XiaoMi-AI文件搜索系统
World File Search Systemsensorimotor
利用本体感受 β 波段神经反馈重新连接健康和中风后人类大脑的皮质肌肉控制
在严重中风的幸存者中，皮质肌肉控制受到干扰，经常无法自主地进行上肢运动。在心理上排练受损运动并结合感觉反馈被认为是一种有前途的康复练习。然而，对于潜在的神经过程的了解仍然很模糊。在患有手部麻痹的男性和女性慢性中风患者中，脑机接口控制机器人矫形器，将手指伸展运动想象 (MI) 期间的感觉运动 b 波段去同步化转变为偶然的手部张开。健康对照受试者使用机器人矫形器或仅使用视觉反馈执行相同任务并接收相同的本体感受反馈。只有当提供本体感受反馈时，皮质肌肉一致性 (CMC) 才会增加，主要信息流从感觉运动皮质流向手指伸肌。这种效应 (1) 特定于 b 频带，(2) 转移到运动任务 (MT)，(3) 与随后的皮质脊髓兴奋性 (CSE) 成正比，并与 (4) 健康和 (5) 中风后条件下的行为变化相关；值得注意的是，MI 相关的同侧运动前皮质 b 波段 CMC 增强与干预后的运动改善相关。在健康和受伤的人类神经系统中，根据通过一致性通信的假说，与运动相关的皮质和脊髓神经池的同步激活促进了皮质-脊髓通信，因此，当自主运动不再可能时，可能对中风后的功能恢复具有治疗意义。
振荡神经反馈网络和严重受损中风患者的中风后康复潜力
严重中风后的运动功能恢复通常很有限。然而，一些严重受损的中风患者可能仍然具有康复潜力。识别这些患者的生物标志物很少。18 名严重受损且缺乏随意手指伸展能力的慢性中风患者参加了一项脑电图研究。在 66 次运动意象试验中，脑机接口将与事件相关的同侧感觉运动皮层的 β 波段去同步化转变为机器人矫形器对瘫痪手的张开。八名患者的亚组参加了随后的四周康复训练。运动范围的变化通过传感器捕捉到，这些传感器可以客观地量化腕部运动的哪怕是离散的改善。尽管运动障碍程度相同，但患者可以分为两组，即有和没有与任务相关的额叶/运动前区和顶叶区域之间的双侧皮质-皮质相位同步增加。这种额顶叶整合 (FPI) 与同侧感觉运动皮质中明显更高的意志 beta 调制范围有关。经过四周的训练，接受 FPI 的患者腕关节运动能力的改善明显高于未接受 FPI 的患者。此外，只有前者在上肢 Fugl-Meyer 评估评分方面有显著改善。神经反馈相关的长程振荡相干性可能区分严重受损的中风患者，了解他们的康复潜力，这一发现需要在更大的患者群体中得到证实。
![arXiv:2102.08976v2 [eess.SP] 2021 年 3 月 5 日](/simg/1\1bf7405bd324d877f949491d3713b481e21639ea.webp)
arXiv:2102.08976v2 [eess.SP] 2021 年 3 月 5 日
在日常活动中，人类用双手抓握周围的物体并感知感觉信息，这些信息也用于知觉和运动目标。已知多个大脑皮层区域在感觉运动处理过程中负责感觉识别、知觉和运动执行。虽然各种研究特别关注人类感觉运动控制领域，但运动执行和感觉处理之间的关系和处理尚未完全了解。我们工作的主要目标是使用同时记录的脑电图 (EEG) 数据在主动触觉探索过程中辨别不同粗糙度的纹理表面，同时最大限度地减少不同运动探索运动模式的差异。我们对八名健康参与者进行了一项实验研究，他们被指示用他们惯用手食指的指尖摩擦或轻敲三种不同粗糙度的纹理表面。我们使用对抗不变表示学习神经网络架构，基于 EEG 对不同纹理表面进行分类，同时尽量降低运动条件（即摩擦或轻拍）的可辨别性。结果表明，所提出的方法可以区分三种不同纹理的表面，准确率高达 70%，同时抑制了学习表示中的运动相关变异性。
llms，chatgpt，接地，含义和理解
摘要：除了（Little）Openai可能对我们隐瞒的内容外，我们都知道（粗略地）大型语言模型（LLM）（例如ChatGpt）工作（其庞大的文本数据库，统计数据，矢量表示和大量参数，下一个单词培训等）。但是，我们当中没有人能说（衷心地），我们对Chatgpt所证明的能力对这些资源的作用并不感到惊讶。这甚至驱使我们中的一些人得出结论，Chatgpt实际上理解了。它不正确。，但我们了解它如何做能做的事情也不正确。我会建议一些有关良性“偏见”的预感 - 在LLM量表上出现的会议约束可能会帮助ChatGpt的表现比我们预期的要好。这些偏见是语言本身，LLM量表的本质上固有的，它们与Chatgpt缺乏的是紧密相关的，这是直接的感觉运动接地，可以将其单词与引用者及其命题联系起来。这些收敛性偏见与（1）间接言语基础在直接感觉运动基础上的寄生虫有关，（2）语言定义的循环，（3）语言生产和理解的“镜像”，（4）在LLM量表上以LLM量表的命题中的标志性，（（5）人类的“人类知识）”，也许是“类别”的“类别”。乔姆斯基的猜想是关于思想定律。博览会将以与Chatgpt-4的对话形式。
