XiaoMi-AI文件搜索系统
World File Search Systemtemporal
eeg信号的空间，时间和复发分析的限制
动机：优化大脑过程！修复受损的大脑，提高健康大脑的效率！首先我们需要了解大脑过程：1。使用神经技术找到大脑结构的特定活性的指纹。2。创建认知体系结构的模型，以帮助了解大脑中的信息处理。3。创建新的诊断和治疗程序。4。使用基于解码和连通性变化的神经反馈来刺激大脑。5。通过监测脑活动并直接刺激它（TMS，DCS，EM）来刺激神经可塑性。
可集成和混沌量子系统中相关因子的时间波动
我们在无限量子量子系统的无限时间和时间订购的相关器的无限时间平均值周围的时间波动方面提供了界限。对于物理初始状态，我们的边界预测了时间波动随系统大小的函数的指数衰减。我们在数值上验证了混乱和相互作用的可集成自旋1 /2链的预测，该链满足了我们边界的假设。另一方面，我们从分析和数字上显示的是，对于XX模型，这是一个具有间隙脱合性的非互动系统，temporal波动衰减的多项式衰减具有多种多态的系统大小，用于运算符的系统大小，该操作员位于费米昂表示中，并且在非局部op-ertors的系统大小中呈指数下降。我们的结果表明，相关器的长期时间波动的衰减不能用作混乱的可靠度量或缺乏混乱的指标。
磁时间干扰用于非侵入性局部脑刺激
摘要 — 过去三十年来，对深层脑区进行非侵入性刺激一直是神经科学和神经调节的主要目标。例如，经颅磁刺激 (TMS) 无法在不激活上覆组织的情况下瞄准脑深层区域，并且空间分辨率较差。在本文中，我们提出了一个新概念，该概念依赖于两个电磁螺线管产生的两个高频磁场的时间干扰。为了说明这一概念，我们制造并优化了定制螺线管，以产生用于啮齿动物脑刺激的时间干扰电场。C-Fos 表达用于跟踪神经元激活。仅受一个高频磁场影响的区域中不存在 C-Fos 表达，表明非目标区域中的神经活动募集无效。相反，受两个干扰以产生低频包络的场影响的区域显示出 c-Fos 表达的强烈增加。因此，这种基于磁时间干扰螺线管的系统提供了一个框架来执行进一步的刺激研究，以研究它与传统 TMS 系统相比可能带来的优势。索引词——磁刺激、磁干扰、螺线管、非侵入性、大鼠。
振荡爆发作为时间耦合和信息编码的机制
即使是最简单的认知过程也涉及皮质区域之间的相互作用。为了研究这些过程，我们通常依靠在任务的几个重复或长段数据中平均以达到统计有效的结论。神经元振荡反映了神经元集合中的同步兴奋性弹性，并且在存在或不存在外部刺激的情况下可以在电生理记录中观察到。振荡性脑活动被视为在特定频带下的功率持续增加。然而，近年来，这种观点受到了以下观点的挑战：振荡可能是在单个试验中发生的瞬态爆发事件发生的，并且只有在将多个试验平均时才能表现为持续活动。在这篇综述中，我们研究了振荡活动可以表现为短暂爆发以及功率持续增加的想法。我们讨论了在单个试验级别的瞬态事件检测和表征所涉及的技术挑战，可能会产生它们的机制以及可以从这些事件中提取的特征来研究神经元集合活性的单审动力学。
使用时间改进的 3D-QALAS 中的 T1 和 T2 映射...
简介：T 2 和 T 1 估计可改善各种病理的特征描述，但较长的扫描时间阻碍了定量 MRI (qMRI) 的广泛应用，因此已经开发了序列以实现高效的 3D 采集。例如，3D-QALAS 1 利用交错的 Look-Locker 采集和 T 2 准备脉冲来对 T 1 和 T 2 进行全脑量化。但是，3D-QALAS 应用恒定翻转角并在 5 个时间点重建图像，这些时间点由于冗长的回波序列期间的信号演变而出现模糊。总结图 1，我们建议通过以下方式改进 3D-QALAS：(1) 结合基于子空间的重建来解决完整的时间动态以消除模糊 (2) 使用与自动微分兼容的模拟通过 Cramer-Rao 界限 (CRB) 优化采集翻转角，(3) 并减少每重复时间 (TR) 的总采集次数以缩短扫描时间。方法：子空间重建：传统 3D-QALAS 应用 T 2 准备和反转脉冲并测量 5 次采集，每次采集都利用 4 度翻转的回声序列。不是为 5 次采集中的每次采集重建一个体积，而是让 𝐸 成为 3D-QALAS TR 中 𝐴 采集之一中的回声数量（通常 𝐴= 5，𝐸= 120 →𝑇= 120 × 5 = 600 𝑒𝑐ℎ𝑜𝑒𝑠/𝑇𝑅 ），其中 𝑇 是回声总数。我们生成一个信号演化字典，用 SVD 计算低维线性基 Φ，从而产生一个易于处理的重建问题 𝑎𝑟𝑔𝑚𝑖𝑛 𝛼 ‖𝑦−𝐴Φ𝛼‖ + 𝑅(𝛼) ，其中 𝐴 表示傅里叶、线圈和采样算子以及 𝑅 正则化。通过使用 𝑥= Φ𝛼 解析时空体积，我们旨在利用与 𝑇 回声 2 的字典匹配来估计更清晰的定量图。图 2 (A) 中的体内实验表明，使用子空间可以减少估计的 T 2 图中的模糊。 CRB 翻转角优化：我们通过最小化两种方式的 CRB 来优化 3D-QALAS 中的翻转角：(1) 优化每个回波序列的一个翻转角 (2) 优化每个回波序列中的所有翻转角。我们使用传统的 4 度翻转角初始化了这两种优化，利用了代表性组织参数 [T 2 =70ms、T 1 =700ms、M0=1] 和 [T 2 =80ms、T 1 =1300ms、M0=1]，并最小化了基于 CRB 的成本函数。