XiaoMi-AI文件搜索系统
World File Search SystemfMRI
fbnetgen：通过功能性脑网络生成
功能磁共振成像（fMRI）是研究大脑功能的最常见成像模态之一。最新的神经科学的研究压力由fMRI数据构建的功能性脑网络的巨大潜力，以进行临床预测。传统功能大脑网络是嘈杂的，并不意识到下游预测任务，同时也与深图神经网络（GNN）模型不兼容。为了完全释放GNN在基于网络的fMRI分析中的力量，我们开发了FBNet-Gen，这是一种通过深脑网络生成的任务感知和可解释的fMRI分析框架。尤其是我们制定（1）关注的关注区域（ROI）具有提取，（2）脑网络的生成，以及（3）在特定预测任务的指导下，在可端到端的可训练模型中，用GNNS进行了临床预测。随着过程，关键的新颖组件是图形生成器，该图形学会将原始的时间序列特征转换为以任务为导向的大脑网络。我们的可学习图还通过突出与预测相关的大脑区域来提供独特的解释。在两个数据集上进行了全面的实验，即最近发布且目前最大的公开利用FMRI数据集青少年脑认知发展（ABCD）和广泛使用的FMRI数据集PNC，证明了FBNETGEN的卓越有效性和可解释性。该实现可在https://github.com/wayfear/fbnetgen上获得。关键字：fMRI，大脑网络，图形生成，图形神经网络
使用卷积自动编码器模型和 Interv 在 rs-fMRI 模式中自动诊断精神分裂症和注意力缺陷多动障碍
摘要 当今世界，许多人患有脑部疾病，他们的健康受到威胁。到目前为止，已经提出了许多诊断精神分裂症 (SZ) 和注意力缺陷多动障碍 (ADHD) 的方法，其中功能性磁共振成像 (fMRI) 模态是医生中流行的方法。本文提出了一种使用新深度学习方法的静息态 fMRI (rs-fMRI) 模态的 SZ 和 ADHD 智能检测方法。加州大学洛杉矶分校数据集包含 SZ 和 ADHD 患者的 rs-fMRI 模态，已用于实验。FMRIB 软件库工具箱首先对 rs-fMRI 数据进行预处理。然后，使用具有建议层数的卷积自动编码器模型从 rs-fMRI 数据中提取特征。在分类步骤中，引入了一种新的模糊方法，称为区间型2模糊回归（IT2FR），然后通过遗传算法、粒子群优化和灰狼优化（GWO）技术进行优化。此外，还将IT2FR方法的结果与多层感知器、k最近邻、支持向量机、随机森林和决策树以及自适应神经模糊推理系统方法进行了比较。实验结果表明，与其他分类器方法相比，采用GWO优化算法的IT2FR方法取得了令人满意的结果。最后，提出的分类技术能够提供72.71％的准确率。
FMRI的创造性数学推理研究：不同级别的认知能力的行为和大脑效应
背景：许多数学推理的学习方法鼓励模仿程序（算法推理，AR），而不是更具建设性的推理过程（创造性的数学推理，CMR）。最近的研究表明，与AR相比，使用CMR学习会导致在随后的测试中提高性能和差异性大脑活动。在这里，我们考虑了个体差异在认知能力中与CMR影响有关的作用。方法：我们采用了受试者内干预（n = 72，M = 18.0），然后在一个星期后进行大脑成像会（fMRI）。一系列认知测试在干预之前。参与者根据其认知评分（低，中级和高）分为三个认知能力群。结果：与AR相比，在先前使用CMR实践的数学任务上，我们观察到了更好的性能，并且在数学认知的关键区域中的大脑活动较高，例如左角回和左下/中额回。CMR效应没有与认知能力相互作用，尽管对性能的影响是由中间和高认知能力组驱动的。结论：在学习数学推理时鼓励学生参与建设性过程，这赋予了对脑激活的持久学习影响，而与认知能力无关。但是，缺乏对低认知能力组的CMR影响，表明未来的研究应集中于个性化的学习干预措施，从而为与CMR进行艰苦的斗争提供了更多的机会。
使用实时 fMRI 成功控制伤害感受处理的皮质网络
