XiaoMi-AI文件搜索系统
World File Search System时间窗
乙酰胆碱神经元在发育中的小鼠脑的三个时间窗口中变为胆碱能
中枢神经系统中乙酰胆碱（ACH）神经元在较高的大脑功能（例如注意力，学习和记忆以及运动）过程中需要协调神经网络活动。在许多神经推测和神经退行性疾病中都描述了受干扰的胆碱能信号传导。此外，其他信号分子（例如谷氨酸和GABA）与ACH的共透析与脑功能或疾病中的基本作用有关。但是，在发育过程中ACH神经元变得胆碱能何时尚不清楚。因此，了解胆碱能系统如何发展和活跃的时间表是理解大脑发育的关键部分。为了研究这一点，我们使用转基因小鼠将ACH神经元与TDTomato有选择性标记。我们在产前和产后发育期间在不同时间点成像了串行切片的大脑，并产生了全脑重建。我们发现了三个关键的时窗 - 在产前两个，一个在产后大脑中 - 大多数ACH神经元种群在大脑中胆碱能。我们还发现，胆碱能基因表达是在皮质ACH室中启动的，而大脑皮质由基础前脑的胆碱能投射神经元支配。综上所述，我们表明ACH神经元种群存在并在产后第12天之前变为Cho-Linergic，这是主要感觉过程的开始，例如听力和视力。我们得出的结论是，ACH神经元的诞生和胆碱能基因的启动在发育过程中是时间分离的，但由大脑解剖结构高度协调。
基于脑电信号的情绪识别中时间窗长度的研究
摘要 本研究旨在利用机器学习技术和便携式无线传感设备 EPOC+，对情绪识别中使用不同长度的时间窗口 (TW) 进行比较分析。本研究以个体在情绪刺激过程中提取的脑电信号数据集为基础，以熵为特征，评估不同分类器模型在不同 TW 长度下的性能。进行了两种类型的分析：被试间和被试内。在五种监督分类器模型中比较了准确率、曲线下面积和 Cohen's Kappa 系数等性能指标：K最近邻 (KNN)、支持向量机 (SVM)、逻辑回归 (LR)、随机森林 (RF) 和决策树 (DT)。结果表明，在两种分析中，所有五种模型在 2 至 15 秒的 TW 中均表现出较高的性能，其中 10 秒 TW 在被试间分析中尤为突出，5 秒 TW 在被试内分析中尤为突出；此外，不建议使用超过20秒的TW。这些结果为研究情绪时EEG信号分析中选择TW提供了有价值的指导。
时间窗口长度对基于EEG的情绪识别的影响
摘要：听觉稳态反应（ASSR）是几种神经系统和精神疾病的转化生物标志物，例如听力损失，精神分裂症，双相情感障碍，自闭症等。ASSR是正弦脑电脑术（EEG）/磁脑电图（MEG）反应，该反应是由定期呈现的听觉刺激引起的。传统频率分析假定ASSR是一种固定响应，可以使用线性分析方法（例如傅立叶分析或小波）进行分析。然而，最近的研究报告说，人类的稳态反应是动态的，可以通过受试者的注意，清醒状态，精神负荷和精神疲劳来调节。由于三角乘积 - 和-SUM公式，在测得的振荡响应上的振幅调制可能会导致光谱宽或频率分裂。因此，在这项研究中，我们通过规范相关分析（CCA）和Holo-Hilbert光谱分析（HHSA）的组合分析了人类的ASSR。CCA用于提取相关的信号特征，HHSA用于将提取的ASSR响应分解为振幅调制（AM）组件（AM）组件和频率调制（FM）组件，其中FM频率代表快速变化的Intra频率，AM频率代表慢变化的频率。在本文中，我们旨在研究37 Hz稳态听觉刺激中ASSR响应的AM和FM光谱。与HHSA，37 Hz（基本频率）和74 Hz（第一个谐波频率）的听觉响应都成功提取。二十五个健康的受试者，并要求每个受试者参加两个听觉刺激课程，包括一个右耳和一个左耳和一个左耳的单膜稳态听觉刺激。检查AM光谱，37 Hz和74 Hz听觉响应均由不同的AM光谱调节，每个光谱至少具有三个复合频率。与传统的傅立叶光谱的结果相反，在37 Hz处看到频率分裂，并且在傅立叶光谱中以74 Hz的形式遮盖了光谱峰。所提出的方法有效地纠正了随时间变化的幅度变化而导致的频率分裂问题。我们的结果已验证了HHSA作为稳态响应（SSR）研究的有用工具，以便可以避免传统傅立叶频谱中振幅调制引起的误导或错误解释。
寻找最佳时间窗口以提高运动想象过程中的分类准确率
近几十年来，脑机接口 (BCI) 已用于新型神经康复技术，在运动恢复方面取得了可喜的成果 (Cervera 等人，2018)。在神经康复中使用 BCI 可以通过运动想象 (MI) 招募和激活运动区域，而无需主动运动。这可能会导致被认为因中风而受损的区域发生神经可塑性变化 (Bai 等人，2020)。当与严肃游戏和虚拟现实 (VR) 相结合时，BCI 可以实现更密集的神经康复 (Putze，2019)，通过即时反馈鼓励患者 (Mubin 等人，2020) 并让他们沉浸在引人入胜的虚拟环境中 (Khan 等人，2020)。神经康复的一个重要挑战是 MI 反馈传递的时机和有效性。反馈传递在 BCI 中起着重要作用，而有效性
基于时间窗口的特征提取技术用于电动机eeg eeg信号分类
基于脑电图（EEG）的电动机象征分类是最受欢迎的大脑计算机Interface（BCI）研究领域之一，由于其可移植性和低成本。在本文中，我们比较了基于小波的能量熵的不同预测模型，并经验证明，基于时间窗口的运动图像分类中基于时间窗口的方法可提供比流行的滤纸方法更一致，更好的结果。为了检查所提出方法的鲁棒性和稳定性，我们最终还采用了多种类型的分类器，发现混合击打（带有多种学习者的包装集合学习）技术超出了其他经常使用的分类者。在我们的研究中，BCI竞争II数据集III已与四个实验设置一起使用：（a）整个信号（对于每个试验）为一个部分，（b）（b）整个信号（b）整个信号（对于每个试验）被分为非重叠片段，（c）每个试验的整个信号（c）每个试验（对于每个试验）分为重叠的段（以及（d）段（dis），以及（d），以及（d），以及（d），以及（d），以及（d），以及（d），以及（d），以及（d）。乐队。从实验获得的结果（c），即91。43％的分类准确性不仅超过了本文其他方法的表现，而且据我们所知，这是迄今为止该数据集的最高性能。