XiaoMi-AI文件搜索系统
World File Search System效价
从便携式脑电图耳机解码效价和唤醒的神经特征
近年来，使用脑电图 (EEG) 数据和机器学习技术进行情绪分类的现象日益增多。然而，过去的研究使用的是医疗级 EEG 设置的数据，这些设置时间较长，且环境受限。本文重点介绍使用各种特征提取、特征选择和机器学习技术在效价-唤醒平面上对情绪进行分类。我们评估了不同的特征提取和选择技术，并提出了用于情绪识别的最佳特征和电极集。OASIS 图像数据集中的图像用于引发效价和唤醒情绪，并使用 Emotiv Epoc X 移动 EEG 耳机记录 EEG 数据。分析是在公开可用的数据集上进行的：DEAP 和 DREAMER 用于基准测试。我们提出了一种新颖的特征排名技术和增量学习方法来分析性能对参与者数量的依赖性。进行了留一交叉验证，以识别情绪引发模式中的受试者偏见。计算了不同电极位置的重要性，可用于设计用于情绪识别的耳机。收集的数据集和管道也已发布。我们的研究在 DREAMER 上取得了 0.905 的均方根得分 (RMSE)，在 DEAP 上取得了 1.902 的均方根得分 (RMSE)，在我们的数据集上取得了 2.728 的价标签得分，在 DREAMER 上取得了 0.749 的得分，在 DEAP 上取得了 1.769 的得分，在我们提出的数据集上取得了 2.3 的唤醒标签得分。
大脑解码自发思维：使用个人叙述对自我相关性和效价进行预测建模
自发思维为我们提供了有关内部状态和背景的宝贵见解，但由于其不受约束的性质，评估其内容和动态具有挑战性。我们通过开发基于功能 MRI 的预测模型来应对这一挑战，该模型针对自发思维的两个关键内容维度（即自我相关性和效价）。使用个性化叙述作为刺激，我们引发了类似于现实生活体验的认知和情感反应。我们的模型能够预测故事阅读和静息状态下的自我相关性和效价等级水平，有助于基于大脑的白日梦解码。这些结果对于理解个体差异和评估心理健康具有重要意义，有助于研究塑造我们主观体验的内部状态和背景。
药物介导的受体效价控制增强免疫细胞效力
设计师 T 细胞为治疗癌症等疾病提供了一种新范例，但它们通常受到目标识别逃避和体内控制有限的阻碍。为了克服这些挑战，我们开发了价态控制受体 (VCR)，这是一类新型合成受体，经过设计可以精确调节免疫细胞活性。VCR 使用定制设计的价态控制配体 (VCL) 通过空间分子聚集来调节 T 细胞信号传导。使用多价 DNA 折纸作为 VCL，我们首先确定价态对于调节 CD3 介导的免疫激活活性很重要。然后，我们生成多价形式的临床相关药物作为 VCL，并将 VCR 整合到嵌合抗原受体 (CAR) 的架构中。我们的数据表明，VCL 介导的 VCR 可以显著增强 CAR 活性并改善次优 CAR。最后，通过药物化学，我们合成可编程的生物可利用 VCL 药物，这些药物可在体外和体内增强针对低抗原肿瘤的靶向免疫反应。我们的研究结果确立了受体价是增强 CAR 功能的核心机制，并为加强可定制、有效和更安全的细胞疗法提供了合成化学生物学平台。
有或没有脑外伤的人如何解读表情符号？感知效价、唤醒度和情绪表现的相似之处和差异
摘要 面部情感识别受损在创伤性脑损伤 (TBI) 后很常见，并且与不良的社会结果有关。我们探讨了 TBI 后表情符号所描绘的情感感知是否也会受损。50 名 TBI 参与者和 50 名未受伤的同伴生成了自由文本标签来描述表情符号所描绘的情感，并在九点评定量表上评定他们的情感效价和唤醒水平。我们比较了两组的情感效价和唤醒评级如何聚类，并检查了参与者用来描述表情符号的词语的一致性。情感评级的层次聚类在未受伤组产生了四个表情符号簇，在 TBI 组产生了三个表情符号簇。未受伤组有一个强烈正面和一个中等正面的簇，而 TBI 组只有一个正情感效价簇，未按唤醒程度区分。尽管簇数量存在差异，但两组表情符号评级的层次结构显着相关。大多数表情符号与患有和未患有 TBI 的参与者用来描述它们的词语高度一致。患有 TBI 的参与者对表情符号的感知与未受伤的同龄人相似，使用相似的词语来描述表情符号，并在效价维度上对表情符号的评分也相似。患有 TBI 的个体对少数表情符号的感知唤醒差异很小。总体而言，结果表明，基本识别过程无法解释患有 TBI 的成年人报告的计算机介导通信中的挑战。检查患有 TBI 的人在上下文中对表情符号的感知是进一步了解脑损伤后在计算机介导环境中的功能性交流的重要下一步。
