XiaoMi-AI文件搜索系统
World File Search System听觉刺激
语音流分离以控制基于 ERP 的听觉 BCI
目的。研究表明，在听觉脑机接口 (BCI) 中使用自然声音可以改善分类结果和可用性。一些听觉 BCI 基于流分离，其中受试者必须关注一个音频流而忽略其他音频流；这些流包括某种需要检测的刺激。在这项工作中，我们专注于事件相关电位 (ERP)，并研究为每个音频流提供可理解的内容是否有助于用户更好地集中注意力于所需的流，从而更好地关注目标刺激并忽略非目标刺激。方法。除了控制条件外，还使用两个同时和空间化的音频流测试了基于选择性注意和鸡尾酒会效应的两种实验条件：i) 条件 A2 包括听觉刺激（单音节）在由每个流的自然语音组成的背景上的重叠，ii) 在条件 A3 下，使用对每种语音的自然流的短暂改变作为刺激。主要结果。这两个实验方案在校准部分的交叉验证分析和在线测试中都改进了控制条件（单个单词作为刺激，没有语音背景）的结果。ERP 反应的分析也表明，与控制条件相比，这两个方案具有更好的可辨别性。主观问卷的结果支持第一个实验条件具有更好的可用性。意义。使用自然语音作为背景可改善基于 ERP 的听觉 BCI 中的流分离（在性能指标、ERP 波形和主观问卷中的偏好参数中具有显著的结果）。基于 ERP 的流分离领域的未来工作应该研究将自然语音与容易感知但不分散注意力的刺激相结合使用。
大脑和计算机接口（BCI）系统的基础和应用
图4。当实施使用SSVEP的BCI系统时，需要合理的刺激频率范围，通常，通常，该范围通常是从15Hz到35Hz。此外，还会同时引起刺激闪光频率的夸隆组分的振动成分，因此，如果将一个刺激的闪光频率的载体组件用作不同刺激的闪光频率，则歧视精度的闪光频率将降低[7]。 SSVEP对BCI的评估涉及识别精度率，信息转换率（位/分钟）和检测间隔（SEC）等。一个示例是一个系统应用程序，用于根据SSVEP原理使用大脑进行呼叫。当在液晶显示器上执行SSVEP刺激器时，它们可以闪烁的频率受到显示刷新速率的限制，因此很难使用SSVEP显着增加BCI的命令数量。最后，如果将闪烁刺激应用于癫痫患者，则可能会严格禁止对患有癫痫病史的受试者进行癫痫发作的癫痫发作。 2.3 P300引起的潜在p300是一个积极的潜力，在刺激发作后长期存在约300毫秒（图5）[8]，通过随机呈现两种或多种类型的感觉刺激（视听，视觉，视觉，味道，触摸等），可以与彼此区分，并通过选择性地注意对低效率刺激（图5）[8）[8] [8）。例如，它是与视觉刺激引起的枕骨优势相关的潜在组成部分，并且在相对较早的潜伏期约为200 ms的情况下观察到。诱导的视觉响应组件包含多种组件，其潜伏期和名称因提出的刺激的特征而有所不同。此外，听觉刺激引起的成分称为听觉诱发电位。人们认为该疾病的根源是颞叶中听觉区域的颞叶和视觉床。刺激后100-200ms观察到大的负和正成分。因此，刺激表现后出现200-500ms的大脑活动反应很常见。在两项选择的奇数任务的情况下，目标是低频刺激和未定位的刺激，典型的比例为2至8。
