XiaoMi-AI文件搜索系统
World File Search System心磁图
什么让我们产生同理心？
同情心高低——或者根本没有同情心？一般人群表现出的同情心水平差异很大，这取决于个人和情况。“我们知道基因差异会影响你的同情心水平，但只要告诉你目睹痛苦的人与你有很多共同之处，同情心也会增加——另一方面，如果你被告知他们是竞争对手，同情心就会减少，”瓦莱丽亚说。“还有证据表明，你可以训练自己变得更有同情心，最终改变你自己的大脑活动。这让我们能够灵活地适应环境，并有责任做出正确的社会决策。”
社区基金的心2024
保留您的申请记录。在线门户将允许您在提交之前下载完整应用程序的完整PDF副本。我们还敦促您保留您使用的电子邮件地址和密码的记录，因为您将能够在稍后返回查看提交的申请。收到申请后，确认将发送到您表格上提供的电子邮件地址。请注意，确认电子邮件可能会降落在您的垃圾邮件或垃圾文件夹中。确保您已将grantsinfo@irelandfunds.org标记为“安全发件人”，这样您就不会错过任何东西。
用于植入式磁共振成像的微型磁传感器
1972 年。 [1] Cohen 和 Gilver 将肌磁图信号定义为磁场矢量一个分量随时间变化的记录，其中测量点的磁场由骨骼肌产生的电流引起。MMG 方法与其电对应方法，即肌电图 (EMG) 技术之间的对应关系。 [2] 两者都直接源于麦克斯韦-安培定律，如图 1a 所示。然而，EMG 信号记录的简易性以及 MMG 与 EMG 信号的时间和频谱特性的相似性，促使学术界和临床界几乎只使用 EMG 方法。因此，MMG 方法的进展相当缓慢。生物磁信号通常很弱。它们很容易受到环境磁噪声的污染。因此，大多数生物磁传感研究都在磁屏蔽室中进行。在过去的四十年里，生物磁信号的宏观和非侵入性检测的保真度、时间和空间分辨率取得了显着进步。例子包括心磁图 (MCG) 和脑磁图 (MEG) 方法，与 MMG 研究相比，自 1970 年代以来出版物数量存在显著差异。我们将调查这种显著差异的原因，并探讨测量骨骼肌磁场的技术限制是否导致了如此明显的差异。MMG 方法发展的两个关键驱动因素：1) 在皮肤上非侵入性记录时 EMG 信号的空间分辨率较差，最先进的 EMG 测量甚至使用针记录探头，这可以准确评估肌肉活动，但会产生疼痛并且仅限于微小区域，空间采样点较差；2) 由于金属-组织界面，可植入 EMG 传感器的生物相容性较差。MMG 传感器有可能同时解决这两个缺点，因为：1) 磁场的大小随着原点和传感器之间的距离而显着减小，从而提高 MMG 的空间分辨率； 2）MMG 传感器不需要电接触即可记录，因此如果用生物相容性材料或聚合物完全封装，它们可以提高长期生物相容性。MMG 信号可以成为医疗诊断、康复、健康监测和机器人控制的重要指标（图 1b）。[3] 最近的技术进步为远程和连续记录和诊断铺平了道路
探索视觉空间工作记忆中后内侧皮层的信息流：一项脑磁图研究
后内侧皮质 (PMC) 是大脑默认模式网络的主要中枢，与多种内部驱动认知有关，包括视觉空间工作记忆。然而，它对这些认知过程的确切贡献仍不清楚。使用 MEG，我们测量了健康人类参与者（男女青年）在执行视觉空间工作记忆任务时的 PMC 活动。多元模式分类分析揭示了在编码和检索过程中在一组先验定义的皮质 ROI 中与刺激相关的信息，除了 PMC 之外，还包括前额叶、枕叶和腹颞叶皮质。我们在信息流分析中测量了这些刺激信息在区域之间交换的程度，从而测量了区域间随时间的格兰杰因果关系。与任务的视觉性质一致，来自枕叶皮质的信息在大多数时期内塑造了其他区域。然而，PMC 在视觉空间工作记忆中塑造了枕叶和前额叶皮质中的物体表征，在检索过程中影响枕叶皮质，并在所有任务时期影响 PFC。我们的研究结果与 PMC 在表征内部内容（包括记忆信息）以及将外部刺激与记忆材料进行比较方面所发挥的作用相一致。
使用脑磁图源级长程相位耦合模式解码工作记忆任务条件
