本研究提出了一种新的神经自适应技术概念,即双被动-反应脑机接口 (BCI),可实现人机之间的双向交互。我们已经在逼真的飞行模拟器中实现了这样一个系统,使用 NextMind 分类算法和框架来解码飞行员的意图 (反应性 BCI) 并推断他们的注意力水平 (被动 BCI)。12 名飞行员使用反应性 BCI 执行检查表以及由被动 BCI 监督的防撞雷达监控任务。当后者检测到飞行员错过了即将到来的碰撞时,它会模拟自动避让动作。反应性 BCI 达到 100% 的分类准确率,平均反应时间为 1 。专门执行检查表任务时为 6 秒。准确率高达 98 。5% ,平均反应时间为 2 。5 秒,飞行员还必须驾驶飞机并监视防撞雷达。被动 BCI 的 F 1 − 得分为 0 。94 。首次演示展示了双 BCI 改善人机协作的潜力,可应用于各种应用。
同时,它将卷积神经网络与传统方法相结合,以基于短时傅立叶变换和连续小波变形的特征提取方法提出特征提取方法。卷积神经网络分类算法使用特征提取算法来提取时间频率特征来制作时间频率图,并使用卷积网络来快速学习分类的功能。测试结果表明,该算法在运动图像脑电图公共数据集中的精度为96%,而自制数据集的精度率约为92%,这证明了算法在运动成像EEG分类中的可行性。
这项工作得到了内蒙古自治区的自然科学基金会项目(编号2019MS08024)抽象非小细胞肺癌(NSCLC是最常见的组织学肺癌类型,在诊断时约有66%的患者中与远处转移有关。大脑是转移的常见部位,在初始诊断时,大约13%的患者在颅内受累。这严重影响了生活质量,并导致预后不良。驱动基因阳性NSCLC脑转移患者的靶向治疗可实现更好的颅内控制率;但是,使用驱动基因阴性NSCLC脑转移的患者的治疗选择有限。近年来,随着免疫疗法的扩展,免疫检查点抑制剂(ICI)已被广泛用于临床实践。ICI与放射疗法结合的治疗方式在治疗驱动基因阴性NSCLC脑转移的患者方面有望。本文回顾了敏感驱动器基因阴性NSCLC脑转移患者的放射治疗与免疫疗法的临床研究进度,目的是为可用的临床治疗方案提供参考。
言语互动和模仿对于幼儿的语言学习和发展至关重要。然而,目前尚不清楚母子二元组如何在轮流言语互动中同步皮质层面的振荡神经活动。我们的研究调查了母子对在轮流言语模仿范式中的脑间同步。使用双 MEG(脑磁图)装置同时测量互动母子对的大脑活动。在社交互动和非互动任务(被动聆听纯音)之间比较了人际神经同步。与非互动条件相比,在 θ 和 alpha 波段,社交互动期间的脑间网络同步性有所提高。在下额回的右角回、右三角回和左岛叶部分观察到了增强的人际大脑同步性。此外,这些顶叶和额叶区域似乎是表现出大量脑间连接的皮质中枢。这些皮质区域可以作为言语社交交流中互动成分的神经标记。本研究首次使用双 MEG 装置研究母子在言语社交互动过程中的脑间神经同步。我们的研究结果加深了我们对母子二人组言语互动过程中轮流发言的理解,并表明社交“门控”在语言学习中发挥着作用。
在脑类器官中[58]。 (f)TPP制造光子晶体微纳米传感单元[59]。 (g)成像在脑类器官中[58]。(f)TPP制造光子晶体微纳米传感单元[59]。(g)成像
类脑计算是借鉴脑科学基本原理,打破 “ 冯诺依曼 ” 架构束缚的新型计算技术。本研究组将从理论和器件两个方向对类脑计算展开协同 研究。 理论方面:研究类脑计算架构、模型和算法,探索基于类脑计算的类脑智能的基础理论;借鉴神经元模型、神经环路传导、神经编码 及认知、学习、记忆、决策等神经机制,逐步建立和完善类脑处理信息处理的数学 / 计算原理和模型;构建类脑计算和智能的统一理论 框架。为类脑计算器件及系统的发展提供理论基础。 器件方面:基于新材料和新技术,研究新型高性能类脑神经器件,解决一致性差、可靠性差、规模化难等痛点;研究基于类脑神经器 件的网络架构,构建大规模阵列,开展外围电路的研发与设计;研究基于新型类脑器件的感知和计算架构,发展感存、存算、感存算 一体系统。
我们提出了一种经济高效、体积小巧、基于开源 Raspberry Pi 的宽视野成像系统。紧凑的特性使该系统可用于近距离双脑皮质中尺度功能成像,以同时观察两只头部固定的动物在分阶段的社交接触式互动中的活动。我们提供了轨道系统的所有原理图、代码和协议,其中头部固定的小鼠被带到一定距离,每只小鼠的大触须都会接触。在社交接触期之前、期间和之后,同时记录了两只小鼠的皮质神经元功能信号 (GCaMP6s;遗传编码的 Ca 2 1 传感器)。当小鼠在一起时,我们观察到了相互拂动和跨小鼠相关皮质活动的发作。在试验打乱的小鼠对中未观察到相关性,这表明相关活动特定于个体互动。在小鼠在一起(最密切接触)期间观察到与拂动相关的皮质信号。社会刺激呈现的影响延伸到与相互接触相关的区域之外,并对皮质活动产生整体同步效应。
摘要:脑机接口(BCI)利用神经活动作为控制信号,实现人脑与外部设备之间的直接通信,通过脑电图(EEG)捕捉大脑产生的电信号,将其转化为反映用户行为的神经意图,正确解码神经意图才能实现对外部设备的控制。基于强化学习的BCI增强解码器仅基于环境的反馈信号(奖励)完成任务,构建了从神经意图到适应变化环境的动作的动态映射通用框架。但使用传统的强化学习方法存在维数灾难、泛化能力差等挑战。因此,本文利用深度强化学习构建解码器以正确解码EEG信号,通过实验证明其可行性,并在具有高动态特性的运动成像(MI)EEG数据信号上展示其更强的泛化能力。
摘要一种未来的人造视网膜,可以恢复盲人的高敏度视力,将依靠能够使用自适应,双向和高分辨率设备来读(观察)和写入(观察)和写(控制)神经元的尖峰活动。尽管当前的研究重点是克服构建和植入这种设备的技术挑战,利用其能力来实现更急性的视觉感知也将需要实质性的计算进步。使用Ex Vivo多电极阵列实验室原型使用高密度的大规模记录和刺激,我们构成了一些主要的计算问题,并描述了当前的进度和未来解决方案的机会。首先,我们通过使用从大型实验数据集中学到的低维变异性变异性的低维歧管来确定盲视网膜自发活动的细胞类型和位置,然后有效地估计其视觉响应特性。第二,我们通过通过电极阵列传递电流模式来估计对大量相关电刺激的视网膜响应,尖峰对产生的记录进行排序,并使用结果来开发诱发响应的模型。第三,我们通过在视觉系统的整合时间内暂时抛弃各种电刺激的收集来重现给定的视觉目标的所需响应。一起,这些新颖的方法可能会在下一代设备中大大增强人造视力。