XiaoMi-AI文件搜索系统
World File Search Systemneural
神经类器官
摘要 神经退行性疾病 (NDD) 是一组以神经细胞退化为特征的疾病，包括阿尔茨海默病、帕金森病和亨廷顿病。当前的研究依赖于动物模型和二维细胞培养，限制了疾病的准确复制。然而，源自干细胞的 3D 神经类器官为 NDD 研究提供了令人兴奋的前景。神经类器官与正在发育的人类大脑非常相似，已成为疾病建模和药物筛选的宝贵工具。它们可以分化成特定的神经细胞类型并模拟疾病特异性蛋白质聚集。脑类器官改进了药物筛选，评估了药物对神经活动和 BBB 通透性的影响。挑战包括可重复性、血管化和小胶质细胞掺入。尽管如此，神经类器官代表了 NDD 研究的革命性方法，提供了生理相关模型。随着技术的进步，神经类器官在理解和发现神经退行性疾病药物方面具有巨大的前景。关键词：3D 细胞培养、脑类器官、阿尔茨海默病、帕金森病。
神经网络
基于多模态神经生理时间序列（多导睡眠图 PSG）的计算睡眠评分已在临床上取得了令人瞩目的成功。仅使用 PSG 中单个脑电图 (EEG) 通道的模型尚未获得同样的临床认可，因为它们缺乏快速眼动 (REM) 评分质量。这一缺陷是否可以完全弥补仍然是一个重要问题。我们推测，主要的长短期记忆 (LSTM) 模型不能充分表示远处的 REM EEG 段（称为时期），因为 LSTM 将这些段压缩为来自独立过去和未来序列的固定大小向量。为此，我们引入了 EEG 表示模型 ENGELBERT（electro En cephalo G raphic E poch L ocal B idirectional Encoder R epresentations from T Transformer）。它联合关注过去和未来的多个 EEG 时期。与语言中的典型标记序列（注意力模型最初就是为其设计的）相比，夜间脑电图序列很容易跨越 1000 多个 30 秒的时期。重叠窗口上的局部注意力将关键的二次计算复杂度降低到线性，从而实现了从一小时以下到全天的灵活评分。ENGELBERT 至少比现有的 LSTM 模型小一个数量级，并且易于在一个阶段从头开始训练。它在 3 个单脑电图睡眠评分实验中超越了最先进的宏 F1 分数。REM F1 分数被推高到至少 86%。ENGELBERT 实际上将与基于 PSG 的方法的差距从 4-5 个百分点 (pp) 缩小到不到 1 pp F1 分数。© 2022 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
卷积神经网络
脑电图 (EEG) 使用放置在头皮上的传感器实时测量大脑电活动。必须识别并消除由于眼球运动和眨眼、肌肉/心脏活动和一般电干扰而产生的伪影，以便正确解释 EEG 的有用脑信号 (UBS)。独立分量分析 (ICA) 可有效地将信号分成独立分量 (IC)，这些分量在 2D 头皮地形图 (图像)（也称为地形图）上的重新投影允许识别/分离伪影和 UBS。到目前为止，IC 地形图分析（EEG 的黄金标准）一直由人类专家以视觉方式进行，因此无法用于自动、快速响应的 EEG。我们提出了一个基于 2 D 卷积神经网络 (CNN) 的 IC 拓扑图脑电图伪影识别的完全自动化和有效框架，能够将拓扑图分为 4 类：3 种伪影类型和 UBS。描述了框架设置，并展示、讨论了结果，并将其与其他竞争策略的结果进行了比较。在公共脑电图数据集上进行的实验表明，总体准确率超过 98%，在标准 PC 上用 1.4 秒对 32 个拓扑图进行分类，即驱动一个由 32 个传感器组成的脑电图系统。虽然不是实时的，但提出的框架足够高效，可用于基于快速响应脑电图的脑机接口 (BCI)，并且比其他基于 IC 的自动方法更快。
神经网络
深度神经网络 (DNN) 已成为对大脑和行为进行建模的重要工具。一个关键的关注领域是将这些网络应用于对人类相似性判断进行建模。之前的一些研究使用了视觉 DNN 倒数第二层的嵌入，并表明对这些特征进行重新加权可以改善人类相似性判断与 DNN 之间的契合度。这些研究强调了这样一种观点，即这些嵌入形成了良好的基础集，但缺乏正确的显着性水平。在这里，我们重新审视了这一想法的依据，相反，我们假设这些嵌入除了形成良好的基础集之外，还具有正确的显着性水平来解释相似性判断。只是需要修剪大维嵌入以选择与相似性空间建模所考虑的领域相关的特征。在研究 1 中，我们根据人类相似性判断的子集监督了 DNN 修剪。