XiaoMi-AI文件搜索系统
World File Search Systemneuroscience
以及 FAIR 工作流程中的数据驱动神经科学建模
1 瑞典斯德哥尔摩 KTH 皇家理工学院电气工程与计算机科学学院生命科学实验室；2 印度班加罗尔塔塔基础研究所国家生物科学中心；3 美国费尔法克斯乔治梅森大学沃尔格瑙工程学院生物工程系；4 美国坦佩亚利桑那州立大学数学与统计科学学院；5 瑞士洛桑联邦理工学院蓝脑计划；6 瑞典斯德哥尔摩卡罗琳斯卡医学院神经科学系；7 芬兰坦佩雷坦佩雷大学医学与健康技术学院；8 立陶宛考纳斯立陶宛健康科学大学神经科学研究所；9 立陶宛考纳斯维陶塔斯马格努斯大学信息学系； 10 德国海德堡理论研究所 (HITS) 分子和细胞建模组；11 德国海德堡大学分子生物学中心 (ZMBH)，ZMBH-DKFZ 联盟；12 德国海德堡大学跨学科科学计算中心 (IWR)
引用：Park HRP、Williams LM、Turner RM 等。TWIN-10：心理健康神经科学 10 年纵向双胞胎研究方案
摘要 简介 心理健康是心理健康的核心组成部分，而复原力是逆境后积极适应性恢复的关键过程。然而，我们缺乏对导致幸福感和复原力相对于风险的轨迹存在个体差异的神经机制的了解。遗传和/或环境因素也可能调节这些机制。TWIN-10 研究的目的是描述 1669 名具有欧洲血统的澳大利亚成年双胞胎在四个时间点（基线、1 年、10 年、12 年）12 年内的幸福感和复原力轨迹（以解释遗传分层效应）。为此，我们整合了遗传、环境、心理自我报告、神经认知表现和大脑功能幸福感和复原力指标的数据。方法与分析 参与基线 TWIN-E 研究的双胞胎将被邀请在 10 年和 12 年的随访时间点再次参与 TWIN-10 研究。参与者将完成一系列在线心理自我报告、神经认知功能的计算机行为评估以及静息和任务诱发扫描期间的大脑结构和功能的 MRI 测试。这些测量值将被用作风险与复原力轨迹组的预测因子，该组由其随时间变化的幸福感和疾病症状水平定义，作为创伤暴露的函数。结构方程模型将用于检查预测因子和复原力和风险轨迹组之间的关联。单变量和多变量双胞胎模型将用于确定测量的遗传性，以及共享与独特的遗传和环境贡献。伦理与传播 本研究涉及人类参与者。本研究已获得新南威尔士大学人类研究伦理委员会 (HC180403) 和澳大利亚神经科学研究成像科学管理小组 (CX2019-05) 的批准。研究结果将通过出版物和演示文稿向公众和学术界传播。参与者在参与研究前已知情同意参与研究。
人工智能与神经科学中人工神经网络模型的可解释性
基于机器学习 (ML) 的模型得出的关于大脑功能的计算显式假设最近彻底改变了神经科学 1、2。尽管这些人工神经网络 (ANN) 具有前所未有的能力来捕捉生物神经网络 (大脑) 中的反应 (图 1A；参见 3 进行全面评论)，并且我们可以完全访问所有内部模型组件 (与大脑不同)，但 ANN 通常被称为可解释性有限的“黑匣子”。然而，可解释性是一个多方面的构造，在不同领域有不同的使用方式。特别是，人工智能 (AI) 中的可解释性或可解释性工作侧重于理解不同模型组件如何影响其输出 (即决策)。相比之下，ANN 的神经科学可解释性需要模型组件和神经科学构造 (例如，不同的大脑区域或现象，如复发 4 或自上而下的反馈 5 ) 之间的明确一致性。鉴于人们普遍呼吁提高人工智能系统的可解释性 6 ，我们在此强调了这些不同的可解释性概念，并认为 ANN 的神经科学可解释性可以与人工智能的持续努力并行但独立地进行。某些 ML 技术（例如，深度梦境，见图 1C）可以在这两个领域中得到利用，以探究哪种刺激可以最佳地激活特定模型特征（通过优化实现特征可视化），或者不同特征如何影响模型的输出（特征归因）。然而，如果没有适当的大脑对齐，某些特征（图 1C 中模型的非蓝色部分）对于神经科学家来说仍然是无法解释的。
神经科学、格式塔心理学、鲁道夫·阿恩海姆：一些......
