XiaoMi-AI文件搜索系统
World File Search System场电位
人类皮层脑电场电位记录的聆听区域
版权所有 © 2022 McCarty 等人。这是一篇开放获取的文章，根据知识共享署名 4.0 国际许可条款分发，允许在任何媒体中不受限制地使用、分发和复制，前提是对原始作品进行适当的署名。
行为过程中脉冲和场电位信号之间的多尺度因果关系建模
摘要 目的。脑记录在多个时空尺度上表现出动态，这些动态可以用脉冲序列和更大规模的场电位信号来测量。为了研究神经过程，重要的是不仅要在单个活动尺度上识别和建模因果关系，还要在多个尺度上识别和建模因果关系，即脉冲序列和场电位信号之间。标准因果关系度量在这里不直接适用，因为脉冲序列是二值，而场电位是连续值。因此，重要的是开发计算工具来恢复行为过程中的多尺度神经因果关系，评估它们在神经数据集上的性能，并研究多尺度因果关系建模是否可以提高神经信号的预测能力，使其超出单尺度因果关系所能达到的范围。方法。我们设计了一种基于有向信息的多尺度模型的 Granger 类因果关系方法，并评估其在现实的生物物理脉冲场模拟和两个执行运动行为的非人类灵长类动物 (NHP) 的运动皮层数据集中的成功率。为了计算多尺度因果关系，我们学习了点过程广义线性模型，该模型基于脉冲序列和场电位信号的历史来预测给定时间的脉冲事件。我们还学习了线性高斯模型，该模型基于场电位信号自身的历史以及二元脉冲事件或潜在放电率的历史来预测给定时间的场电位信号。主要结果。我们发现，尽管存在模型不匹配，但我们的方法仍揭示了生物物理模拟中真正的多尺度因果关系网络结构。此外，与仅对单尺度因果关系进行建模相比，在 NHP 神经数据集中具有已识别多尺度因果关系的模型可以更好地预测脉冲序列和场电位信号。最后，我们发现与 NHP 数据集中的二元脉冲事件相比，潜在放电率是场电位信号的更好预测因子。意义。这种多尺度因果关系方法可以揭示跨大脑活动时空尺度的定向功能相互作用，从而为基础科学研究和神经技术提供信息。
用于闭环刺激和记录自由移动人体中单个神经元和局部场电位活动的可穿戴平台
图 1. Neuro-stack 平台。a、用于单神经元和局部场电位 (LFP) 记录以及闭环可编程锁相 (PLS) 刺激的 Neuro-stack 和基于 GUI 的平板电脑。平板电脑可以选择记录和刺激通道、采样率、单极/双极记录和其他参数。显示的是封装（左）和未封装（右）版本。b、Neuro-stack 由三个堆叠层组成：1）通信 (Comm)、2) 数字和 3) 模拟。展示的是印刷电路板 (PCB，尺寸 = 90×60 mm 2 ) 和 5×2 引脚（8 个通道、1 个参考和 1 个接地，共 10 个引脚）Omnetics 探头连接器，可连接微电极（仅连接顶部模拟层）。请注意，每个模拟层最多接收两个 Omnetics 连接器，以通过一个探头连接最多 4 个电极。显示了每层的高级框图（右）。通信层包含一个 FPGA（现场可编程门阵列），用于介导外部软件和集成电路 (IC) 芯片之间的命令和数据传输（通过 USB）。数字层包含 PLS IC。模拟层包含用于感测（Sense IC）和刺激（Stim IC）的芯片。显示三个模拟层以允许记录 192 个通道（64 x 3 层）。串行外围设备接口 (SPI) 用于 FPGA 与 Sense 和 Stim IC 的通信，移位寄存器用于 FPGA 与 PLS 和 Spike IC 的通信。c，神经堆栈连接到佩戴眼动追踪系统的参与者的微电极。d，显示用于宏电极的 10 针防触摸跳线和用于微电极记录的 10 针连接器（例如 Adtech）。e，使用临床监测系统（Nihon Kohden，灰色）和神经堆栈（黑色）同时记录的示例数据显示信号相似。 f，数据（e）中功率谱图示例，显示一致的活动模式。使用对数刻度显示频率（0.1-32 Hz）。g，数据（e）中归一化功率谱密度（PSD）图示例。