语言写得很大：llms，chatgpt，含义和理解
除了（Little）OpenAI可能向我们隐瞒的内容外，我们都知道（大致）（llms）的大型语言模型（例如ChatGpt）工作（其庞大的文本数据库，统计数据，矢量表示和大量参数，下言培训等）。但是，我们当中没有人能说（衷心地），我们对Chatgpt所证明的能力对这些资源的作用并不感到惊讶。这甚至驱使我们中的一些人得出结论，Chatgpt实际上理解了。它不正确。，但我们了解它如何做能做的事情也不正确。我会建议一些有关良性“偏见”的预感 - 在LLM量表上出现的会议约束可能会帮助ChatGpt的表现比我们预期的要好。这些偏见是语言本身，LLM量表的本质上固有的，它们与Chatgpt缺乏的是紧密相关的，这是直接的感觉运动接地，可以将其单词与引用者及其命题联系起来。这些收敛性偏见与（1）间接言语基础在直接感觉运动基础上的寄生虫有关，（2）语言定义的循环，（3）语言生产和理解的“镜像”，（4）在LLM量表上以LLM量表的命题中的标志性，（（5）人类的“人类知识）”，也许是“类别”的“类别”。乔姆斯基的猜想是关于思想定律。博览会将以与Chatgpt-4的对话形式。
当代小儿种群中有氧健身的参考值
摘要众多研究表明，体育活动有助于词汇整合（即“制定效应”），表明行动可以提高记忆力的性能并支持语言编码。这种现象最近被描述为“体现的学习”，或者涉及与学习内容直接相关的自我执行或自我生成的动作的学习。体现的语义认为，认知基于源自人类经验的多模式表示，并且运动过程在语言处理中起着至关重要的作用。这一证据的许多证据在于神经影像学研究表明，在发育和成人期间，无论是在词汇加工过程中招募了感觉和运动系统。对成人第二语言（L2）学习者的研究通常表明，感觉运动网络也参与L2处理，但比L1少。与L1获取相比，这可能是由于L2学习经常被脱皮的。最近，人们对促进体现学习及其对L2学习的影响的神经认知过程的兴趣越来越大。在本章中，我们回顾了由行为和神经认知研究报告的主要结果，探讨了本地语言处理和成人L2学习者中体现的语言处理和学习。1。体现的语义是找到我们如何将概念与语言标签联系起来的关键，这是我们理解我们如何获得第一语言，后来在生活中学习第二种语言的基础（另请参见Tokowicz＆Tkacikova，本卷）。尽管进行了数十年的研究，但关于人脑如何将声学信号（例如[g ɪˈ tː]）与特定概念（例如吉他）联系起来（Saussure，1916; Shapiro，2011年）仍然几乎没有共识。当前有两个相反的观点，这些观点与为概念信息构建的表示类型不同。根据经典的Amodal理论，认知是一个计算过程，从感知和通过操纵心理符号来创造意义（Fodor，1998； Landauer＆Dumais，1997）。通过“三明治模型”隐喻描述了这一点：感觉运动系统简单地感知信息（输入），然后产生动作（输出）（Hurley，1998）。同时，将认知夹在两者之间，以便1）将感知的输入转换为Amodal符号，并将其链接到我们语义内存中的相关信息，并在我们的语义内存中链接到2）对这些符号进行操作以进行输出。本质上，知识存储在一个孤立的语义记忆系统中，独立于感觉运动过程。经典的Amodal理论并不能说明我们如何理解这些符号的现实世界含义，而这些符号本身是由其他符号定义的。挑战传统认知研究的一些基本信念，体现了理论，规定概念符号在某些时候必须与现实世界有关，并以感觉运动体验为基础（Hauk＆Tschentscher，2013年）。这也可能适用于更抽象的概念，例如自由，至少在最初与个人经验相关（例如，一个孩子从请子弹中提取自己并听到“您是免费的！”）。根据体现的语义，概念表示受到感觉运动过程的影响很大，语言形式基于我们人体的感知和行动计划体系（Barsalou，1999）。其背后的关键概念之一是“相关学习原理”，根据该原则，动作感知和意义的同时存在导致神经元的共同触发，形成神经连接或分布式神经网络，以进行语义处理（Pulvermu ller，1999; 2013; 2013; 2013; 2013; 2013; 2013; 2013）。简而言之，“什么共同开火，将电线一起开火”（Hebb，1949年），例如，如果孩子经常在踢球时听到“踢”一词，那么词典语义网络，负责处理“踢”一词的词典语义网络，以及负责处理和执行运动必要的动作的人，将成为共享的网络，将会随着时间的推移而成为共享的网络。这个想法与Amodal理论形成鲜明对比，该理论声称用于概念知识和语言的表示形式独立于身体及其经验。尽管本章中描述的许多研究所描述的，但在该领域的最新研究最初是黑色和白色的，但该领域的最新研究变得更加细微，并集中在何时以及如何体现语言上。