摘要 近年来，神经科学对视觉感知及其在人工视觉神经网络中的应用的研究，通过实验证实了二十世纪格式塔心理学理论框架的许多假设。可以找到其对艺术教育的影响的证据，支持鲁道夫·阿尔海姆 (Rudolf Arheim) 半个多世纪前发展的关于儿童绘画演变的理论和教学方法。本文旨在根据神经科学和人工智能的贡献来概括这些方面，并探讨它们如何应用于小学教师培训计划。近年来，视觉感知的神经科学研究及其在人工视觉神经网络中的应用，通过实验证实了二十世纪格式塔心理学理论框架的许多假设。这直接反映在艺术教育中，支持了鲁道夫·阿尔海姆半个多世纪前关于儿童绘画发展的理论和教学方法。本文旨在根据神经科学和人工智能的贡献对这些方面进行回顾，并探讨它们如何在当今小学教师的培训中得到应用 关键词 鲁道夫·阿恩海姆，格式塔，人工智能，视觉感知，神经科学，艺术教育 鲁道夫·阿恩海姆，格式塔，人工智能，视觉感知，神经科学，艺术教育 引言
计算神经科学：一个宏大的统一理论？
人工神经网络的行为方式与人脑中的神经元完全不同。它们具有不同的功能、组织和动态特性。我们如何弥合神经元和神经网络之间的鸿沟？Edmund Rolls 在他的新书中从生物学的计算需求出发，探究在生物脑的背景下，如何利用各种各样的神经模式实现认知功能。在神经科学领域，很少有人能像 Rolls 教授一样涉猎如此广泛。从嗅觉和味觉、奖励和惩罚到海马体自我联想和视觉；从灵长类动物的电生理学到人类的病变，他无一不写到。但贯穿这本新书的是 Rolls 致力于统一所有认知的算法理解。这一点从他的论文中很难看出，因为他的论文通常内容都很紧凑。该书近 1000 页，是最大的单一作者神经科学著作之一，也是首次完整尝试以研究生可以理解的水平总结我们目前有关大脑计算的知识。按照神经科学教科书的传统，它逐步介绍大脑的各个区域，从感觉开始，然后是运动通路，然后是记忆和高级功能。但与神经科学教科书不同的是，每个部分都从计算、形式主义开始，然后才考虑支撑它们的生物学。与计算教科书不同的是，生物学是核心，包括神经调节、皮质层和大脑区域之间的信息流。这种创新方法的一个主要优势是，这些模型不仅得到生理学的支持，还得到规范性考虑的支持。作为第一个问题，Rolls 问道：“如何通过算法完成这项任务？”，然后才是“如何使用生物神经元来实现这一点？” '劳斯莱斯对大卫·马尔很忠诚。
与其他方法相比，iEEG 对认知神经科学有何贡献？
颅内脑电图 (iEEG) 使我们能够以较高的空间和时间精度记录和调节人脑皮质和皮质下区域的宏观和微观神经元反应，与其他非侵入性成像和刺激技术相比，它具有显著的方法学优势。利用 iEEG 的这些技术优势，结合复杂的多元分析方法，研究人员对认知神经科学中许多长期存在的问题获得了前所未有的见解。本章旨在说明这些贡献，重点关注人类记忆。特别是，我们描述了 iEEG 如何增进我们对以下方面的理解：(1) 短期和长期记忆表征的动态和变革性质；(2) 海马高频神经活动，尤其是波纹活动在记忆形成、巩固和检索中的作用；(3) 海马和其他大脑区域中单个神经元活动的信息编码方案；以及 (4) 人类、灵长类动物和啮齿动物之间共同和不同的神经机制。此外，我们简要讨论了 iEEG 研究如何有助于开发最先进的脑机接口和闭环脑刺激。最后，我们总结了 iEEG 方法的优势和局限性，并提供了如何在 iEEG 和其他方法之间进行选择的实用指导。
自然与人工智能：人工智能与神经科学研究之间相互作用的简介
神经科学和人工智能 (AI) 有着悠久的合作历史。神经科学的进步，以及过去几十年计算机处理能力的巨大飞跃，催生了受大脑结构启发的新一代计算机神经网络。这些人工智能系统现在能够实现生物系统的许多高级感知和认知能力，包括物体识别和决策。此外，人工智能现在越来越多地被用作神经科学研究的工具，并正在改变我们对大脑功能的理解。特别是，深度学习已被用来模拟大脑皮层中的卷积层和循环连接如何控制重要功能，包括视觉处理、记忆和运动控制。令人兴奋的是，使用受神经科学启发的人工智能也有望理解大脑网络的变化如何导致精神病理学，甚至可以用于治疗方案。在这里，我们讨论了神经科学和人工智能之间的关系导致该领域取得重大进展的四个领域的最新进展； （1）工作记忆的人工智能模型，（2）人工智能视觉处理，（3）大型神经科学数据集的人工智能分析，以及（4）计算精神病学。© 2021 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY-NC-ND 许可协议开放获取的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。