了解情绪在决策过程中的作用：使用机器学习分析对视觉，听觉和组合刺激的生理反应
情感显着塑造了决策，而有针对性的情感引起是神经营销的重要因素，在这种因素中，它们通过吸引潜在客户的注意力与情感触发器相关的潜在客户的注意力来影响广告效果。分析刺激暴露后的生物识别参数可能有助于理解情绪状态。这项研究研究了对情绪刺激的自主神经系统和中枢神经系统的反应，包括图像，听觉提示及其组合，同时记录生理信号，即心电图，血液体积脉冲，镀锌皮肤响应，次生次数，呼吸，呼吸，呼吸和电脑定位图。提出的分析的主要目标是比较情绪刺激方法并确定不同生理模式的最有效方法。采用一种新颖的特征选择技术来进一步优化四个情绪状态的分离。使用基本的机器学习方法是为了辨别不同种类刺激引起的情绪。脑电图信号，电流皮肤反应和心呼吸耦合衍生的特征为区分四种情绪状态提供了最显着的特征。进一步的发现强调了听觉刺激如何在创建独特的生理模式中起着至关重要的作用，从而增强了四类问题中的分类。组合所有三种刺激时，实现了49％的验证精度。仅声音和仅图像阶段分别产生了52％和44％的精度，而图像和声音的综合刺激导致了51％的精度。孤立的视觉刺激产生的不同模式较小，与其他类型的刺激相比，需要更多的信号来表现相对较低的性能。这种令人惊讶的显着性是由情感识别文献中的听觉探索有限引起的，尤其是与使用视觉刺激进行的研究的Pleathora相比。在营销中，听觉组件可能具有更相关的潜力，以显着影响消费者的选择。
听觉驱动的伽马同步与广泛皮质区域的皮质厚度有关
目的：伽马同步是大脑皮层的一个基本功能特性，在多种神经精神疾病（如精神分裂症、阿尔茨海默病、中风等）中会受损。伽马范围内的听觉刺激可以驱动整个皮质层的伽马同步，并评估维持它的机制的效率。由于伽马同步在很大程度上取决于小清蛋白阳性中间神经元和锥体神经元之间的相互作用，我们假设皮质厚度和伽马同步之间存在关联。为了验证这一假设，我们采用了脑磁图 (MEG) - 磁共振成像 (MRI) 联合研究。方法：根据解剖 MRI 扫描估计皮质厚度。与 40 Hz 调幅音调曝光相关的 MEG 测量值被投射到皮质表面。我们考虑了两种皮质同步性测量方法：（a）40 Hz 下的试验间相位一致性，提供伽马同步的顶点估计值；（b）初级听觉皮质与整个皮质套层之间的相位锁定值，提供长距离皮质同步性的测量。然后计算了 72 次 MRI-MEG 扫描的皮质厚度与同步性测量结果之间的相关性。结果：试验间相位一致性和相位锁定值均与皮质厚度呈显著的正相关。对于试验间相位一致性，在颞叶和额叶发现了强关联的簇，尤其是在双侧听觉皮质和运动前皮质中。相位锁定值越高，额叶、颞叶、枕叶和顶叶的皮质厚度就越厚。讨论和结论：在健康受试者中，较厚的皮质对应于初级听觉皮质及其他部位的较高伽马同步和连接性，这可能反映了参与伽马回路的潜在细胞密度。这一结果暗示伽马同步与潜在大脑结构一起参与了高级认知功能的大脑区域。这项研究有助于理解固有的皮质功能和大脑结构特性，这反过来可能构成定义伽马同步异常患者的有用生物标志物的基础。
自然语音中的词语预测......
