XiaoMi-AI文件搜索系统
World File Search System任务训练
神经表征的广义形状度量
理解生物和人工网络的运作仍然是一项艰巨而重要的挑战。为了确定一般原则，研究人员越来越有兴趣调查大量经过类似任务训练或生物学上适应类似任务的网络。现在需要一套标准化的分析工具来确定网络级协变量（例如架构、解剖大脑区域和模型生物）如何影响神经表征（隐藏层激活）。在这里，我们通过定义量化表征差异的广泛度量空间系列为这些分析提供了严格的基础。使用此框架，我们修改了基于典型相关分析和中心核对齐的现有表征相似性度量以满足三角不等式，制定了一个尊重卷积层中归纳偏差的新度量，并确定了近似欧几里得嵌入，使网络表征能够纳入几乎任何现成的机器学习方法中。我们在生物学（艾伦研究所脑观测站）和深度学习（NAS-Bench-101）的大规模数据集上展示了这些方法。在此过程中，我们确定了可根据解剖特征和模型性能进行解释的神经表征之间的关系。
标题 初级视觉皮层中的现有功能不会因非匹配感官任务的新技能习得而受到干扰 作者列表 Brian B. Jeon 1
通讯作者：Sandra J. Kuhlman，电子邮件：skuhlman@cmu.edu 附属机构 1 卡内基梅隆大学生物医学工程系，2 认知神经基础中心，3 神经科学研究所，4 生物科学系 摘要 获得新技能可能会扰乱现有的网络功能。为了直接评估先前获得的皮质功能是否在学习过程中发生改变，使用耦合到初级视觉皮层 (V1) 神经元的光学脑机接口设备对小鼠进行抽象任务训练，其中选定的活动模式会得到奖励。使用双光子钙成像纵向记录兴奋性神经元。尽管在执行任务期间局部神经活动发生了显著变化，但在训练环境之外评估的调节特性和刺激编码并未受到干扰。同样，在不同的视觉辨别训练任务后保持反应的神经元中的刺激调节是稳定的。然而，视觉辨别训练增加了表征漂移的速度。我们的结果表明，虽然某些形式的感知学习可能会改变单个神经元对刺激编码的贡献，但新技能学习本质上并不会破坏成人 V1 中刺激表征的质量。
脑瘫最新动态 - 重点关注治疗和...
脑瘫 (CP) 又称“Little 病”，是儿科患者中最常见的神经系统疾病。脑瘫的核心问题是异常的运动和姿势，这在发育早期就表现出来。治疗脑瘫儿童的基础是基于神经发育方法的传统康复计划，这种计划已经实施了几十年。最近，出现了各种转化研究，重点关注使用高科技设备（如计算机或机器人方法、肉毒杆菌毒素或干细胞）改变治疗模式，这些技术可能具有治疗效果。许多其他使用新开发的设备或新旧疗法相结合的试验正在进行中，以证明证据，但障碍仍然存在。关于康复治疗，使用基于运动的治疗（如早期干预、粗大运动任务训练、马术治疗、反应平衡训练、有/无体重支撑的跑步机训练和躯干目标训练）很有前景。虚拟现实、机器人辅助和计算机增强疗法是正在大规模商业化的脑瘫治疗工具，效果非常显著。在药物治疗方面，肉毒杆菌毒素注射对脑瘫儿童的益处最为明显。干细胞疗法才刚刚起步，正在进行体内实验研究。作者回顾了当前的研究，扩大了治疗选择，以改善脑瘫儿童的姿势和运动控制。
中风患者执行功能障碍的干预和评估：范围审查
执行功能障碍的康复方法侧重于中风和脑外伤患者的认知康复。然而，还没有综述关注过中风患者的各种康复方法和执行功能评估，也没有纳入各种研究设计。本研究旨在通过范围界定综述确定中风和执行功能障碍患者的各种干预措施和评估措施。我们使用 PubMed、Web of Science 和 CINAHL 数据库搜索文章。两位审阅者根据纳入和排除标准，使用标题、摘要和全文独立筛选文章。随后，我们确定了研究设计、样本量、中风后的时间、干预措施和评估。我们提取了 1131 篇文章，其中选定了 27 篇文章。研究设计为随机对照试验（81.5%）、试点研究（11.1%）和可行性研究（7.4%），共有 599 名参与者。干预措施包括认知训练（22.2%）、虚拟现实（22.2%）、非侵入性脑刺激（14.8%）和双任务训练（11.1%），结果一致。使用的评估包括连线测试 B 部分（70.4%）、斯特鲁普色彩和文字测试（44.4%）、数字符号测试、额叶评估测试和伦敦塔测试（11.1%）。总之，本范围审查为患有执行功能障碍的中风患者提供了各种干预措施和评估。