PHD位置在人类言语交流的认知神经科学中，沃纳·里查德（Werner Reichardt）综合神经科学中心（CI
在人类言语交流的认知神经科学中的位置在Tübingen的Werner Reichard综合神经科学中心（CIN）的Oganian实验室邀请申请申请全额资助的PhD职位（65％TVL-13），其灵活的开始日期是2022年1月或更高版本。CIN是由德国卓越倡议计划资助的Eberhard-Karls-UniversityTübingen的跨学科研究机构。CIN致力于加深我们对脑功能及其疾病损害的理解。它试图利用新获得的见解来帮助患有脑部疾病的人，并在工程和计算机科学的许多领域推出新的思维和脑力启发应用。我们小组的研究主题包括听觉认知，语音感知和双语交流。我们有兴趣了解一般感觉网络和特定语言网络对这些认知功能的贡献。为了研究这些主题，我们在临床环境（IEEG/ECOG），头皮电生理学（EEG和MEG），功能磁共振成像（FMRI）和心理物理学以及高级计算方法中使用颅内电生理记录以及将这些信号映射到认知过程中。实验室成员将有机会培训所有这些方法，包括研究设计，数据获取和分析。成功的候选人将加入一个充满活力的神经科学研究社区。他们将有机会参加现有的本地和国际合作并开发新的合作。面试费用不支付。他们还可以加入当地的一所研究生院（神经与行为科学研究生院或神经信息处理研究生院）。候选人应具有认知科学，心理学，神经科学，心理语言学，神经工程学或相关学科的背景（并在职位开始时在其领域内拥有MA/MSC）。先前具有科学编码（MATLAB，PYTHON或R）和电生理经验的经验是有利的，但不是先决条件。我们寻求对科学和人类认知充满热情的高度积极进取的候选人，旨在发展他们的理论思维以及他们的数据分析能力，并努力进行严格的研究。我们正在寻求建立一个多元化的包容性研究团队，并支持成员的个人和专业发展。除了授予从事公共服务工作的员工的所有习惯福利外，我们还根据TV-UK（Baden-Württemberg大学诊所的集体协议）提供薪酬。具有同等资格的严重残障人士优先考虑。Tübingen大学急于增加其女性科学人员的配额，因此鼓励妇女申请这一职位。大学医院的管理负责所有就业事项。将根据德国大学法律法规的基本规定进行任命。必须提供《感染保护法》第9条（截至1971年1月1日，申请范围出生队列的范围）。在雇用雇用之前，根据第23A节与§20para的结合，针对麻疹的足够疫苗接种或免疫。职位将资助3年，并有可能扩展。有关职位的非正式询问以及有关M.A.和博士后水平，请通过oganianlab@posteo.de与Yulia Oganian博士联系。申请（包括简历，简短的研究兴趣声明以及概述加入实验室动机的求职信）应发送到oganianlab@posteo.de。将考虑申请，直到填补位置为止。
障碍和数学学习障碍的认知神经科学。
图1（1）支撑MD的认知和大脑系统。数学困难来自数学认知的两个核心领域的损害：（i）数字感官和数量操纵，以及（ii）算术事实检索和解决问题。在数量意义上和数量操纵上的损害是由数量的弱符号和非符号表示产生的，以及视觉空间工作记忆能力和认知控制中的“域将军”缺陷。算术事实检索和解决问题的损害是由于操纵数量内部表示的能力以及视觉空间工作记忆，认知控制以及编码和检索的视觉空间工作记忆，认知记忆控制以及关联记忆的缺陷而引起的。这些组件中的任何一个都可能损害数值解决问题技能的效率，并构成MD的风险因素。（2）MD中受损的数字，算术，记忆和认知控制电路的示意图。下颞皮层解码数形式的梭状回（FG），并与顶叶皮层中的顶内沟（IPS）一起，有助于构建数值数量的视觉量表（以绿色框和链接为单位）。分别将IPS和上侧回（SMG）与额眼球（FEF）和背外侧前额叶皮层（DLPFC）分别差异地连接了iPS和上方的回旋（SMG）。这些电路促进了空间中对象的视觉空间工作记忆，并创建了短期表示的层次结构，可以在几秒钟内操纵多个离散数量。锚定在内侧颞皮层（MTL）中的声明记忆系统 - 特别是海马，在长期记忆形成和超越单个问题属性之外的概括中起着重要作用。最后，锚定在前裂（AI），腹外侧前额叶皮层（VLPFC）和DLPFC中的前额叶对照回路（以红色为单位）和促进跨注意力系统的信息，从而促进了目标特定问题的问题和决策>