实时 fMRI (rt-fMRI) 能够通过神经反馈自我调节局部大脑区域的神经活动。先前的研究表明，在伤害性刺激期间，前扣带皮层 (ACC) 和岛叶 (Ins) 的神经活动可以成功上调和下调。然而，这种自我调节能力在受试者中是不同的，可能与自上而下的认知疼痛控制能力有关。此外，特定大脑区域如何相互作用以成功调节伤害性处理和基于神经反馈的大脑调节尚不清楚。使用频域连接分析框架检查 ACC 和 Ins 的上调或下调，并评估疼痛强度和不愉快程度。我们发现成功的上调和下调是由 ACC 及其与 Ins 和次级体感皮层的功能连接介导的。成功的上调或下调与疼痛评级之间没有显著关系。这些发现表明，在调节 ACC 和 Ins 活动期间，参与伤害性处理的大脑区域之间存在功能相互作用，并且频域连接分析与实时 fMRI 的相关性也很高。此外，尽管神经调节成功，但疼痛评级没有变化，这表明疼痛是一种复杂的感知，可能比其他感觉或情绪过程更难改变。
重度抑郁症患者的大脑功能加速老化：来自中国参与者大规模 fMRI 分析的证据
重度抑郁症 (MDD) 是最常见的精神健康状况之一，因其与脑萎缩和死亡的关系而受到深入研究。最近的研究表明，预测年龄和实际年龄之间的偏差可以作为大脑加速衰老的标志，以表征 MDD。然而，目前的结论通常是基于从白人参与者收集的结构性 MRI 信息得出的。这种生物标志物的普遍性需要通过具有不同民族/种族背景的受试者和不同类型的数据进一步验证。在这里，我们利用 REST-meta-MDD，这是一个从中国多个队列参与者收集的大规模静息态 fMRI 数据集。我们基于 1101 名健康对照开发了一个堆叠机器学习模型，该模型可以从 fMRI 估计受试者的实际年龄，并且非常准确。然后将训练好的模型应用于来自 24 个地点的 1276 名 MDD 患者。我们观察到，与对照组相比，MDD 患者的大脑预测年龄差异 (brain-PAD) 高出 +4.43 岁 (p < 0.0001, Cohen ' sd = 0.31, 95% CI: 2.23 – 3.88)。在 MDD 亚组中，我们观察到与未使用药物的患者相比，服用抗抑郁药物的患者的大脑 PAD 具有统计学上显著的 +2.09 岁 (p < 0.05, Cohen ' sd = 0.134525)。通过三种不同的机器学习算法进一步检查观察到的统计关系。在中国参与者身上观察到的阳性大脑 PAD 证实了 MDD 患者存在大脑衰老加速的情况。利用功能性大脑连接进行年龄估计从新的维度验证了现有的发现。
实时fMRI神经反馈系统，用于减轻抑郁症的临床缓解脑状态的抑郁症：原理研究证明
1精神病学系，医学院，跨学科神经科学中心，庞蒂亚天主教大学智利天主教大学，圣地亚哥，智利，2实验室，用于脑机界面和神经调节实验室，宗教教育学，智利智利，chile，chile，chile in Interybology of Santiago and Santia and Intery of Intersyal of Intersancy of Santia and Satryal of Surtyal of Surtyal of Satryal of Satryal of Satryal of Satry and Cartivation of Scraty an德国图宾根（Tübingen），德国，高级定量图像单位，图像部，德国临床大学医学院，圣地亚哥，智利，智利5实验室，社会复杂性社会复杂性研究中心（神经科学研究中心）（神经科学），政府政府，政府教职员工，开发大学，圣地亚哥大学，圣地亚哥大学，圣地亚哥大学，St.美国田纳西州孟菲斯医院
利用 fMRI 和全皮层模式光遗传学对全脑有效连接进行映射
6 这些作者对这项工作做出了同等贡献。 *通信地址：seonggikim@skku.edu 和 choim@snu.ac.kr 摘要 带有光遗传学神经操控的功能性磁共振成像 (fMRI) 是一个强大的工具，可以实现全脑有效功能网络的映射。为了灵活操控整个小鼠皮质的神经兴奋，我们首次通过光纤束将数字微镜设备产生的时空可编程光遗传学刺激整合到 MR 扫描仪中。这种方法在规划光刺激模式时提供了空间和时间的灵活性，并结合了单个小鼠的原位光学成像和细胞类型或电路特定的基因靶向。通过对基于图谱的皮质区域进行光遗传学刺激的 fMRI 获得的全脑有效连接通常与解剖学定义的轴突追踪数据一致，但会受到选择性作用于特定连接的麻醉剂类型的影响。 