文章/书籍信息 - T2R2
人们已经尝试过多次语音脑机接口 (BCI)，在听觉语音感知、显性语音或想象（隐性）语音期间使用侵入性测量（例如皮层电图 (ECoG)）来解码音素、子词、单词或句子。从隐性语音中解码句子是一项具有挑战性的任务。这项研究招募了 16 名颅内植入电极的癫痫患者，在 8 个日语句子的显性语音和隐性语音期间记录了 ECoG，每句句子由 3 个标记组成。具体来说，我们应用 Transformer 神经网络模型来从隐性语音中解码文本句子，该模型使用在显性语音期间获得的 ECoG 进行训练。我们首先使用相同的任务进行训练和测试来检查所提出的 Transformer 模型，然后评估该模型在使用显性任务训练以解码隐性语音时的性能。在隐性语音上训练的 Transformer 模型在解码隐性语音时实现了 46.6% 的平均标记错误率 (TER)，而在显性语音上训练的模型实现了 46.3% 的 TER (p > 0.05 ; d = 0.07)。因此，收集隐性语音训练数据的挑战可以通过使用显性语音来解决。通过使用几种显性语音可以提高隐性语音的性能。
实用航空航天法，第七版
照片来源和致谢。除非另有说明，否则使用的照片均为 © J. Scott Hamilton。全文中显示的照片由以下组织或个人提供并拥有版权，并已获得许可使用：第 16 页，华盛顿大都会机场管理局；第 20 页，NASA；第 21 页，Hyku Photo；第 22 页，Eclipse Aerospace, Inc.；第 26 页，美国海关和边境保护局；第 179 页，（顶部）国会图书馆，G.G.Bain 收藏；第 180 页，（底部）德克斯特和绍斯菲尔德学校的克莱天文台，为维珍银河；第 187 页，美国海军；第 189 页，Bernie Roland；第 214 页，美国陆军；第 293 页，美国地质调查局圣莫尼卡机场数字正射影像（通过 TopoQuest）；第 301 页，丹佛国际机场；第 318 页，美国空军；第 354 页，运输安全管理局；第 406 页，istockphoto/Vipre77；第 414 页，NASA-加加林宇航员训练中心（国际空间站联盟号 13 号任务训练课程，俄罗斯星城）；第 417 页，Bigelow Aerospace, LLC；第 434 页，NASA 插图；第 453 页，shutterstock.com/@Suwin；第 457 页，shutterstock.com/@Kletr；封面：bigstockphoto.com ©denbelitsky
培训与评估大纲报告
条件：部队接到上级总部 (HHQ) 的命令或指挥官派出任务，要求部队将风险管理 (RM) 整合到作战过程中。指挥官发布指导意见，在动态和复杂的作战环境 (OE) 中将 RM 整合到作战过程中，以塑造、反击侵略并在大规模作战行动 (LSCO) 中获胜，并巩固成果并实现任务目标。混合威胁在所有五个领域（陆地、海上、空中、太空和网络空间）、所有三个维度（人力、物理和信息）和电磁频谱 (EMS) 中挑战部队的目标。此外，威胁保持与部队维持所有九种接触形式（直接；间接；非敌对；障碍；化学、生物、放射和核 (CBRN)；空中；视觉；电磁；和影响）的能力。所有八个作战变量（政治、军事、经济、社会、信息、基础设施、物理环境和时间 [PMESII-PT]）都存在且动态。总部的命令包括所有适用的叠加图和/或图形、作战区域 (AO) 边界、控制措施和后续战术行动的标准。部队修改后的组织和装备表 (MTO&E) 上所有必要的人员和装备均已准备就绪。该部队由必要的部队按任务组织，并从上级获得资产增援，以完成分配的任务。指挥部与下属部队、相邻部队和总部有通信。指挥官已组织指挥和控制 (C2) 系统的四个组成部分，以支持决策、促进沟通和开展行动。注 1：此任务的条件说明确定了被评估部队获得训练 (T) 评级所需的最高训练条件，这反映在客观任务评估标准矩阵中。