用于闭环刺激和记录自由移动人体中单个神经元和局部场电位活动的可穿戴平台
图 1. Neuro-stack 平台。a、用于单神经元和局部场电位 (LFP) 记录以及闭环可编程锁相 (PLS) 刺激的 Neuro-stack 和基于 GUI 的平板电脑。平板电脑可以选择记录和刺激通道、采样率、单极/双极记录和其他参数。显示的是封装（左）和未封装（右）版本。b、Neuro-stack 由三个堆叠层组成：1）通信 (Comm)、2) 数字和 3) 模拟。展示的是印刷电路板 (PCB，尺寸 = 90×60 mm 2 ) 和 5×2 引脚（8 个通道、1 个参考和 1 个接地，共 10 个引脚）Omnetics 探头连接器，可连接微电极（仅连接顶部模拟层）。请注意，每个模拟层最多接收两个 Omnetics 连接器，以通过一个探头连接最多 4 个电极。显示了每层的高级框图（右）。通信层包含一个 FPGA（现场可编程门阵列），用于介导外部软件和集成电路 (IC) 芯片之间的命令和数据传输（通过 USB）。数字层包含 PLS IC。模拟层包含用于感测（Sense IC）和刺激（Stim IC）的芯片。显示三个模拟层以允许记录 192 个通道（64 x 3 层）。串行外围设备接口 (SPI) 用于 FPGA 与 Sense 和 Stim IC 的通信，移位寄存器用于 FPGA 与 PLS 和 Spike IC 的通信。c，神经堆栈连接到佩戴眼动追踪系统的参与者的微电极。d，显示用于宏电极的 10 针防触摸跳线和用于微电极记录的 10 针连接器（例如 Adtech）。e，使用临床监测系统（Nihon Kohden，灰色）和神经堆栈（黑色）同时记录的示例数据显示信号相似。 f，数据（e）中功率谱图示例，显示一致的活动模式。使用对数刻度显示频率（0.1-32 Hz）。g，数据（e）中归一化功率谱密度（PSD）图示例。
R环形成的机制和Cas9 的构象激活 原发性纤毛通过Wnt信号通路促进人类神经元的分化 使用方向性和可扩展深度阵列传感局部场电位：disc 增加对免疫检查点抑制剂的反应增加了饮食中的蛋氨酸限制 有效的CRISPR/CAS12A基于甲虫中代谢工程的基因组编辑工具箱
。cc-by-nc-nd 4.0国际许可证。是根据作者/资助者提供的预印本（未经Peer Review的认证）提供的，他已授予Biorxiv的许可证，以在2021年9月16日发布的此版本中在版权所有者中显示预印本。 https://doi.org/10.1101/2021.09.16.460614 doi：biorxiv Preprint
利用局部场电位的功能连接解码人类认知控制
摘要 — 许多患有以认知控制受损为特征的精神疾病的患者无法从金标准临床治疗中得到缓解，因此迫切需要新的替代疗法。本文开发了一种神经解码器，用于检测十名人类受试者在基于冲突的行为任务（称为多源干扰任务 (MSIT)）中的任务参与度。任务参与度在这里特别令人感兴趣，因为在这些状态下的闭环大脑刺激可以增强决策能力。提取电极的功能连接模式。对这些模式进行主成分分析，并将排序的主成分用作输入来训练特定于受试者的线性支持向量机分类器。在本文中，我们表明，任务参与度可以与背景大脑活动区分开来，中位准确率为 89.7%。这是通过从任务执行期间记录的局部场电位构建分布式功能网络来实现的。另一个挑战是，目标导向的努力发生在更高的时间分辨率上。因此，必须以类似的速率检测任务参与度以进行主动干预。我们表明，我们的算法可以在不到 2 秒的时间内从神经记录中检测任务参与度；这可以使用特定于应用的设备进一步改进。
