XiaoMi-AI文件搜索系统
World File Search Systemtask
通过大脑 - 计算机界面检测情绪时，分析驾驶任务的影响
抽象的交通事故是年轻人中死亡的主要原因，这个问题今天造成了大量受害者。已经提出了几种技术来预防事故，是大脑计算机界面（BCIS）是最有前途的。在这种情况下，BCI被用来检测情绪状态，集中问题或压力很大的情况，这可能在道路上起着基本作用，因为它们与驾驶员的决定直接相关。但是，没有广泛的文献应用BCI来检测受试者在驾驶场景中的情绪。在这种情况下，需要解决一些挑战，例如（i）执行驾驶任务对情绪检测的影响以及（ii）在驾驶场景中哪些情绪更可检测到的情绪。为了改善这些挑战，这项工作提出了一个框架，该框架着重于使用机器学习和深度学习算法的脑电图来检测情绪。此外，已经设计了一个用例，其中有两种情况。第一种情况是聆听声音作为要执行的主要任务，而在第二种情况下，聆听声音成为次要任务，这是使用驾驶模拟器的主要任务。以这种方式，旨在证明BCI在这种驾驶方案中是否有用。结果改善了文献中现有的结果，可用于检测两种情绪（非刺激和愤怒）的准确性99％，三种情绪（非刺激性，愤怒和中性）的93％，四种情绪（非刺激性情绪（非刺激）（非刺激性，愤怒，中立和快乐）的精度为75％。
通过多任务图表结构学习
鉴定蛋白质 - 蛋白质相互作用（PPI）对于在细胞内的众多生物过程中进行深入见解至关重要，并且在药物开发和疾病治疗等领域具有显着的指导价值。当前，大多数PPI预测方法主要集中于蛋白质序列的研究，忽略了蛋白质内部结构的关键作用。本文提出了一种名为MGSlappi的新型PPI预测方法，该方法将注意力集中在我的蛋白质结构信息上，并通过多任务学习策略增强了蛋白质编码器的表现力。具体来说，我们将端到端PPI预测过程分解为两个阶段：氨基酸残基重建（A2RR）和蛋白质相互作用预测（PIP）。在A2RR阶段，我们采用基于图的基于图的残基重建方法来探索蛋白质的内部关系和特征。在PIP阶段，除了基本的相互作用预测任务外，我们还引入了两个辅助任务，即蛋白质特征重建（PFR）和蒙版相互作用预测（MIP）。PFR任务旨在重建在PIP阶段的蛋白质的表示，而MIP任务则使用部分掩盖的蛋白质特征进行PPI预测，两者都在协调一致地工作以提示MGSlappi捕获更多有用的信息。实验结果表明，MGSlappi在各种数据分配方案下的现有最新方法显着优于现有的最新方法。
为被动脑机接口应用开放多会话、多任务脑电图认知数据集
脑机接口，尤其是被动脑机接口 (pBCI)，由于能够估计和监控用户心理状态，越来越受到基础研究和应用研究与开发社区的关注。测试新的管道和基准分类器以及特征提取算法是进一步研究该领域的关键。不幸的是，pBCI 研究中的数据共享仍然很少。COG-BCI 数据库包含 29 名参与者在 3 个独立会话中的记录，这些会话中有 4 个不同的任务 (MATB、N-Back、PVT、Flanker)，旨在引发不同的心理状态，总共超过 100 小时的开放 EEG 数据。该数据集在主观、行为和生理层面进行了验证，以确保其对 pBCI 社区的实用性。此外，还给出了一个概念证明，其中包含心理工作量估计管道和结果的示例，以确保数据可用于 pBCI 管道的设计和评估。这项工作为在开放科学框架中推广 pBCI 的使用做出了巨大努力。
在基于增强的到达任务中，电动机探索触发的连续故障
。CC-BY-NC 4.0国际许可证的永久性。是根据作者/资助者提供的预印本（未经同行评审认证）提供的，他已授予Biorxiv的许可证，以在2025年2月6日发布的此版本中显示在版权所有的此版本中。 https://doi.org/10.1101/2025.02.03.634095 doi：Biorxiv Preprint