但是，只有在外部评估期间在这些条件下执行任务，部队才能获得 T 评级。注 2：使用秘密//可发布 (S//REL) 机密任务伙伴网络 (MPN) 执行任务，以实现 C2、决策和与任务伙伴的共享理解（协作以及相关信息的显示和共享），这可以真实地描绘任务伙伴环境 (MPE)。陆军可能会在联合战区的 MPE 内对 MPN 进行操作。仅在例外情况下，使用不可向外国人发布的秘密互联网协议路由器 (SIPR) 在 MPN 上生成订单和其他工作人员产品 (NOFORN)。注 3：该部队可能会与部队中的多国组成部分一起执行此任务的一些迭代。演习规划人员应协调多国合作伙伴作为多国特遣部队 (MNTF) 的组成部分参与演习，或应提供资源培训支持，以角色扮演和模拟多国部队 (MNF)。当部队在没有多国部队的场景中执行此任务时，评估人员应将此任务中仅适用于多国作战场景的步骤评为“N/A”。环境：此任务的某些迭代应在 C2 网络退化、EMS 条件退化和/或退化、拒绝和中断的太空作战环境 (D3SOE) 下执行。此外，敌人和/或对手已采取行动创造反介入或区域拒止 (A2/AD) 条件。此任务不应在 MOPP 4 中进行训练。标准：部队将 RM 整合到作战过程中，以帮助保持战斗力，同时确保在当前和未来作战中完成任务。该部队根据 (IAW) ATP 5-19、既定时间表、陆军道德、指挥官的意图、HHQ 的命令和标准操作程序 (SOP) 将 RM 整合到作战过程中。客观任务评估标准矩阵（见下文）是陆军的标准评估标准，指挥官使用它来客观评估其部队在集体训练活动期间进行的集体任务训练。任务评估取决于环境、参加训练的领导者和士兵的百分比、任务表现和外部任务评估。例如，为了获得 T 评级，一个部队必须在确定的训练环境中执行此任务；75% 的领导者和 80% 的士兵参加训练；绩效指标达到 80%，客观任务评估标准矩阵（见下文）是陆军的标准评估标准，指挥官使用它来客观评估其部队在集体训练活动期间进行的集体任务训练。任务评估取决于环境、参加训练的领导和士兵的百分比、任务表现和外部任务评估。例如，为了获得 T 级评级，部队必须在确定的训练环境中执行此任务；75% 的领导和 80% 的士兵参加训练；绩效指标达到 80%，客观任务评估标准矩阵（见下文）是陆军的标准评估标准，指挥官使用它来客观评估其部队在集体训练活动期间进行的集体任务训练。任务评估取决于环境、参加训练的领导和士兵的百分比、任务表现和外部任务评估。例如，为了获得 T 级评级，部队必须在确定的训练环境中执行此任务；75% 的领导和 80% 的士兵参加训练；绩效指标达到 80%，
基于脑机接口（BMI）的中风后上肢瘫痪神经康复治疗
由于中风后上肢瘫痪的恢复具有挑战性，补偿方法一直是上肢康复的主要重点。然而，基础和临床研究表明大脑的可塑性变化潜力远超乎我们的想象，功能恢复方法已变得越来越普遍。在这些干预措施中，最近发布的中风指南推荐使用强制性运动疗法、特定任务训练、机器人疗法、神经肌肉电刺激 (NMES)、心理练习、镜像疗法和双臂训练。但对于严重的上肢瘫痪，尚未建立有效的治疗方法。在此背景下，人们对将脑机接口 (BMI) 技术应用于上肢康复的兴趣日益浓厚。越来越多的随机对照试验证明了 BMI 神经康复的有效性，一些荟萃分析显示 BMI 疗法具有中等到较大的效果。亚组分析表明，在使用运动尝试而不是运动意象作为 BMI 训练触发任务，并使用 NMES 作为外部设备而非使用其他设备时，亚急性组的干预效果高于慢性组。庆应义塾 BMI 团队开发了一种基于脑电图的神经康复系统，并发表了临床和基础研究，证明其有效性和神经生理机制。为了更广泛地应用，需要明确 BMI 治疗在上肢康复中的定位，将 BMI 商业化为一种易于使用且具有成本效益的医疗设备，并需要开发针对康复专业人员的培训系统。还需要实现选择性调节神经回路的技术突破。（DOI：10.2302/kjm.2022-0002-OA）；Keio J Med ** (*) : **–**, mm yy)
第10章上肢电动机...