局部场电位以特异性和频率依赖性方式反映了皮质种群动力学
皮质神经元种群的尖峰活性通过少数人口范围的协方差模式（“潜在动力学”）很好地描述。这些潜在动力学在很大程度上是由确定局部场电位（LFP）产生的相同相关的突触电流驱动的。然而，潜在动力学和LFP之间的关系仍然在很大程度上尚未探索。在这里，我们为灵长类动物感觉运动皮层的三个不同区域表征了这种关系。潜在动力学和LFP之间的相关性是频率依赖性的，并且在各个区域之间有所不同。但是，对于任何给定的区域，这种关系在各个行为之间保持稳定：在主电动机和前皮层中，LFP-LANTENT动力学相关曲线在运动计划和执行之间非常相似。LFP与神经群体潜在动力学之间的这些强大关联有助于弥合使用两种记录的行为神经相关性的研究丰富的研究。
从传感神经刺激器记录的局部场电位中去除心电图伪影
传感神经刺激器是一种用于长期观察大脑活动的先进技术，在闭环神经调节和植入式脑机接口方面表现出巨大潜力。然而，由于记录条件复杂且共模抑制比 (CMRR) 有限，传感神经刺激器记录的局部场电位 (LFP) 可能会受到心电图 (ECG) 信号的污染。在本研究中，我们提出了一种解决方案，用于从传感神经刺激器记录的局部场电位 (LFP) 中去除此类 ECG 伪影。添加同步单极通道作为 ECG 参考，然后应用两种预先存在的方法，即模板减法和自适应滤波。成功去除了 ECG 伪影，并且该方法的性能对残留刺激伪影不敏感。这种去除 ECG 伪影的方法拓宽了传感神经刺激器的应用范围。
基于丘脑局部场电位的基本震颤的闭环深脑刺激
摘要：背景：高频丘脑刺激是对必需震颤的有效疗法，主要影响自愿运动和/或持续的姿势。然而，由于震颤的间歇性质，连续刺激可能会给大脑带来不必要的电流。目的：我们建议通过使用植入刺激的同一电极记录的局部场电位来检测发动机的运动状态来关闭丘脑刺激的循环，以便仅在必要时提供刺激。方法：八名基本震颤患者参加了这项研究。患者特定的支持向量机分类器是第一次使用记录的数据进行训练，而患者进行了发动机震动的运动。然后，实时应用训练有素的模型来检测这些运动并触发刺激的传递。结果：使用所提出的方法，当存在震动运动时，刺激的时间为80.37±7.06％。相比，
线性预测方法分离帕金森病动物模型中的场电位
帕金森病 (PD) 会导致运动和认知障碍。PD 可能导致皮层和皮层下大脑活动的深刻变化，这可以通过脑电图或颅内局部场电位 (LFP) 记录来测量。此类信号可以自适应地指导深部脑刺激 (DBS) 作为 PD 治疗的一部分。但是，自适应 DBS 需要根据实时监测和分析来识别神经元活动的触发因素。当前的方法并不总能识别与 PD 相关的信号，并且可能会造成延迟。我们测试了一种基于线性预测编码 (LPC) 的替代方法，该方法将自回归 (AR) 模型拟合到时间序列数据。这些 AR 模型的参数可以通过快速算法实时计算。我们比较了多巴胺耗竭的 PD 动物模型中纹状体的 LFP，这些模型中有无多巴胺前体左旋多巴存在，左旋多巴用于治疗 PD 的运动症状。我们表明，在多巴胺耗竭的小鼠中，仅通过 1 kHz 的 LFP 采样 1 分钟获得的以单个 LPC 参数为特征的一阶 AR 模型可以区分左旋多巴治疗小鼠和盐水治疗小鼠，并且优于当前方法。这表明 LPC 可能有助于实时在线分析神经信号以指导 DBS，并可能有助于基于 DBS 的 PD 治疗。