XiaoMi-AI文件搜索系统
World File Search Systemcortical
变形金刚和皮层波：编码器，用于跨时间在上下文中拉动
摘要：诸如ChatGpt和其他大型语言模型（LLM）等变压器网络的功能引起了世界的关注。其性能基础的至关重要的计算机制依赖于将完整的输入序列（例如，句子中的所有单词）转换为一个长的“编码向量”，该序列使变压器可以在自然序列中学习长距离的时间依赖性。具体来说，应用于此编码向量的“自我注意力”通过计算输入序列中的单词对之间的关联来增强变形金刚中的时间上下文。我们建议，跨单个皮质区域或以整个脑规模的多个区域传播的神经活动波可以实施类似的编码原理。通过将最新的输入历史记录到每个时间时刻，皮层波可以使时间上下文从感觉输入的序列中提取，这是变压器中使用的计算原理。
端到端学习皮质神经假体视觉的安全刺激参数
通过皮质视觉神经植物对大脑的直接电刺激是一种有前途的方法，可以通过诱导对局部光（称为“磷烯”的局部光）感知来恢复视力障碍的基本视力。除了将复杂的感官信息凝结成低时空和空间分辨率下的有意义的刺激模式外，为大脑提供安全的刺激水平至关重要。我们提出了一个端到端框架，以学习安全生物学约束中最佳刺激参数（振幅，脉冲宽度和频率）。学习的刺激参数将传递给生物学上合理的磷酸模拟器，该模拟器考虑了感知到的磷光的大小，亮度和时间动力学。我们对自然导航视频的实验表明，将刺激参数限制为安全水平不仅可以维持磷光元素的图像重建中的任务性能，而且始终导致更有意义的磷光视觉，同时提供了对最佳刺激参数范围的见解。我们的研究提出了一种刺激生成的编码器，该编码器学习刺激参数（1）满足安全性约束，（2）使用高度实现的磷光模拟器来最大化图像重建和磷光解释性的合并目标，以计算刺激的时间动力学。端到端学习刺激参数以这种方式实现了关键的生物安全限制以及手头硬件的技术限制。
不同疾病的皮层下脑容量、区域皮层厚度和皮层表面积：ENIGMA ADHD、ASD 和 OCD 工作研究的发现
Boedhoe，PSW，Van Rooij，D.，Hoogman，M.，Twisk，JWR，Schmaal，L.，Abe，Y.，Alonso，P.，Ameis，SH，Anikin，A. S.，Baur-streubel，R.，Behrmann，M.，Bellgrove，MA，Benedetti，F.，Beucke，J.C.，Biederman，J.，Bollettini，I.，Bose，A.，Bralten，J.，Bralten，J.，Bramati，Bramati ，FX，Cercignani，M.，Chaim-Avancini，T.M.，Chantiluke，K.C。，Cheng，Y. D.，Deruelle，C.，Di Martino，A.，Dinstein，I.，Doyle，A.E.，Durston，S.，Earl，E.A. 。
与年龄有关的“皮质” 1/f 动力学变化与心脏活动有关
图 1：使用 M/EEG 和 ECG 研究的非周期性活动的文献分析。A) 时域和频域中不同类型非周期性活动的说明。BC) 我们使用 LISC 21（一个用于收集和分析科学文献的软件包）分析了 PubMed 上索引的 489 篇摘要。B) 该分析表明，非周期性活动的变化与神经和心脏活动测量中的相似特征、状态和疾病有关。C) 我们进一步注意到，在摘要中提到心脏和皮质非周期性活动的研究（N=4）有微小的重叠。然而，这些研究都没有考虑心脏非周期性活动对皮质非周期性活动测量的混杂影响。D) 我们还发现，2020 年代与神经非周期性活动研究相关的研究急剧增加，凸显了神经科学界对该主题的当前兴趣。 EF) 我们进一步下载并分析了免费提供的 M/EEG 研究全文，这些研究调查非周期性活动，以了解心脏活动的处理程度和处理方式。该分析显示，只有 17.1% 的 EEG 研究消除了心脏活动，只有 16.5% 的研究测量了 ECG（对于 MEG，45.9% 消除了心脏活动；31.1% 提到测量了 ECG）。我们进一步希望确定哪些伪影抑制方法最常用于消除心脏活动，例如独立成分分析 (ICA 22 )、奇异值分解 (SVD 23 )、信号空间分离 (SSS 24 )、信号空间投影 (SSP 25 ) 和去噪源分离 (DSS 26 )。我们发现 EEG 和 MEG 记录中最常用的方法是独立成分分析 (ICA)。GH) 任意选择以前的研究（N = 60）表明，大量不同的频率范围用于研究非周期性活动。虽然大量研究调查了~0.1-50 Hz 之间的范围
大脑皮层和皮层下网络预测当前心率