关键点Bobath概念方法和电动机重新学习计划可能对中肢康复后的上肢康复不利。Brunnstrom运动疗法可能比上肢功能的运动恢复计划更有益。中风后的双边手臂训练的文献混合在一起。双边臂训练可能无益。双边手臂训练与其他疗法方法结合使用可能对上肢康复不利。中风后的上肢康复方面的力量训练和功能强度训练混合在一起。单独或与其他治疗方法结合使用的特定于任务的训练可能对中肢功能后的某些方面有益。较高和低强度的特定任务训练可能对上肢功能具有相似的影响。约束诱导的运动疗法可能有益于慢性阶段的上肢康复。在中风后亚急性/急性期，在约束诱导的运动疗法上，文献混合在一起。修改的约束诱导的运动疗法可能对慢性阶段的上肢康复有益。修改的约束诱导的运动疗法可能对中尖/急性期在中途恢复后的上肢康复可能没有好处。伸展程序可能会改善中风后上肢功能的某些方面。强度约束诱导的运动疗法在中风后的慢性阶段可能对上肢功能具有相似的影响。文献混合了约束诱导的运动疗法以及Stoke后上肢康复的其他疗法的结合。躯干约束进行训练或分布式约束诱导的治疗可能会改善中风后上肢功能的某些方面，但是将躯干约束与约束诱导的运动治疗相结合的效果尚不清楚。矫形器可能对中肢康复后的上肢康复不利。
使用经过训练以模仿大脑统计特性的神经网络来提高物体识别能力
目前最先进的物体识别算法——深度卷积神经网络 (DCNN)，灵感来自哺乳动物视觉系统的架构，在许多任务上能够达到人类水平的表现。在对 DCNN 进行物体识别任务训练时，已证明 DCNN 能够开发出与哺乳动物视觉系统中观察到的隐藏表征相似的隐藏表征 (Razavi 和 Kriegeskorte，2014 年；Yamins 和 Dicarlo，2016 年；Gu 和 van Gerven，2015 年；Mcclure 和 Kriegeskorte，2016 年)。此外，在物体识别任务上训练的 DCNN 是目前我们拥有的哺乳动物视觉系统的最佳模型之一。这让我们假设，教导 DCNN 实现更像大脑的表征可以提高其性能。为了测试这一点，我们在一个复合任务上训练了 DCNN，其中网络被训练为：(a) 对物体图像进行分类；同时 (b) 具有与猴子视觉皮层神经记录中观察到的中间表征相似的中间表征。与纯粹为对象分类而训练的 DCNN 相比，在复合任务上训练的 DCNN 具有更好的对象识别性能，并且对标签损坏的鲁棒性更强。有趣的是，我们发现这个过程不需要神经数据，但具有与神经数据相同统计特性的随机数据也会提高性能。虽然我们在复合任务上训练时观察到的性能提升与“纯”对象识别任务相比并不大，但它们非常稳健。值得注意的是，我们在研究的所有网络变体中都观察到了这些性能提升，包括：较小（CORNet-Z）与较大（VGG-16）架构；优化器的变化（Adam 与梯度下降）；激活函数的变化（ReLU 与 ELU）；以及网络初始化的变化。我们的结果证明了一种训练对象识别网络的新方法的潜在效用，使用大脑（或至少是其激活模式的统计特性）作为训练 DCNN 的教师信号的策略。© 2020 Elsevier Ltd. 保留所有权利。