我们为 3D-QALAS 实现了自动微分兼容信号模拟 3，从而能够计算基于 CRB 的优化的梯度。减少采集：我们通过从 TR 末尾移除采集，设计了具有 A ={5,4,3} 采集的优化序列，从而加快了扫描速度。实验：我们在扫描仪上实施了针对每个回波序列进行优化的 3D-QALAS 序列，并使用 Mini System Phantom、型号 #136（CaliberMRI，美国科罗拉多州博尔德）和人类受试者（经 IRB 批准）上的常规和优化序列采集数据，进行了 3 次和 5 次采集（1x1x1mm3 分辨率，R=2）。我们比较了使用子空间重建（秩 = 3）和字典匹配估计的定量图。结果：优化序列：图 2（B）绘制了优化的翻转角和（C）与应用子空间重建进行定量估计时的传统序列相比的所得 CRB。优化可以减少 CRB 或者以更少的采集次数匹配传统的 5 次采集 CRB，从而有可能缩短扫描时间。模型和体内：图 3（A）和（B）显示了从模型和体内数据估计的图，其中每个 ETL 翻转角优化的序列（A=3,5 次采集）与恒定翻转角匹配。讨论和结论：未来的工作将实施全翻转角优化序列来解决未来实验中的 T 1 偏差。将子空间重建与自动微分启用的翻转角优化相结合，可获得改进的 3D-QALAS 序列，并将扫描时间缩短 1.75 倍。参考文献：[1] Kvernby, S. et al. J. Cardiovasc. Magn. Reson. 16 , 102 (2014)。[2] Tamir, JI 等人 Magn. Reson. Med. 77 , 180–195 (2017)。[3] Lee, PK 等人 Magn. Reson. Med. 82 , 1438–1451 (2019)。致谢：NIH R01 EB032708、R01HD100009、R01 EB028797、U01 EB025162、P41 EB030006、U01 EB026996、R03EB031175、R01EB032378、5T32EB1680
可积和混沌量子系统中相关子的时间涨落
我们给出了无能隙退化的多体量子系统的非时间有序和时间有序相关子的无限时间平均值附近的时间涨落的界限。对于物理初态，我们的界限预测时间涨落随系统大小呈指数衰减。我们通过数值验证了对混沌和相互作用的可积自旋 1/2 链的这一预测，它们满足我们界限的假设。另一方面，我们通过分析和数值证明，对于 XX 模型（一个具有能隙退化的非相互作用系统），对于费米子表示中的局部算子，时间涨落随系统大小呈多项式衰减，而对于非局部算子，时间涨落随系统大小呈指数衰减。我们的结果表明，相关子的长期时间涨落的衰减不能作为混沌或无混沌的可靠度量。
TIM：一种用于 Spiking Transformer 的高效时间交互模块
作为第三代神经网络，脉冲神经网络 (SNN) 因其生物学合理性和计算效率而备受关注，尤其是在处理各种数据集方面。受到神经网络架构进步的启发，注意力机制的整合导致了脉冲变压器 (Spiking Transformers) 的发展。这些在增强 SNN 能力方面显示出希望，特别是在静态和神经形态数据集领域。尽管取得了进展，但这些系统仍然存在明显的差距，特别是在脉冲自注意力 (SSA) 机制在利用 SNN 的时间处理潜力方面的有效性方面。为了解决这个问题，我们引入了时间交互模块 (TIM)，这是一种新颖的基于卷积的增强功能，旨在增强 SNN 架构中的时间数据处理能力。 TIM 与现有 SNN 框架的集成无缝且高效，只需要极少的附加参数，同时显著提升了其时间信息处理能力。通过严格的实验，TIM 证明了其在利用时间信息方面的有效性，从而在各种神经形态数据集中实现了最先进的性能。代码可在 https://github.com/BrainCog-X/Brain-Cog/tree/main/examples/TIM 上找到。
基于激光雷达的3D时间对象通过运动...
摘要：最近，行业对自动驾驶的需求不断增长，引起了对3D对象检测的极大兴趣，从而导致许多出色的3D对象检测算法。但是，大多数3D对象检测器仅专注于一组激光雷达点，而忽略了它们通过利用连续的激光雷达点提供的信息来提高性能的潜在能力。在本文中，我们提出了一种新颖的3D对象检测方法，称为时间运动感知3D对象检测（TM3DOD），该方法利用了时间发光剂数据。在提出的TM3DOD方法中，我们通过使用连续的BEV特征映射生成运动功能来汇总LIDAR VOXER和当前BEV特征。首先，我们提出了时间体素编码器（TVE），该编码器（TVE）通过捕获体素内的点集之间的时间关系来生成体素表示。接下来，我们设计一个运动吸引特征聚合网络（MFANET），该网络旨在通过量化两个连续的BEV特征图之间的时间变化来增强当前的BEV特征表示。通过分析BEV特征图随时间推移的差异和变化，MFANET捕获运动信息并将其集成到当前特征表示中，从而使3D对象更加可靠，更准确地检测。对Nuscenes基准数据集的实验评估表明，与基线方法相比，提出的TM3DOD方法在3D检测性能方面取得了显着改善。此外，我们的方法与最先进的方法达到了可比的性能。