运动阶段条件的差异和在双边触摸任务期间时间同步和延续的感觉输入
在感觉运动同步（同步和连续敲击）任务中，受试者将其四肢与以各种节奏呈现的等质色调同步移动，并在音调停止后继续以相同的速度敲击。我们研究了双侧下肢电动机控制执行此任务的能力，作为检查与人类运动相关的运动配位的关键指标，例如步行。在这里，认为听觉和触觉输入等感官信息可以提高感觉运动同步的准确性。在这项研究中，我们探讨了在存在或不存在感觉信息的情况下，双侧下肢的节奏运动控制变化的变化。三十三名健康的志愿者执行了三种类型的脚敲击任务：同步 - 碰撞（SC- TAP），敲击（A-TAP）和两者的组合（SCA-TAP）。参与者被指示在500至4,800毫秒之间以固定的间隔间隔（ISIS）（ISIS）呈现的音调同步点击脚开关（或在A-TAP中执行类似的运动）。用单侧脚或双侧运动，两脚（同时）或交替进行双侧运动（反相）进行水龙头。评估了同步敲击误差和TAP间间隔（ITI）。在反相条件下，ITI的变异系数（CV）明显小于SC-TAP和SCA-TAP任务中的单侧或同相条件。此外，考虑到两侧的水龙头时间，仅在SC-TAP任务中，反相的CV明显降低。调查结果表明，反相条件在重复的下肢运动中表现出较高的时间稳定性。当考虑到反相运动中的音调未表现的节奏肢体运动的稳定性时，这些发现还强调了脚底的触觉反馈意义。
SMA 中的高 β 爆发介导双手运动任务中的预期肌肉抑制
在运动网络中，运动抑制可由感觉运动 mu 节律 (8-12Hz) 或 beta 爆发 (13-30Hz) 驱动。在本研究中，我们旨在调查 mu 或 beta 活动是否支持有效的预期抑制，这反映在肌电图 (EMG) 活动的减少中。为了测试这一点，我们在 16 名执行双手负重举重任务 (BLLT) 的成年人中记录了脑磁图 (MEG)，参与者用一只手支撑另一只手举起重物。在预期卸载时，支撑臂的肘屈肌受到抑制以防止肘部偏转。我们观察到，当屈肌抑制发生在卸载开始前约 30 毫秒时，会发生最佳姿势稳定。在此时间间隔内较强的 EMG 抑制与高伽马功率 (90-130Hz) 呈负相关，反映神经兴奋性降低，与内侧辅助运动区 (SMA) 的高 beta 功率呈正相关。相反，在 mu 范围（8-12 Hz）内未观察到显著相关性。同时，高 beta 和高 gamma 功率呈负相关。中介分析证实，gamma 功率显著介导 beta 功率与 EMG 抑制之间的关系。使用相位斜率指数的 beta 爆发概率和定向连接分析表明，高 beta 爆发从中部前额皮质 (mPFC) 和肘部相关的初级运动皮质 (M1) 传输到 SMA。我们的研究结果表明，在自愿卸载任务中，最佳时间的预期肌肉抑制是由 SMA 内兴奋性降低驱动的，这可能是由源自 mPFC-M1-SMA 网络的高 beta 爆发促进的。
青春期前儿童在概率奖励学习任务中的脑电激活反映了认知过程和行为策略
成人和儿童都通过反馈来学习将环境事件和选择与奖励联系起来，这一过程称为强化学习 (RL)。然而，用于评估儿童 RL 相关神经认知过程的任务有限。这项研究在记录事件相关电位 (ERP) 的同时，在青春期前儿童 (8-12 岁) 中验证了概率奖励学习任务的儿童版，重点关注：(1) 奖励-反馈敏感性 (额叶奖励相关积极性，RewP)，(2) 对反馈的晚期注意力相关反应 (顶叶 P300)，以及 (3) 注意力转向喜爱的刺激 (N2pc)。从行为上讲，正如预期的那样，青春期前儿童可以学习刺激-奖励结果关联，但表现水平各不相同。与学习优秀的学生相比，学习较差的学生表现出更大的 RewP 振幅。学习策略（即赢-输-留下-转移）由反馈诱发的 P300 振幅反映。最后，注意力会转移到待选择的刺激上，这一点由 N2pc 证明，但不会像成年人那样转移到奖励更高的刺激上。这些发现为青少年 RL 背后的神经过程提供了新的见解。