电子邮件：lekhnitskaya.polina@gmail.com 摘要：在自然语音感知范式中尚未研究过单词预测机制，因此本研究的目的是：探索自然语音感知过程中 EEG 反应功能与省略单词之间的联系、训练语言模型的置信度得分。 14 名神经典型受试者（平均年龄 - 23.5 岁；5 名男性）参与了这项研究。EEG 包括 24 个通道。研究对象被要求听故事并理解它。所得结果显示，在 T3、T5、P3 电极中，听省略单词和非省略单词存在差异。为了模拟神经信号和自然语音刺激之间的联系，应用了 mTRF。该研究未来可能的方向之一是探索这一范式中的交流过程。 介绍 人脑是一个复杂的动力系统，可以不断处理输入信息。对于声音刺激，与其他类型的感官信息一样，区分信号和噪声非常重要；通过理解信号的特征，人们可以轻松地感知语音。近年来，研究人员开始将注意力转向使用连续的自然语音来探索大脑评估听觉刺激的方式 [3]。其中一种可能的方法称为系统识别，即根据语音刺激对获得的数据进行建模 [3]。在这种情况下，大脑被视为一个“黑匣子”，其中输入语音的特征与神经生理反应之间存在一些映射。这样的黑匣子可以表示为线性时不变系统，通过 EEG 与声学和语言特征之间的联系获得所谓的时间响应函数 (TRF) [3]。据我们所知，在这个范式中还没有研究过单词预测的机制。在语音感知过程中，单词嵌入在更广泛的上下文中，这有助于意义的解释。接收者还可以对即将到来的话语中可能出现的特定词素做出预测。此任务类似于掩码语言建模，其中预训练模型通过双向关注标记来预测句子中的掩码标记（通常标记为 [MASK]）。在这种情况下，模型还会根据上下文对该词进行预测 [7]。现在，感知和理解的神经科学
研讨会
Helena Bender博士是墨尔本大学农业，食品和生态系统科学学院的高级讲师。她是一个跨学科的学者，他以跨越多个领域的研究成果为行为生态学家。她的研究的一个领域侧重于使用声学信号，并更广泛地进行沟通，以减少在人类和野生动植物相互作用时可能产生的负面影响。这项工作基于她对捍卫其领土的三点狂sellish（Eupomacentrus Planifrons）所产生的声音的荣誉研究，以及她对听觉刺激的博士学位研究，作为阻止农业和道路环境中东部灰色袋鼠的一种方法。第二个研究领域的重点是用于与社会生态系统互动和管理的不同实践，这些实践借鉴了批判性反思，对话分析和主题识别方面的技能。这导致了一本共同撰写的书，名为《社会生态研究实践：“自适应做”的跨学科合作”。第三个研究领域是可持续性教育以及如何支持学生为可持续性采取行动，同时保持希望感。作为这项研究的一部分，她编辑了一本跨学科的教科书，并共同召开了两个相关的研讨会。她热衷于为比人类更多的人创造一个更美好的世界，并追求这些研究路线以实现这一目标。Graeme Coulson是墨尔本大学生物科学学院的荣誉研究员，也是Macropus Consulting的首席顾问。他最初接受了心理学培训，后来加入了墨尔本大学的动物学系，在那里他教授本科生和研究生学科，并监督了58名荣誉，10名大师和26名PH D学生。他发表了150篇科学论文，并在科学会议上发表了100多篇论文。他的研究主要是基于现场的，在一系列野生动植物分类群中，尤其是大脚架（袋鼠和小袋鼠），以及袋鼠，bandicoot，bandicoots，蝙蝠，鹿，鹿，海鸥和无腿lizards，主要基于现场的行为生态学。他目前是十个咨询机构，伦理委员会，编辑委员会和恢复团队的成员，他们试图将高质量的科学融入到有效而人道的野生动植物管理中。
电生理学和神经影像学研究——意识障碍中的静息状态和感觉刺激：综述