我们发现，剪枝：i) 改进了 DNN 嵌入中人类相似性判断的样本外预测，ii) 与 WordNet 层次结构产生更好的对齐，iii) 保留了比重新加权更高的分类准确率。研究 2 表明，通过神经生物学数据进行剪枝对于改进 DNN 嵌入中大脑衍生的表征相异矩阵的样本外预测非常有效，有时可以充实原本无法观察到的同构。使用剪枝后的 DNN，可以生成图像级热图来识别特征加载在由大脑区域编码的维度上的图像部分。因此，由人类大脑/行为监督的剪枝可以有效地识别 DNN 和人类之间可对齐的知识维度，并构成一种理解神经网络中知识组织的有效方法。© 2023 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY 许可协议 ( http://creativecommons.org/licenses/by/4.0/ ) 开放获取的文章。
用于估计群体神经活动的通用神经网络模型，以实现稳健的神经解码
背景：稳健且连续的神经解码对于可靠且直观的神经机器交互至关重要。本研究开发了一种新型通用神经网络模型，该模型可以根据解码的群体运动神经元放电活动连续预测手指力。方法：我们实施了卷积神经网络 (CNN) 来学习从前臂肌肉的高密度肌电图 (HD-EMG) 信号到群体运动神经元放电频率的映射。鉴于 EMG 信号本质上是随机的，我们首先提取 EMG 能量和频率图的时空特征以提高学习效率。然后，我们通过对多个参与者的群体神经元放电活动进行训练建立了一个通用神经网络模型。使用回归模型，我们实时连续预测单个手指力。我们将力预测性能与两种最先进的方法进行了比较：神经元分解方法和经典的 EMG 幅度方法。结果：我们的结果表明，通用 CNN 模型优于特定于受试者的神经元分解方法和 EMG 振幅方法，测量力和预测力之间的相关系数更高，力预测误差更低。此外，CNN 模型显示出随时间推移更稳定的力预测性能。结论：总体而言，我们的方法为实时和稳健的人机交互提供了一种通用且高效的连续神经解码方法。
尖峰神经网络的脑启发的神经电路演变
在生物神经系统中，不同的神经元能够自组织形成不同的神经回路，以实现多种认知功能。但是，尖峰神经网络的当前设计范式基于深度学习的结构。这种结构以前馈连接为主，而无需考虑不同类型的神经元，这显着阻止了尖峰神经网络在复杂的任务上意识到它们的潜力。将生物神经回路的丰富动力学特性用于对当前尖峰神经网络的结构进行建模。本文通过将饲喂和反馈连接与兴奋性和抑制性神经元相结合，提供了更具生物学上合理的进化空间。我们利用神经元的局部尖峰行为来适应发展神经回路，例如正向激发，正向抑制，反馈抑制和局部局部抑制峰值依赖性依赖性可塑性，并与全球误差信号结合使用突触量。通过使用进化的神经回路，我们构建了尖峰神经网络，用于图像分类和增强学习任务。使用具有丰富的神经回路类型的脑启发的神经电路演化策略（NEUEVO），进化的尖峰神经网络极大地增强了感知和强化学习任务的能力。Neuevo在CIFAR10，DVS-CIFAR10，DVS-GETURE和N-CALTECH101数据集上实现了最新的性能，并在ImageNet上实现了高级性能。与人工神经网络一起实现可相当的性能，结合了上政策和非政策深度加固学习算法。TheevolvedSpikingNeuralCircuitSlayThayThayThayThaythayTheFoundationForneFoundationFortheeFoundationFortheeFoundationFortheeFoldutionforpsects and voldicts具有功能。
神经网络和电路模拟神经爆发和同步
摘要：现今，研究、建模、仿真和实现类脑系统以重现大脑行为已成为迫切的需求。本文通过建模两个基于霍普菲尔德神经网络（HNN）的神经网络模型来模拟神经爆发与同步。第一个神经网络模型由四个神经元组成，对应实现神经爆发放电。理论分析和数值模拟表明，简单的神经网络可以产生丰富的爆发动态，包括每次爆发有不同的脉冲的多个周期性爆发放电，多个共存的爆发放电，以及具有不同幅度的多个混沌爆发放电。第二个神经网络模型使用由两个以上小神经网络组成的耦合神经网络来模拟神经同步。基于李雅普诺夫稳定性理论从理论上证明了耦合神经网络的同步动力学。大量仿真结果表明耦合神经网络能够产生依赖于突触耦合强度的不同类型的同步行为，如反相突发同步、反相尖峰同步、完全突发同步等。最后，设计并实现了两个神经网络电路，展示了所构建神经网络的有效性和潜力。