XiaoMi-AI文件搜索系统
World File Search System双脑
双引导脑扩散模型：从人类视觉刺激 fMRI 进行自然图像重建
摘要：从记录大脑活动的 fMRI 信号中重建视觉刺激是一项具有挑战性的任务，在神经科学和机器学习领域具有重要的研究价值。先前的研究倾向于强调重建刺激图像的像素级特征（轮廓、颜色等）或语义特征（对象类别），但通常这些属性不会一起重建。在这种情况下，我们介绍了一种新颖的三阶段视觉重建方法，称为双引导脑扩散模型 (DBDM)。首先，我们使用非常深的变分自动编码器 (VDVAE) 从 fMRI 数据中重建粗略图像，捕捉原始图像的底层细节。随后，使用引导语言图像预训练 (BLIP) 模型为每个图像提供语义注释。最后，利用多功能扩散 (VD) 模型的图像到图像生成管道从由视觉和语义信息引导的 fMRI 模式中恢复自然图像。实验结果表明，DBDM 在定性和定量比较方面均超越了以前的方法。特别是，DBDM 在重建原始图像的语义细节方面取得了最佳性能；Inception、CLIP 和 SwAV 距离分别为 0.611、0.225 和 0.405。这证实了我们模型的有效性及其推动视觉解码研究的潜力。
专题前言：脑科学的物理电子学...
DOI: 10.7498/aps.71.140101 类脑计算技术作为一种脑启发的新型计算技术 , 具有存算一体、事件驱动、模拟并行等特征 , 为 智能化时代开发高效的计算硬件提供了技术参考 , 有望解决当前人工智能硬件在能耗和算力方面的 “ 不可持续发展 ” 问题 . 硬件模拟神经元和突触功能是发展类脑计算技术的核心 , 而支持这一切实现 的基础是器件以及器件中的物理电子学 . 根据类脑单元实现的物理基础 , 当前类脑芯片主要可以分 为数字 CMOS 型、数模混合 CMOS 型以及新原理器件型三大类 . IBM 的 TrueNorth 、 Intel 的 Loihi 、清华大学的 Tianjic 以及浙江大学的 Darwin 等都是数字 CMOS 型类脑芯片的典型代表 , 旨 在以逻辑门电路仿真实现生物单元的行为 . 数模混合型的基本思想是利用亚阈值模拟电路模拟生物 神经单元的特性 , 最早由 Carver Mead 提出 , 其成功案例有苏黎世的 ROLLs 、斯坦福的 Neurogrid 等 . 以上两种类型的类脑芯片虽然实现方式上有所不同 , 但共同之处在于都是利用了硅基晶体管的 物理特性 . 此外 , 以忆阻器为代表的新原理器件为构建非硅基类脑芯片提供了新的物理基础 . 它们 在工作过程中引入了离子动力学特性 , 从结构和工作机制上与生物单元都具有很高的相似性 , 近年 来受到国内外产业界和学术界的广泛关注 . 鉴于硅基工艺比较成熟 , 当前硅基物理特性是类脑芯片 实现的主要基础 . 忆阻器等新原理器件的类脑计算技术尚处于前沿探索和开拓阶段 , 还需要更成熟 的制备技术、更完善的系统框架和电路设计以及更高效的算法等 .
评估帕金森氏症脑铁沉积的疾病定量敏感性映射与双能CT和
缩写：AALV3¼解剖自动标签版本3；曲线下的AUC¼区域； Ca¼尾状核； DECT¼双能量CT; GP¼Globuspallidus; HC¼健康对照； MNI¼MONTREAL神经学院； MSV¼磁敏感性值； pd¼帕金森病； pu¼putamen; QSM¼定量敏感性映射； Rn¼红色核； ROC¼接收器操作特征； Sn¼根尼格拉氏病阿金森疾病（PD）是一种神经退行性疾病，会导致多巴胺能神经元的进行性死亡，而在尼格拉乳纹状体系统中具有过多的铁沉积是主要因素。1-3因此，对大脑中铁沉积的评估和监测对于PD患者尤其重要。验尸研究和动物研究都巩固了脑铁的沉积与磁性
评估帕金森氏症脑铁沉积的疾病定量敏感性映射与双能CT和
缩写：AALV3¼解剖自动标签版本3；曲线下的AUC¼区域； Ca¼尾状核； DECT¼双能量CT; GP¼Globuspallidus; HC¼健康对照； MNI¼MONTREAL神经学院； MSV¼磁敏感性值； pd¼帕金森病； pu¼putamen; QSM¼定量敏感性映射； Rn¼红色核； ROC¼接收器操作特征； Sn¼根尼格拉氏病阿金森疾病（PD）是一种神经退行性疾病，会导致多巴胺能神经元的进行性死亡，而在尼格拉乳纹状体系统中具有过多的铁沉积是主要因素。1-3因此，对大脑中铁沉积的评估和监测对于PD患者尤其重要。验尸研究和动物研究都巩固了脑铁的沉积与磁性
