XiaoMi-AI文件搜索系统
World File Search System判别函数
（c）皇家版权 2008 - 国家物理实验室
1. 简介 2. 线性代数 3. 因子分析 • 主成分分析 • 多元曲线解析 4. 多元回归 • 多元线性回归 • 主成分回归 • 偏最小二乘回归 5. 分类 • 主成分判别函数分析 • 偏最小二乘判别分析 6. 结论
B-警报系统
B-Alert 无线 EEG 生物特征使用来自三个不同任务的 5 分钟基线数据标准化为个体受试者，睡眠开始类别根据基线 PSD 值预测。然后为每个时期的四个类别中的每一个生成拟合概率，四个类别的概率总和等于 1.0（例如，0.45 高参与度、0.30 低参与度、0.20 分心和 0.05 睡眠开始）。给定秒的认知状态代表概率最大的类别。B-Alert 认知状态指标是使用四类二次判别函数分析 (DFA) 中差异位点 FzPO 和 CzPO 的 1 Hz 功率谱密度 (PSD) 箱为每个一秒时期得出的，该分析适合个人独特的 EEG 模式。该表简要描述了每个基线任务和 B-Alert 分类。
精神病学中的先进机器学习方法
简介 机器学习 (ML) 方法在心理健康和相关研究中得到越来越多地应用。在我们上一篇论文中，我们讨论了两种 ML 方法，即逻辑回归和 k 均值聚类。1 在本报告中，我们重点介绍两种更先进的 ML 方法，即支持向量机 (SVM) 和人工神经网络 (ANN)，以及它们在精神病学中的应用。SVM 是一种用于对标记结果进行分类的监督学习方法。SVM 应用来自每个类别的少量样本（称为“支持向量”）来构建分类器，将样本分成不同的类别。2 SVM 是线性判别函数的扩展，线性判别函数是一种流行的监督学习统计方法，因为它试图适应非线性判别函数以实现更精确的分类。3 SVM 已被广泛应用，包括在精神病学领域。例如，在重度抑郁症 (MDD) 研究中，SVM 被用于通过人口统计学和临床变量（如年龄、性别、教育水平、药物等）从健康对照组中识别出 MDD 患者。4 这也是神经成像中的一种流行技术。5 6 我们将在下一节进一步讨论 SVM。ANN 由许多称为“人工神经元”的简单单元组成。ANN 的主要组成部分是输入层、隐藏层和输出层。计算机科学家已经开发出 ANN 来模仿生物神经网络，通过建立模型来模仿人类大脑从训练数据中学习的过程，而无需任何数据的先验知识。7 例如，在
大脑皮层特征对青少年罪犯心理风险特征的影响
目标：本研究通过实现两个目标为犯罪行为的神经科学做出贡献：a) 检查一组男性严重少年罪犯（21 名 OG）与对照组（28 名 CG）的皮质特征差异，年龄均在 18 至 21 岁之间；b) 确定不同的皮质特征和风险心理特征在多大程度上区分了这两组人。方法：除了皮质测量外，还评估了人口统计学、执行功能、童年创伤、精神病特征、精神病理学症状以及反社会和违法行为。结果：对皮质套层的全脑分析发现，与 CG 相比，OG 的右侧颞中回簇的皮质厚度增加，外侧眶额皮质的表面积较小。判别函数正确分类了 100% 的 CG 病例和 94.7% 的 OG 病例。右侧颞叶丛、童年创伤、冷漠和人际敏感性症状、精神病性、抑郁、恐惧性焦虑和强迫行为导致了 OG。反过来，外侧眶额叶丛、夸大、冷漠和寻求刺激的精神病特征以及工作记忆导致了 CG。结论：OG 的右侧颞中回增大可能表明社会认知过程中的大脑发育受损，因为它与更高的风险特征相结合出现。眶额皮质减少可能表明情绪控制过程中的大脑发育不成熟，因为它与青少年时期的正常心理特征相结合出现。基于这些新发现，提出了研究和干预的潜在改进领域。
格兰特·费尔柴尔德
grant.t.fairchild@gmail.com • 630-740-3874 • 邮寄地址 296, 1664 N. Virginia St., Reno, NV 89557 教育 内华达大学里诺分校 2017 年秋季 - 至今 神经科学博士（计划于 2024 年夏季获得） 神经科学硕士（2021 年秋季） GPA：4.000（4.0 分制） GRE 成绩（口语/定量）：170/168（2015 年 7 月 7 日参加考试） 阿拉巴马大学；荣誉学院 2011 年秋季 - 2015 年春季 生物学理学学士，优异成绩 哲学文学学士（辅修计算机科学），优异成绩 GPA（总体/生物学专业/哲学专业）：3.800/3.978/4.198（4.0 分制） 研究经历 研究生 杰奎琳·斯诺博士实验室的研究助理 2017 年夏季 - 至今 --负责国际合作，使用 fMRI 比较真实物体与图像的皮质形状处理 --负责眼动追踪项目，研究针对真实可抓握工具与工具的 3-D 和 2-D 图像的注视模式的差异 --负责项目比较对真实物体和图像的 EEG 反应，在参与者和刺激物之间有或没有透明的防抓握屏障 --负责 fMRI 项目，使用体素建模比较真实物体与印刷照片的特征表示 --负责项目比较对真实物体与参与者在可触及范围内和范围外呈现的图片的 fMRI 反应 -负责 fMRI 项目，比较以真实物体与图像呈现的刺激的记忆和记忆表征 -部分负责使用 EEG 比较大脑对以真实的、可抓取的物体、印刷的照片或增强现实、3D、虚拟物体呈现的刺激的反应的项目 博士实验室的本科研究助理。 Guy 和 Kim Caldwell 2011 年夏季 - 2015 年春季 - 本科期间全部 8 个学期进行研究，包括 2011、2012、2013 和 2014 年夏季全日制研究 - 研究模型生物秀丽隐杆线虫中神经突分支的增殖，最初在高年级本科生导师的指导下，随后独立研究 - 负责研究 microRNA 对模型生物秀丽隐杆线虫神经变性影响的项目 - 2013 年至 2015 年实验室网站的网站管理员 核心竞争力 认知神经科学：fMRI、EEG、心理物理学、眼动追踪 编程：Python、MATLAB、R、C ++、Fortran、HTML、MySQL 数据分析：SPSS、多维尺度、判别函数分析、MANOVA、体素建模、MVPA、表征相似性分析 (RSA)、PCA、k 均值、基本统计技术和其他统计和计算技术机器学习：神经网络、决策树、k-近邻、增强、CNN、支持向量机、深度学习