摘要 目的。本研究的目的是通过机器学习方法识别受试者之间共享的相位耦合模式，该方法利用来自工作记忆 (WM) 任务的源空间脑磁图 (MEG) 相位耦合数据。事实上，神经振荡的相位耦合被认为是远距离大脑区域之间通信的关键因素，因此在执行认知任务（包括 WM）时至关重要。以前研究认知任务期间相位耦合的研究通常集中在几个先验选择的大脑区域或特定频带上，并且已经认识到需要数据驱动的方法。机器学习技术已成为分析神经成像数据的宝贵工具，因为它们可以捕捉多元信号分布中的细粒度差异。在这里，我们期望这些应用于 MEG 相位耦合的技术可以揭示个体之间共享的 WM 相关过程。方法。我们分析了作为人类连接组项目的一部分收集的 WM 数据。当受试者 (n = 83) 在两种不同条件下执行 N -back WM 任务时收集 MEG 数据，即 2-back（WM 条件）和 0-back（控制条件）。我们估计了这两种条件以及 theta、alpha、beta 和 gamma 波段的相位耦合模式（多元相位斜率指数）。然后使用获得的相位耦合数据训练线性支持向量机，以便使用跨受试者交叉验证方法对受试者正在执行的任务条件进行分类。分类是根据来自各个频带的数据和所有频带的组合（多频带）分别进行的。最后，我们通过特征选择概率评估了不同特征（相位耦合）对分类的相对重要性。主要结果。分别根据 theta（62% 准确率）和 alpha 波段（60% 准确率）中的相位耦合模式成功地对 WM 条件和控制条件进行了分类。重要的是，多波段分类表明，不仅在 theta 和 alpha 波段，而且在 gamma 波段中的相位耦合模式也与 WM 处理有关，分类性能的提高 (71%) 证明了这一点。意义。我们的研究使用 MEG 源空间功能连接成功解码了 WM 任务。我们的方法结合了跨主题分类和我们小组最近开发的多维指标，能够检测到个体之间共享的连接模式。换句话说，结果可以推广到新的个体，并允许对与任务相关的相位耦合模式进行有意义的解释。
使用规范建模和机器学习从脑磁图数据中检测轻度创伤性脑损伤
许多脑部疾病迫切需要新的生物标记物；例如，轻度创伤性脑损伤 (mTBI) 的诊断具有挑战性，因为临床症状多样且不具特异性。EEG 和 MEG 研究已经证明了 mTBI 的几个人群水平指标，可以作为脑损伤的客观标记物。然而，从 EEG/MEG 信号中获取 mTBI 和其他脑部疾病的临床有用生物标记物受到个体间差异大（即使在健康人群中也是如此）的阻碍。在这里，我们使用多元机器学习方法从静息态 MEG 测量中检测 mTBI。为了解决病情的异质性，我们采用了规范建模方法，并将个体 mTBI 患者的 MEG 信号特征建模为相对于正常变化的偏差。为此，使用包含 621 名健康参与者的规范数据集来确定整个皮层功率谱的变化。此外，我们根据全规范数据的年龄匹配子集构建了规范数据集。为了区分患者和健康对照者，我们基于 25 名 mTBI 患者和 20 名未包含在常模数据集中的对照者的定量偏差图训练了支持向量机分类器。表现最佳的分类器利用了整个年龄和频率范围内的完整常模数据。该分类器能够以 79% 的准确率区分患者和对照者。对训练模型的检查显示，θ 频带（4-8 Hz）内的低频活动是 mTBI 的重要指标，这与早期研究一致。结果证明了使用 MEG 数据的常模建模结合机器学习来推进 mTBI 诊断和识别可从治疗和康复中受益患者的可行性。当前方法可应用于多种脑部疾病，从而为获取基于 MEG/EEG 的生物标志物提供基础。
经颅磁刺激
使用说明：公司医疗政策是管理计划福利的指导。医疗政策不构成医疗建议，也不构成保险的保证。公司的医疗政策每年审查，并基于已发表的，经过同行评审的科学证据和基于证据的临床实践指南，这些准则可用于上次政策更新。公司保留确定医疗政策应用并随时对医疗政策进行修订的权利。所有计划福利的范围和可用性是根据适用的承保范围协议确定的。覆盖协议条款与公司医疗政策条款之间的任何冲突或差异将得到解决，以遵守覆盖协议。覆盖范围的决定是基于个性化医疗必要性的个性化确定以及在个体情况下治疗的实验或研究特征。在没有通过特定治疗方式的政策确定医疗必要性的情况下，以前未考虑有关提出方式的疗效的证据应考虑确定该政策是否代表当前的护理标准。范围：普罗维登斯健康计划，普罗维登斯健康保证和普罗维登斯计划合作伙伴适用（单独称为“公司”，共同称为“公司”）。