持续快乐和痛苦中情感效价和强度的大脑表征
。CC-BY-NC-ND 4.0 国际许可，根据 提供（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2023 年 6 月 9 日发布。；https://doi.org/10.1101/2023.06.08.544230 doi：bioRxiv 预印本
从便携式脑电图耳机解码效价和唤醒的神经特征
近年来，使用脑电图 (EEG) 数据和机器学习技术进行情绪分类的现象日益增多。然而，过去的研究使用的是医疗级 EEG 设置的数据，这些设置时间较长，且环境受限。本文重点介绍使用各种特征提取、特征选择和机器学习技术在效价-唤醒平面上对情绪进行分类。我们评估了不同的特征提取和选择技术，并提出了用于情绪识别的最佳特征和电极集。OASIS 图像数据集中的图像用于引发效价和唤醒情绪，并使用 Emotiv Epoc X 移动 EEG 耳机记录 EEG 数据。分析是在公开可用的数据集上进行的：DEAP 和 DREAMER 用于基准测试。我们提出了一种新颖的特征排名技术和增量学习方法来分析性能对参与者数量的依赖性。进行了留一交叉验证，以识别情绪引发模式中的受试者偏见。计算了不同电极位置的重要性，可用于设计用于情绪识别的耳机。收集的数据集和管道也已发布。我们的研究在 DREAMER 上取得了 0.905 的均方根得分 (RMSE)，在 DEAP 上取得了 1.902 的均方根得分 (RMSE)，在我们的价标签数据集上取得了 2.728 的均方根得分，在 DREAMER 上取得了 0.749 的得分，在 DEAP 上取得了 1.769 的得分，在我们提出的唤醒标签数据集上取得了 2.3 的得分。
基于情绪效价检测的儿科近红外光谱脑机接口
脑机接口 (BCI) 正被研究作为肢体残疾人士进行交流的一种途径，因为该技术省去了自主运动控制的需要。然而，到目前为止，很少有研究调查 BCI 对儿童的使用。传统的 BCI 通信范式可能不是最理想的，因为肢体残疾儿童可能会面临认知发展和读写能力习得的延迟。相反，在本研究中，我们探索了情绪状态作为交流的另一种途径。我们开发了一种儿科 BCI，通过前额叶皮质 (PFC) 血流动力学活动的变化来识别积极和消极的情绪状态。为了训练和测试 BCI，10 名 8-14 岁的神经正常儿童在四次实验中（一次离线，三次在线）接受了一系列情绪诱导试验，同时用功能性近红外光谱 (fNIRS) 测量他们的大脑活动。视觉神经反馈用于帮助参与者调节他们的情绪状态并调节他们的血流动力学活动以响应情感刺激。针对儿童的线性判别分类器根据以前会话中累积的可用数据进行训练，并在每个会话期间进行自适应更新。在最后两个在线会话中，参与者的平均在线效价分类超过了偶然性（在第 3 和第 4 会话中，10 名参与者中分别有 7 名和 8 名的表现优于偶然性）。在线 BCI 性能与年龄之间存在微小的显着正相关性，这表明年龄较大的参与者在调节情绪状态和/或大脑活动方面更为成功。在 BCI 性能、血流动力学反应以及鉴别特征和通道方面，参与者之间存在差异。回顾性离线分析产生的准确度与使用 fNIRS 的成人情感 BCI 研究报告的准确度相当。情感 fNIRS-BCI 似乎适用于学龄儿童，但为了进一步评估这种类型的 BCI 的实际潜力，需要进行更多的训练课程、更大的样本量和残疾最终用户的复制。