们与稳定的不受影响的兄弟姐妹(与健康对照相似)不同,基线时的反应时间可变性和定时生产变异性更大。对于任何任务,都没有发现时间交互的显着组。结论:对于患有多动症的个体的未受影响的兄弟姐妹,反应时间变异性和定时生产变异性可能是晚期ADHD的神经认知标记。关键字:晚期ADHD;未受影响的兄弟姐妹;神经认知标记。
收到:2023年9月18日;接受:2023年12月25日摘要通过听觉,视觉和文本提示识别多方面情绪的研究是一个快速发展的跨学科领域,涵盖了心理学,计算机科学和人工智能领域。本文研究了用于隔离和识别这些模式中复杂情绪状态的方法的范围,目的是描述进步并确定未来研究的领域。在声音领域中,我们探索了信号处理和机器学习技术的进展,从而有助于从人声弯曲和音乐安排中提取细微的情感指标。视觉情绪识别是通过面部识别算法,肢体语言分析以及上下文环境信息整合的有效性来评估的。使用自然语言处理技术检查基于文本的情感识别,以感知书面语言的情感和情感内涵。此外,本文考虑了这些不同情绪数据来源的融合,考虑了构建能够解释多模式输入的连贯模型时所面临的挑战。我们的方法涵盖了最近研究的荟萃分析,评估了各种方法的有效性和精度,并确定了常见的指标进行评估。结果表明,偏爱深度学习和混合模型,以利用多种分析技术的优势来提高识别率。然而,诸如情感的主观性质,表达中的文化差异以及广泛的注释数据集的必要性持续存在的挑战,这是重大障碍。总而言之,这篇综述倡导了更多细微的数据集,增强的跨学科合作以及一个道德框架来管理情绪识别技术的实施。这些技术的潜在应用是广泛的,从医疗保健到娱乐,并且需要一致的努力来完善和道德将情感识别纳入我们的数字互动中。关键字:多模式情绪,融合,机器学习,深度学习,回归,CNN,RNN。
背景:抑郁综合征(DS)和认知障碍(CI)与不成功的衰老有关。但是,对喀麦隆知之甚少。本研究旨在评估喀麦隆老年人中与DS和CI相关的因素。方法:为这项横断面研究选择了599名年龄≥60岁的人的代表性样本。社会人口统计学和健康数据。ds和CI。ROSOW移动量表,日常生活活动(ADL)和日常生活(IADL)量表的乐器活动用于评估功能能力。CHI-2,ANOVA和多元回归分析,以评估与DS和CI相关的因素。统计显着性的阈值为5%。结果:平均年龄为68.9±7.2岁,性别比m/ f = 0.93,体重为68.5±14.7 kg。ds影响了14.5%的人口,CI为21.4%。在多变量分析中,DS与男性性别(OR)= 1.7 [95%置信区间(CI):1.1 - 2.7],P = 0.031)和不活动(OR = 1.7 [95%CI:1.0 - 3.0],P = 0.043)。结论:相关的因素表明,与无活动的不活动作斗争并鼓励早期和长期教育以防止老年人中的DS和/或CI。ci与缺乏教育(OR = 6.5 [95%CI:3.5 - 12.2],p <0.001),无活动性(OR = 5.3 [95%CI:1.6 - 17.9],p = 0.008),p = 0.008),单个(OR = 3.7 [95%CI:1.2 - 11.3],p = 0.0%,p = 0.05%,或3.3%,或civi:6或= 3.3%或civi:1.6或civi:1。1.1.1.19(或civi:1。1.1y)(或civi:1。1.1y)(或civi off off offof offof offof。 - 6.5],p = 0.001),并且与无IADL(OR = 0.3 [95%CI:0.2 - 0.6],P = 0.001)和ADL残疾(OR = 0.5 [95%CI:0.2 - 0.9],P = 0.032)。
短期健康调查(SF-36)[31,32] 36个项目调查,测量8个健康领域:(1)由于健康问题而导致的体育活动的限制; (2)由于身体或情感问题,社交活动的局限性; (3)由于身体健康问题而导致的通常角色活动的限制; (4)身体疼痛; (5)一般心理健康; (6)由于情绪问题而导致的通常角色活动的限制; (7)活力; (8)一般健康感知。Euroqol 5维(EQ-5D)[33]患者报告了衡量5个领域生活质量的结果:流动性,自我保健,通常的活动,疼痛/不适以及焦虑/抑郁症。每个维度都在3级严重性排名上进行评分,范围从“无问题”到“极端问题”。还包括一个0-100的视觉模拟量表,以评估患者的自我评估总体健康状况(100 =您可以想象的最佳健康; 0 =您能想象的最糟糕的健康)。152
在冥想的实践中,自我生成和自发的思想的发生以及思想从冥想的预期目标中徘徊的倾向是无处不在的,并构成了冥想的基本教义:对我们的注意力的提高和我们注意的内容的认识,是我们注意力的内容的认识。挥舞着思维方式为个人提供了一个独特而亲密的机会,可以仔细研究流浪思维的本质,培养人们对正在进行的思维模式的认识,同时培养平等(偶数的脾气或性格),并培养对思想,解释和身体上的感觉的内容。在这篇综述中,我们提供了一个理论框架,强调了神经认知机制,通过这种框架,沉思实践影响了自发思想的神经和现象学过程。我们的理论模型集中于几种融合机制:元意识在促进自发思维过程的瞬间意识中的提高时刻的作用,冥想实践对自上而下的认知过程的关键结构的影响,以及在关注和情绪调节中均涉及跨越的认知过程,以及在跨越的效果中,以及在现代效果下的影响,并影响了现代性的效果。脱钩。