小脑研究中的光遗传学革命
摘要：小脑以其在感觉运动控制和协调中的作用而闻名，但越来越多的解剖学和生理学研究表明小脑与认知和情感功能密切相关。最近，光遗传学技术的发展和改进促进了小脑领域的研究，令人印象深刻的是，它彻底改变了方法论，赋予了研究全新的能力。这转化为感觉运动测试数据获取的显著改善，使人们能够将单细胞活动与运动行为关联起来，从而确定单个神经元类型和单个连接通路在控制运动运动学的精确方面的作用。在过去，当电刺激和药理刺激是唯一可用的实验工具时，将神经元活动与行为关联起来的这种特异性水平是无法实现的。光遗传学在研究小脑在高级和认知功能中的作用方面具有更重要的意义，因为小脑与多个大脑区域之间存在高度连接。光遗传学可能已经改变了这一领域的游戏规则，使用光遗传学研究小脑在清醒动物的非感觉运动功能中的作用的研究数量正在增加。这些研究主要涉及小脑在癫痫中的作用（通过与海马和颞叶的连接）、精神分裂症和认知、决策工作记忆和社会行为。同样值得注意的是，光遗传学为患者的小脑神经刺激开辟了新视角（例如，用于癫痫治疗和中风康复），有望在可激活或抑制的目标通路方面实现前所未有的特异性。
吸引运动相关的脑振荡以抑制Tourette综合征的抽动
Tourette综合征（TS）是一种神经精神疾病，其特征是发声和运动抽动的发生。tics是在回合中发生的非自愿，重复的运动和发声，通常在一天内很多次，并且通常是在强烈的渴望之前，被称为预先渴望（PU）。TS is associated with the following: dysfunction within cortical-striatal-thalamic-cortical (CSTC) brain circuits implicated in the selection of movements, impaired operation of GABA signaling within the striatum, and hy- per-excitability of cortical sensorimotor regions that might contribute to the occurrence of tics.传递到皮质运动区域的非侵入性脑刺激可以调节皮质运动兴奋性，夹带脑部渗透性并减少TS中的抽动。但是，这些技术对于诊所以外的治疗不是最佳的。我们调查了中位神经刺激（MN）的节奏脉冲是否会夹带与抑制运动和TS中TIC的启动有关的脑振荡。我们证明，以12 Hz的速度传递的有节奏的MNS脉冲序列，吸收了感觉运动MU波段振荡，而心律不齐MNS的脉冲序列没有。此外，我们证明，尽管有节奏的MU刺激对意志运动的启动具有显着性但很小的影响，并且对注意力认知任务的执着的影响没有明显的影响，但它仍然导致TIC Freemention和TIC强度的大幅度降低，而TIC中的人数很大。我们认为，这种方法具有相当大的潜力，可以发展成为一种适合在诊所外使用的治疗装置，以抑制TIC和PU。
运动意象过程中的 ERD 调节与用户特征和 BCI 性能相关
摘要 — 提高用户表现是基于运动想象 (MI) 的 BCI 控制的主要问题之一。MI-BCI 利用运动和感觉运动皮层上的感觉运动节律 (SMR) 的调制来区分几种心理状态并实现用户交互。这种调制被称为事件相关去同步 (ERD) 和同步 (ERS)，来自 mu (7-13 Hz) 和 beta (15-30 Hz) 频带。这种 BCI 开辟了有希望的领域，特别是控制辅助技术、运动训练甚至中风后运动康复。然而，MI-BCI 在实验室外仍然很少使用，主要是因为它们缺乏稳健性和可用性（15% 到 30% 的用户似乎无法控制 MI-BCI）。提高用户表现的一种方法是更好地了解用户特征与 BCI 性能背后的 ERD/ERS 调制之间的关系。因此，在本文中，我们在一个包含 75 名参与者的大型 MI-BCI 数据库中分析了 MI 任务（即 ERD 和 ERS）背后的大脑运动模式如何根据 (i) 任务性质（即右手 MI 和左手 MI）、(ii) 执行任务的会话（即校准或用户培训）和 (iii) 用户特征（例如年龄、性别、手动活动、性格特征）进行调节。本研究的独创性之一是将与用户特征相关的人为因素研究与 MI 任务期间的神经生理 ERD 调节结合起来。我们的研究首次从 16PF5 问卷中揭示了 ERD 与自我控制之间的关联。