双谱无创脑电信号分析可区分复杂和自然的抓握类型
摘要 — 双谱是频域分析中一种革命性的工具，它通过捕获频率分量之间的关键相位信息，超越了通常的功率谱。在我们的创新研究中，我们利用双谱分析和解码复杂的抓握动作，收集了来自五名人类受试者的脑电图数据。我们用三个分类器对这些数据进行了测试，重点关注幅度和相位相关特征。结果突出了双谱深入研究神经活动和区分各种抓握动作的惊人能力，其中支持向量机 (SVM) 分类器表现出色。在二元分类中，它在识别强力抓握方面实现了惊人的 97% 的准确率，而在更复杂的多类任务中，它保持了令人印象深刻的 94.93% 的准确率。这一发现不仅强调了双谱的分析能力，还展示了 SVM 在分类方面的卓越能力，为我们理解运动和神经动力学打开了新的大门。索引术语 —EEG（脑电图）、双谱、交叉双谱、握力解码和机器学习。
录用稿件，非最终出版稿 - 工程科学学报
因此，跨个体、跨场景的脑电分析方法逐渐成为研究热点。越来越多的研究人员将广泛应用脑 电信号分析的特征于跨个体、跨场景的脑电信号分析研究中。 Touryan 等人采用经典的独立成分分 析的特征分析方法描述特征空间，计算功率谱密度（ Power Spectral Density ， PSD ），并采用顺序 前向浮动选择方法识别频谱特征中的独立成分集，结果表明该方法可以识别出跨场景脑电信号中的 共同成分 [88] 。 Kakkos 等人采用了特征融合的方法，将 PSD 与功能连接特征相结合，提高了跨场景 分类的性能，并证明了脑特征融合在跨场景中的应用更为有效 [89] 。 Xing 等人将模糊熵特征用于跨 场景脑电信号分析，发现模糊熵特征相对于其他特征更能适合跨场景 [90] 。卷积神经网络 （ Convolutional Neural Networks ， CNN ）和递归神经网络（ Recurrent Neural Networks ， RNN ）等基 于深度学习的新型跨任务模型在跨场景脑电分析中展现了巨大潜力。这些模型能够自动提取特征和 学习复杂的脑电特征，从而有效地缩小不同任务和场景之间的差距，提高模型的泛化能力 [91][92][93] 。 近年来，一些跨学科的方法被创新性地应用于跨场景研究， Zhao 等人提出了一种跨学科的对齐多 源域自适应方法，用于跨个体的 EEG 疲劳状态评估，显著提高了模型的泛化能力 [94] ， Zhou 等人在 此基础上进行改进，提出了一种跨任务域自适应方法，有效提升了跨场景认知诊断的性能 [95] 。
补充材料脑脑内脑内...
图S10。 建立用于研究缺血性中风的永久性脑动脉闭塞（PMCAO）模型。 PMCAO手术程序。 CCA，ICA和ECA暴露了，将硅细丝插入CCA和ICA直到到达MCA（有关详细信息的材料和方法）。 用biorender.com创建的数字。 b TTC染色大脑的代表性照片。 白色区域代表PMCAO的梗塞区域。 PMCAO后1、3和6小时，缺血性大脑中SIRT1的mRNA表达水平。 数据表示为折叠变化，相对于假手术组在归一化为GAPDH之后。 误差条表示平均值±S.D. （n = 3）（每组n = 10只小鼠， * p <0.05，*** p <0.001对假手术）。 缩写：CCA，常见的颈动脉； ICA，颈内动脉； ECA，外部颈动脉； MCA，中大脑中动脉； TTC，2,3,5-三苯基四唑氯化物。图S10。建立用于研究缺血性中风的永久性脑动脉闭塞（PMCAO）模型。PMCAO手术程序。CCA，ICA和ECA暴露了，将硅细丝插入CCA和ICA直到到达MCA（有关详细信息的材料和方法）。用biorender.com创建的数字。b TTC染色大脑的代表性照片。白色区域代表PMCAO的梗塞区域。PMCAO后1、3和6小时，缺血性大脑中SIRT1的mRNA表达水平。数据表示为折叠变化，相对于假手术组在归一化为GAPDH之后。误差条表示平均值±S.D.（n = 3）（每组n = 10只小鼠， * p <0.05，*** p <0.001对假手术）。缩写：CCA，常见的颈动脉； ICA，颈内动脉； ECA，外部颈动脉； MCA，中大脑中动脉； TTC，2,3,5-三苯基四唑氯化物。