摘要 静息心率可能会增加患心血管疾病 (CVD) 和其他不良心血管事件的风险。虽然脑干对心率的自主控制已得到充分证实，但人们对高级皮质和皮质下大脑区域的调节作用知之甚少，尤其是在人类中。这项研究试图描述预测健康成年人普遍心率变化的大脑网络。我们使用专为复杂、高维数据集设计的机器学习方法，从 fMRI 测量的全脑血流动力学信号中预测瞬时心动周期 (心跳间隔) 的变化。基于任务和静息状态的 fMRI 以及外周生理记录取自两个包含个体内大量重复测量的数据组。我们的模型能够可靠地从个体内和个体间的全脑 fMRI 数据中预测瞬时心动周期，在参与者内部测量时预测准确率最高。我们发现，皮层和皮层下脑区网络（其中许多与内脏运动和内脏感觉过程相关）是心动周期变化的可靠预测因素。这为脑-心相互作用提供了更多证据，并朝着开发临床适用的脑对心血管疾病风险贡献的生物标记物迈出了一步。
皮层手图的延伸性，遵循指导神经阻滞
猴子中的电生理研究表明，手指截肢会触发局部重塑，内部的原发性体感皮质（S1）。人类神经影像学研究表明，即使在截肢后数十年，也表明了缺失手指的持续代表。在这里，我们探讨了这种明显的矛盾是否源于低估手部图中手指的分布的外围和中心表示。使用药理学单指神经阻滞和7-Tesla神经影像学，我们首先复制了局部S1重新映射的先前帐户（电生理和其他）。局部阻塞还触发了整个手部区域的活动的活动变化。使用利用指定代表重叠的方法，我们还表明，尽管输入损失，但被阻塞的手指表示仍然持久。计算建模表明，局部稳定性和全局重组都是由地形图基础的分布处理以及稳态机制结合的。我们的发现揭示了复杂的指代代表性特征，这些特征在大脑（RE）组织，超越（RE）映射中起着关键作用。
学习同时进行手指按压序列时的皮质变化
摘要 关于运动技能习得背后的皮质改变仍存在争议。在这项针对年轻人的纵向研究中，我们在 6 周内每周进行一次表现和神经影像学 (7 T MRI) 测量，以研究与学习用非惯用手同时按压手指的序列相关的神经变化。干预组 (n = 33)（在家练习手指序列）和对照组 (n = 30，未在家练习）均表现出总体表现改善，但是干预组进行强化训练的序列表现改善更多，且与未进行强化训练的序列相比更一致。与未进行训练的序列相比，双侧顶叶和运动前皮质的大脑活动对于训练过的序列有所减少。未检测到与训练相关的主要感觉运动区域的变化。训练过和未训练序列之间的激活模式相似性在次要感觉运动区域降低，但在主要感觉运动区域没有降低，而不同训练过序列之间的激活模式相似性没有显示出可靠的变化。无论是试验中激活模式的变异性，还是大脑结构的估计值，都没有显示出与练习相关的、达到统计显著性的变化。总体而言，学习配置序列的主要相关性是次级运动区域大脑活动的减少。
运动皮质电路受到不同运动强度的唯一影响
。cc-by-nc-nd 4.0国际许可证（未经同行评审证明）获得的是作者/资助者，他授予Biorxiv授予Biorxiv的许可，以永久显示预印本。这是该版本的版权持有人，该版本发布于2025年1月25日。 https://doi.org/10.1101/2025.01.24.634315 doi：Biorxiv Preprint
学习阅读如何改变视觉和语言的皮质网络
识字能改善大脑功能吗？它是否也会导致大脑功能丧失？我们利用功能性磁共振成像，测量了不同识字水平的成年人（10 人为文盲，22 人成年后识字，31 人在童年时期识字）对口语和书面语言、视觉面孔、房屋、工具和跳棋的大脑反应。识字能增强书写引起的左梭状回激活，因此会在此位置引发与面孔的小规模竞争，但同时也广泛增强了梭状回和枕叶皮质的视觉反应，并延伸至 V1 区。识字还能增强颞平面对语音的语音激活，并能自上而下地激活口头输入的正字法。大多数变化甚至发生在成年后获得识字能力时，这强调了童年和成人教育都可以极大地改善皮质组织。P
通过分布式光遗传皮层反馈在闭环脑机接口中进行学习
摘要 目的 在通过脑机接口操纵假肢的过程中，皮质表面的分布式微刺激可以有效地向受试者提供反馈。这种反馈可以向假肢使用者传达大量信息，可能是获得假肢的精确控制和实施的关键。然而，到目前为止，人们对解码此类模式的生理限制知之甚少。在这里，我们旨在测试一种旋转光遗传反馈，该反馈旨在有效地编码假肢中使用的机器人执行器的 360° 运动。我们试图评估通过闭环脑机接口控制假肢关节的小鼠对其的使用情况。 方法 我们测试了小鼠优化虚拟假肢关节轨迹的能力，以解决奖励性伸手任务。它们可以通过调节初级运动皮层中单个神经元的活动来控制关节的速度。在任务期间，投射到初级体感皮层上的模式化光遗传刺激不断向小鼠传递有关关节位置的信息。主要结果 我们表明，小鼠能够在任务的主动行为环境中利用连续、旋转的皮质反馈。小鼠通过更频繁地检测奖励机会，以及通过将关节更快地移向奖励角区，并在奖励区停留更长时间，实现了比没有反馈时更好的控制。控制关节加速度而不是速度的小鼠无法改善运动控制。 意义 这些发现表明，在闭环脑机接口的背景下，可以利用具有优化形状和拓扑的分布式皮质反馈来控制运动。我们的研究直接应用于机器人假肢中经常遇到的旋转关节的闭环控制。 1. 简介