XiaoMi-AI文件搜索系统
World File Search SystemfMRI
使用 fMRI 研究卖家声誉
网上拍卖使用各种独特的工具为产品和卖家提供质量信号，以试图克服网上市场的局限性。这些工具包括反馈评级和表示声誉的符号。然而，令人惊讶的是，很少有研究调查声誉指标在网上市场决策过程中的影响。据我们所知，之前没有研究检查过图形指标在网上决策中的作用。我们使用了 Becker-DeGroot-Marschak 程序和与事件相关的大脑活动测量实验，调查了决策过程和个人愿意为产品支付的价格溢价。正如信号理论所预期的那样，结果表明，当卖家出售的产品带有高声誉符号时，为产品支付的价格溢价更高。与低声誉卖家指标相比，高声誉卖家指标在与情绪相关的大脑前额叶皮层（腹内侧前额叶皮层）区域触发的神经活动明显更高。背外侧前额叶皮层和 VMPFC 的神经活动分别代表认知价值和认知与情感价值的整合程度，与个人对产品的溢价相关。结果表明符号学理论和信号理论在电子市场环境中的适用性，并为进一步的研究提供了有益的途径。
功能性磁共振成像（fMRI）
这些服务可能包含在所有 Medica 计划中，也可能不包含在内。保险范围受适用联邦或州法律的要求约束。请参阅会员的计划文件，了解其他具体保险范围信息。如果此一般信息与会员的计划文件存在差异，则将以会员的计划文件为准来确定保险范围。对于 Medicare、Medicaid 和其他政府计划，除非这些计划要求不同的保险范围，否则将适用此政策。会员可以拨打会员身份证上列出的电话号码联系 Medica 客户服务部，以更具体地讨论他们的福利。有疑问的提供商可以拨打免费电话 1-800-458-5512 联系 Medica 提供商服务中心。Medica 保险政策不是医疗建议。
生物元素开发的最新进展
背景：长期技能学习可以导致大脑的结构和功能变化。不同的运动可以触发不同大脑区域的神经可塑性。排球是最受欢迎的团队运动之一，在很大程度上依赖于个人能力，例如高级运动员的感知和预测。然而，与非运动员相比，有助于排球运动员表现出色的特定大脑机制尚不清楚。方法：我们进行了一项研究，涉及招募十名女性排球运动员和十名常规女大学生，分别组成了运动员和新手小组。对两组进行了全面的行为评估，包括功能运动屏幕和视听反应时间测试。此外，两组都采集了静息态磁共振成像（MRI）数据。随后，我们进行了深入的分析，重点是运动员和新手组中大脑中大脑中低频频率（ALFF），区域同质性（REHO）和功能连通性（FC）的幅度。结果：两组之间的行为数据中未观察到显着差异。然而，与新手组相比，运动员组在视觉皮层中的ALFF和REHO中都表现出值得注意的增强。结论：这项研究揭示了排球运动员对与视觉，运动和认知有关的各种大脑功能的显着影响。表明排球作为基于团队的竞争活动，促进了视觉，认知和运动技能的发展。此外，视觉皮层和关键大脑区域之间的功能连通性，包括左主感觉皮层，左辅助运动皮层，右岛，右岛，左上颞回和左下壁壁叶，在运动员组中比在运动员组中更强大。这些发现为运动才能的早期培养和青少年的全面发展提供了额外的支持。此外，他们还提供了预防和治疗与运动有关的疾病的新观点。
fMRI研究-UNL Digital Commons
认知重新评估是一种情绪调节的一种形式，涉及重新诠释刺激的含义，通常是为了下调一个人的负面影响。重新评估通常招募前额叶和顶叶皮层分布的区域，以产生新的评估并下调杏仁核中的情绪反应。在当前的研究中，我们将fMRI任务中的重新评估能力与儿童和青少年样本中的情感灵活性进行了比较（6至17岁，n = 76）。情感灵活性被定义为第二个行为任务中含糊不清（惊讶）面部表情的价值解释的可变性。的结果表明，年龄和AF的灵活性预测了重新评估能力，并且相互作用表明儿童（但不是青少年）的灵活性支持重新评估的成功。利用对参与者大胆时间课程的基于兴趣的区域分析，我们还发现了可解散的重新评估相关的大脑机制，这些机制支持重新评估成功和情感灵活性。具体而言，前额叶皮层活性的迟到支持重新评估成功，杏仁核活性的迟到支持灵活性。在一起，这些结果表明，我们对情感灵活性的新型度量 - 观察模棱两可的情感提示的多种解释的能力 - 可能代表了认知重新评估能力的发展构件的一部分。
数学推理的神经相关性：一项 fMRI 研究
我们通过功能性磁共振成像测量了六名年轻健康参与者在解决数学问题时的大脑激活情况。参与者解决了从必要算术运算测试 (NAOT) 中选出的问题，已知该测试与流畅推理任务相关。在三种情况下，参与者解决需要 (1) 一次操作（简单问题）、(2) 两次操作（困难问题）或 (3) 简单阅读和匹配单词（匹配问题）的问题，以控制 N A O T 问题的感知、运动和文本阅读需求。与匹配问题相比，受试者解决简单问题时观察到主要双侧额叶激活和最小后部激活。与简单问题相比，困难问题中观察到左顶叶区域的较小双侧额叶、颞叶和侧向激活。所有这些区域在困难问题中比在匹配问题中激活得更多。这些激活中的许多发生在与工作记忆相关的区域。这些结果表明，流畅推理是由工作记忆系统的复合体介导的，其中包括中央执行和领域特定数字和言语工作记忆。简介 数学问题解决是一项多组分认知任务，需要工作记忆、从属系统和中央执行的所有方面。算术运算的执行是数学问题解决中一个研究得很好的组成部分。许多病变和脑成像研究已经将对算术运算至关重要的大脑区域定位到与工作记忆相关的区域。在执行基本算术运算时，工作记忆被查询为中间产品，这些产品对于后续操作是必需的，必须积极维护，直到当前处理完成。数学问题解决中另一个尚未受到太多关注的组成部分是算术推理。在更复杂的问题中需要算术推理来确定解决给定问题需要哪些算术运算。在执行算术推理的过程中，需要进行目标管理、策略转变和规划作为评估