严重的脑损伤可能导致意识障碍 (DOC)，如昏迷、植物人状态 (VS)、微意识状态 (MCS) 或闭锁综合征 (LIS)。迄今为止，DOC 的诊断仅依赖于临床评估或主观评分系统（如格拉斯哥昏迷量表），这些系统无法检测到细微的变化，从而导致诊断错误。DOC 患者的误诊率高且无法预测意识的恢复，引起了人们对意识评估的极大研究兴趣。研究人员已经探索了使用各种刺激和神经成像技术来改善诊断。在本文中，我们介绍了静息状态和感官刺激方法的重要发现，并重点介绍了在意识评估中被证明有效的刺激。我们首先根据 (a) 应用/不使用刺激（即感觉刺激/基于静息状态）、(b) 所用刺激类型（即听觉、视觉、触觉、嗅觉或心理意象）、(c) 所用电生理信号（EEG/ERP、fMRI、PET、EMG、SCL 或 ECG）来回顾文献。在感觉刺激方法中，听觉刺激已被广泛使用，因为它对这些患者来说更容易进行。嗅觉和触觉刺激的探索较少，需要进一步研究。情绪刺激，如受试者自己的名字或熟悉声音的叙述或受试者自己的面部/家庭照片或音乐，会引起比中性刺激更强烈的反应。基于静息状态分析的研究采用了复杂性、功率谱特征、熵和功能连接模式等措施来区分 VS 和 MCS 患者。静息状态脑电图和 fMRI 是最先进的技术，在预测昏迷患者的恢复方面具有巨大的潜力。此外，基于 EMG 和心理意象的研究试图从 VS 患者那里获得意志反应，从而可以检测他们的命令执行能力。这可能为与这些患者沟通提供有效的手段。最近的研究采用了 fMRI 和 PET 来了解与心理意象相对应的大脑激活模式。这篇综述促进了我们对用于诊断 DOC 患者的技术的了解，并试图为未来的研究提供思路。
编号 409 – 2024 年 7 月 11 日
认知 2024 年 8 月 品味音乐：来自听觉和味觉刺激的情感状态的模态一般表征 Park C, Kim J 全北国立大学，韩国全寿市，567 Baekje-daero, Deokjin-gu, Jeonju-si, Jeollabuk-do 54896，大韩民国。 jongwankim80@jbnu.ac.kr 先前的研究已经广泛研究了各种感官模态中情感的模态一般表征，特别侧重于听觉和视觉刺激。然而，很少有研究探索味觉和其他感官模态之间情感的模态一般表征。本研究旨在调查是否可以在模态内部和跨模态预测由味道和音乐作品引起的情感反应。对于每种模态，根据四种基本味觉条件（甜、苦、酸和咸）选择八种刺激。参与者使用味觉和情绪量表对每种刺激的反应进行评分。进行了包括多维尺度分析和分类分析在内的多变量分析。研究结果表明，甜味类别中的听觉和味觉刺激与正效价相关，而其他味觉类别中的听觉和味觉刺激与负效价相关。此外，酸味类别中的听觉和味觉刺激与高唤醒相关，而苦味类别中的刺激与低唤醒相关。这项研究揭示了味觉和听觉刺激在日常体验中到核心情感空间的潜在映射。此外，它表明味觉和音乐引起的情绪可以跨模态预测，支持情感的模态一般表征。先前的研究已经证明了对各种感觉模态的情感的一般表示，集中在特定的听觉和视觉刺激上。 Tuttavia, poche Ricerche hanno esplorato la modalità generale di rappresentazione affettiva tra le modalità gustative and altre modalità senseali. Questo studio mirava 致力于将情感融入到音乐中，并在内部和形式上进行预演。根据 ciascuna modalità，sono stati scelti otto stimoli in base a quattro condizioni foldamentali di gusto (dolce、amaro、acido e salato)。我参与了 hanno valutato le loro risposte a ciascuno stimolo utilizzando sia la scala del gusto che quella delle emozioni。声态多变量分析，包括多维缩放
自动瞳孔测量和认知范式揭示急性脑损伤中的隐秘意识