在多任务众包系统中以同意驱动的数据重复使用：by-design解决方案
移动人群允许在时间和空间上收集大量数据，以养活我们的环境知识，并将这些知识与用户行为联系起来。但是，移动人群面临的一个重大挑战是保证为贡献用户保存隐私。众包系统中的隐私保存导致了两种主要方法，有时是合并的，分别是为了换取奖励的隐私，并利用了增强隐私的技术'''匿名化数据'。尽管相关，但我们声称这些方法不能充分考虑到用户对所提供数据的使用的容忍度，以便人群系统保证用户保证用户的预期机密水平，并促进了对不同任务的人群的使用。为此，我们利用了completeness属性，该属性可确保所提供的数据可用于所有者同意的所有任务，只要它们与其他来源进行分析，并且由于用户对用户的相关贡献而没有违反隐私的侵犯，并且更加严格的隐私要求。因此，挑战是要在分析数据时确保completentions在允许数据中用于尽可能多的任务，并促进所得知识的准确性。这是通过对数据分布敏感的聚类算法来实现的，该算法优化了数据重用和实用程序。使用SGX飞地的原型实现进一步允许运行实验，以表明我们的系统会导致合理的性能开销，同时为恶意对手提供强大的安全性。尽管如此，即使在有恶意的对手能够在服务器端起作用的恶意对手，我们至关重要的是，我们为此引入了by-design-by-design架构利用可信赖的执行环境。©2022 Elsevier B.V.保留所有权利。
涉及感觉运动控制的多任务处理过程中的错误相关电位：脑机接口的 ERP 和离线解码研究
人类通过感知和应对错误来实现高效的行为。错误相关电位 (ErrP) 是在感知错误时发生的电生理反应。有人提出利用 ErrP 来提高脑机接口 (BCI) 的准确性，利用大脑的自然错误检测过程来提高系统性能。然而，外部和环境因素对 ErrP 可检测性的影响仍然不太清楚，特别是在涉及 BCI 操作和感觉运动控制的多任务场景中。在此，我们假设感觉运动控制的困难会导致多任务处理中的神经资源分散，从而导致 ErrP 特征的减少。为了检验这一点，我们进行了一项实验，其中指示参与者将球保持在板上的指定区域内，同时尝试通过运动想象控制显示屏上的光标。BCI 以 30% 的随机概率提供错误反馈。根据感觉运动控制的难度，我们采用了三种场景——无球（单任务）、轻量球（简单任务）和重量球（困难任务）——来描述 ErrP。此外，为了研究多任务对 ErrP-BCI 性能的影响，我们离线分析了单次试验分类准确度。与我们的假设相反，改变感觉运动控制的难度不会导致 ErrP 特征发生显著变化。然而，多任务会显著影响 ErrP 分类准确度。事后分析显示，在单任务 ErrP 上训练的分类器在困难任务场景下准确度降低。据我们所知，这项研究是首次在离线框架内研究在涉及感觉运动控制和 BCI 操作的多任务环境中 ErrP 是如何被调节的。尽管 ErrP 特征保持不变，但观察到的准确度变化表明，在实现基于 ErrP 的实时 BCI 之前，需要设计考虑任务负荷的分类器。
表征基于触摸屏的GO/NO GO，用于评估小鼠认知判断偏见的任务：一种用于情感状态疾病药物筛查的新翻译工具
预印本（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此版本的版权持有人于2025年1月20日发布。 https://doi.org/10.1101/2025.01.20.633915 doi：Biorxiv Preprint