fMRI 神经反馈任务的动态因果建模
1 智利圣地亚哥天主教大学工程、医学和生物科学学院生物和医学工程研究所，2 智利瓦尔帕莱索大学脑动力学实验室，3 智利维尼亚德尔马安德烈斯贝洛大学工程学院健康与福祉创新技术研究所，4 英国伦敦大学学院认知神经科学研究所，5 美国纽约州纽约市哥伦比亚大学精神病学系，6 英国伦敦大学学院神经病学研究所威康人类神经影像中心，7 美国田纳西州孟菲斯市圣裘德儿童研究医院，8 西班牙瓦伦西亚瓦伦西亚研究生院和人工智能研究网络，9 西班牙瓦伦西亚大学工程学院电子工程系
状态相关神经对 fMRI 连接估计的影响
功能性磁共振成像 (fMRI) 信号的时空结构为了解人类大脑功能和功能障碍的网络基础提供了宝贵的窗口。尽管一些跨区域时间相关性模式（功能连接 (FC)）在个体和物种之间表现出高度的稳定性，但人们越来越认识到 FC 的测量值可以在一系列时间尺度上表现出显着变化。此外，FC 可以与实验任务需求和与唤醒、意识和感知、认知和情感状态以及大脑与身体相互作用相关的持续神经过程共同变化。越来越多的人认识到这些相互关联的神经过程会调节 FC 测量，这为使用 FC 研究大脑功能带来了挑战和新机遇。在这里，我们回顾了影响 fMRI FC 的神经效应量化的最新进展，并讨论了这些发现在 fMRI 研究的设计和分析中的广泛影响。我们还讨论了如何更全面地了解影响 FC 测量的神经因素，以解决文献中明显的不一致之处，并从 fMRI 研究中得出更易于解释的结论。
功能性 BOLD MRI (fMRI) 序列设置
在本文中，我们将回顾 fMRI BOLD 采集的设置。PBS 研究人员主要使用梯度回波 (GE) 回波平面成像 (EPI) 单次激发序列进行 fMRI BOLD 采集。我们也安装了相同的序列，但 CMRR 也对其进行了高度可定制的 WIP。因此，我们拥有通用的西门子版本和相同序列的多功能 CMRR 版本。使用 CMRR BOLD 序列，我们还可以采集多回波 fMRI 数据，这些数据可以用 TEDANA 或 fMRIprep 进行预处理。CMRR 序列还能够采集可用于失真校正的 fMRI 向上闪烁向下闪烁数据，其中 AFNI 具有内置算法来处理此类数据。下面将提到如何选择这些选项的参数。
fMRI 数据的神经拓扑因子分析
神经影像学研究针对少量参与者和刺激物产生了数 GB 的时空数据。研究人员很少尝试建模和检查个体参与者之间的差异——只要使用正确的统计工具，即使在小样本中也应该可以解决这个问题。我们提出了神经拓扑因子分析 (NTFA)，这是一种概率因子分析模型，可以推断参与者和刺激物的嵌入。这些嵌入使我们能够将参与者和刺激物之间的差异推断为信号而不是噪声。我们根据内部试点实验的数据以及两个公开可用的数据集评估 NTFA。我们证明，与以前的拓扑方法相比，推断参与者和刺激物的表示可以提高对未见数据的预测泛化。我们还证明推断的潜在因子表示对于下游任务（例如多体素模式分析和功能连接）很有用。
用于 fMRI 分析的功能模式细粒度图谱
群体成像显著增加了功能成像数据集的大小，为个体间差异的神经基础提供了新的见解。分析这些大数据带来了新的可扩展性挑战，包括计算和统计方面的挑战。因此，大脑图像通常总结为几个信号，例如使用大脑图谱或功能模式减少体素级测量值。选择相应的大脑网络非常重要，因为大多数数据分析都是从这些减少的信号开始的。我们贡献了精细解析的功能模式图谱，包含 64 到 1024 个网络。这些功能模式词典 (DiFuMo) 是在数百万个 fMRI 功能性大脑体积上训练的，总大小为 2.4TB，涵盖了 27 项研究和许多研究小组。我们展示了在我们的细粒度图谱中提取精简信号对许多经典功能数据分析流程的好处：从 12,334 个大脑反应中解码刺激、跨会话和个体的 fMRI 标准 GLM 分析、提取 2,500 个个体的静息状态功能连接组生物标志物、对超过 15,000 个统计图进行数据压缩和荟萃分析。在每一个分析场景中，我们都将我们的功能图谱与其他流行参考资料的性能进行比较，并与简单的体素级分析进行比较。结果强调了使用高维“软”功能图谱来表示和分析大脑活动同时捕捉其功能梯度的重要性。高维模式的分析实现了与体素级类似的统计性能，但计算成本大大降低，可解释性更高。除了提供它们之外，我们还根据这些模式的解剖位置为其提供有意义的名称。这将有助于报告结果。