摘要背景：识别重症监护病房 (ICU) 昏迷和其他意识障碍 (DoC) 患者的隐性意识对于治疗决策至关重要，但缺乏灵敏的低成本床边标记。我们研究了自动瞳孔测量结合被动和主动认知范式是否可以检测出患有 DoC 的 ICU 患者的残留意识。方法：我们前瞻性地招募了来自三级转诊中心 ICU 的临床反应低或无反应的创伤性或非创伤性 DoC 患者。年龄和性别匹配的健康志愿者作为对照组。患者被分为临床无反应（昏迷或无反应性觉醒综合征）或临床反应低（微意识状态或更好）。使用自动瞳孔测量法，我们记录了被动（视觉和听觉刺激）和主动（心算）认知范式下的瞳孔扩张情况，并设定了特定任务的成功标准（例如，连续 5 次心算任务中 5 次瞳孔扩张中有 ≥ 3 次）。结果：我们从 91 名 ICU 脑损伤患者（平均年龄 60 ± 13.8 岁，31% 为女性，49.5% 为非创伤性脑损伤）的 178 个时间点获取了 699 次瞳孔测量记录。还从 26 名匹配的对照者（59 ± 14.8 岁，38% 为女性）获取了记录。被动范式对患者和对照者之间的区别有限。然而，主动范式可以区分不同的意识状态。对于中等复杂程度的心算，17.8% 的临床无反应患者和 50.0% 的临床低反应患者出现≥ 3 次瞳孔扩张（风险比 4.56，95% 置信区间 2.09–10.10；p < 0.001）。相比之下，76.9% 的健康对照者出现≥ 3 次瞳孔扩张（p = 0.028）。使用不同成功阈值进行的敏感性分析的结果保持一致。Spearman 等级分析强调了心算过程中瞳孔扩张与意识水平之间的密切关联（rho = 1，p = 0.017）。值得注意的是，一名行为无反应的患者在出现明显的意识迹象前 2 周表现出持续的服从命令行为，表明认知运动分离存在长时间。结论：自动瞳孔测量结合心算可以识别 ICU 急性 DoC 患者的认知努力，从而识别隐性意识。关键词：心脏骤停、认知运动分离、昏迷、重症监护医学、创伤性脑损伤
基于机器学习的精神分裂症和主要抑郁症的脑电图表型
尽管精神诊断是基于公开特征（例如行为，情绪和思想）的现象学区别，但具有脑电图（EEG）神经病理学机制（EEG）的确定仍然具有挑战性。在使用脑电图确定的神经生理表型中，精神分裂症（SZ）和主要抑郁症（MDD）始终没有推荐的脑模型。以前的EEG研究集中在病理生理学的区别和症状关系上（1-3）。SZ和MDD的临床变化非常异质（4-6）。除了基于SZ和MDD之间的现象学区别的临床诊断之外，使用机器学习的脑电图定义可以提供促进治疗突破的见解（7-10）。，通过应用线性判别分析（LDA）和支持向量机（SVM）（11）来确保精神疾病中的分类表现。听觉P300（AP300）是SZ和抑郁症患者的代表性神经生理指标（12-15）；但是，一些研究为抑郁症指标提供了不一致的发现（16）。ap300包括N1和P3组件，它们在100毫秒左右的最大电位和最正的电位分别是听觉刺激发作后300毫秒左右的最积极电位。通常观察到中线电极中P3和N1振幅的变化（17，18）。另外，定义时间范围内振幅的宽度也可以表明病理状态（21）。此外，每个组件定义时间范围内的最高峰电势在各个个体之间显示出较大的变化，因为每个成分都包含几种神经生物学属性（19，20）。AP300在听觉响应以及工作记忆和注意力过程中反映了认知过程（22，23）。n1已被定义为目标刺激的早期感觉输入的神经分配（24、25），而N1减少可以反映SZ和情绪障碍中的异常选择性注意（26 - 29）。p3是AP300的主要组成部分，它是由信息处理的晚期积极潜力产生的，例如在普通情况下的输入罕见事件（30，31）。n1和p3降低（32，33）。几项研究还报道了MDD患者的N1和P3的延迟延迟和幅度降低（13、34-36）。在这里，我们比较了健康对照组（HCS）与SZ和MDD患者之间的AP300。为了鉴定SZ和抑郁症的大脑表型，N1和P3成分的变化在三个维度上表达，即通过使用雷达图表，峰值，潜伏期，振幅和皮质来源的峰值。此外，我们使用线性判别分析（LDA）和支持向量机（SVM）分类器应用机器学习技术，以适用于每个两组分类。