fMRI 与灵活的光遗传学相结合，通过高通量的全脑有效连接映射，开辟了一条研究同一动物脑功能状态动态变化的新途径。引言功能架构的无创映射对于研究与行为和病理变化相关的脑回路中具有因果关系的重要变化至关重要。为此，基于血流动力学的功能性磁共振成像 (fMRI) 已被广泛用作神经活动的替代品，通过不同解剖区域之间 fMRI 时间序列的同步程度，无创地映射功能连接 (FC)1,2。人类在任务和静息条件下的 FC 相似，可以用作预测个体认知行为的指纹 3,4 。然而，为了更好地在回路层面上理解 FC，需要有效连接 (EC)，即一个大脑区域对另一个大脑区域的因果影响 5 。然而，fMRI 的时间分辨率有限（通常为 ~1 秒）和缓慢的血流动力学功能使得很难推断影响的方向。为了克服这一限制，可以利用明确区域中的神经元活动的调节来触发下游 fMRI 反应，从而让我们确定 EC 的方向和强度。
神经语言任务学：哪些 NLP 任务最能预测 fMRI 大脑活动？
已经发现几种流行的基于 Transformer 的语言模型可成功用于文本驱动的大脑编码。然而，现有文献仅利用预训练的文本 Transformer 模型，尚未探索针对特定任务学习到的 Transformer 表示的有效性。在这项工作中，我们探索从十种流行的自然语言处理任务（两种句法和八个语义）学习到的表示中进行迁移学习，以预测来自两个不同数据集的大脑反应：Pereira（阅读段落中句子的受试者）和 Narratives（听口述故事的受试者）。基于任务特征的编码模型用于预测整个大脑不同区域的活动。共指消解、NER 和浅层语法分析的特征可以解释阅读活动的更大差异。另一方面，对于听力活动，诸如释义生成、总结和自然语言推理等任务表现出更好的编码性能。针对所有 10 个任务表征的实验提供了以下认知见解：（i）语言左半球比语言右半球具有更高的预测大脑活动，（ii）后内侧皮质、颞顶枕交界处、背额叶比早期听觉和听觉联想皮质具有更高的相关性，（iii）句法和语义任务在阅读和听力刺激方面分别显示出跨大脑区域的良好预测性能。
EEG、fMRI 和 TMS 系统中的单芯片微型 Mote
该项目的目标是在 TMS 期间测量 MRI 中的 EEG 信号并以无线方式报告 EEG 测量结果。将基于 SoC 的设备与尖端技术相结合的机会正在迅速扩大。作为超小型无晶体 SoC 开发的单芯片微型 Mote (SCμM) 为更多可能性打开了大门。同样，随着经颅磁刺激 (TMS)、脑电图 (EEG) 和功能性磁共振成像 (fMRI) 越来越受欢迎，大脑刺激和测量也取得了飞跃。通过评估 EEG 和 fMRI 大脑对 TMS 脉冲的反应来结合这三个元素的结构将提供宝贵的研究机会。为了帮助促进 TMS 和 fMRI 环境中的 EEG 测量，需要将数据从电极传递到外部计算机进行即时分析。SCμM 能够在各种设置和环境中运行，使其成为将这三种实践 TMS、EEG 和 fMRI 结合到组合操作中的系统组件的理想候选者。我们能够验证 SCμM 在连接到印刷电池时在 MRI 扫描期间是否正常工作。我们还能够确认 SCμM 不会在距离 SCμM 1 英寸处以高达 97% 的相对幅度传递的 TMS 脉冲下重置。我们无法在 MRI 中用 EEG 模拟前端 (ADS1299) 在新的开发板上测试 SCμM，但我们能够通过 Sulu SCμM 开发板的 GPIO 引脚通过 SPI 与 ADS1299 通信。
使用静息态 fMRI 绘制人类大脑中的多巴胺能投射
1 荷兰奈梅亨拉德堡德大学医学中心 Donders 大脑、认知和行为研究所；2 荷兰奈梅亨拉德堡德大学医学中心认知神经科学系；3 澳大利亚克莱顿莫纳什大学心理科学学院特纳大脑与心理健康研究所和莫纳什生物医学成像研究所；4 荷兰蒂尔堡大学蒂尔堡认知与交流中心交流与认知系；5 西班牙塞维利亚塞维利亚生物医学研究所 (IBiS)；6 荷兰奈梅亨拉德堡德大学医学中心神经病学系和帕金森与运动障碍专业中心；7 英国伦敦伦敦国王学院精神病学研究所神经影像科学中心；8 英国牛津大学 Wellcome 综合神经影像中心 (WIN FMRIB)