XiaoMi-AI文件搜索系统
World File Search System生理反应
犬科动物对音乐的心理生理反应
这篇荣誉学院论文由 UVM ScholarWorks 的本科生论文免费提供给您，供您开放访问。它已被 UVM ScholarWorks 的授权管理员接受并纳入 UVM 荣誉学院高级论文。如需更多信息，请联系 schwrks@uvm.edu。
特质冲动影响虚拟环境中对威胁的行为和生理反应
特征冲动代表着采取行动而没有预见或考虑后果的趋势。这个特征是多方面的，可以分解为冲动性的注意力，运动和非计划子类型。当前研究的目的是调查性状冲动的亚型如何响应室内虚拟现实（VR）在行为和生理激活水平方面的不同程度的威胁。三十四名参与者被要求谈判一个虚拟环境（VE），在那里他们以虚拟“跌倒”的持续威胁在高度上行走。收集了与运动速度，相互作用频率和风险有关的行为度量。参与者还戴着卧床传感器，以收集心电图（ECG）和电肌活动（EDA）的数据。我们的结果表明，在非计划冲动性上得分很高的参与者表现出风险更高和皮肤电导水平（SCL）。具有较高运动冲动性的参与者与威胁很高时VE中的更多物体相互作用，他们还表现出矛盾的生理激活指标。注意力冲动与VE的更多跌倒有关。结果表明，性格冲动的亚型通过不同的行为模式和生理激活水平来应对威胁，从而增强了性状的多方面性质。
极具挑战性的环境：了解太空旅行的分子和生理反应
Bowles 博士及其同事将大鼠心肌细胞置于模拟微重力或正常重力条件下，放置时间为 12 小时、48 小时或 120 小时。研究小组报告称，尽管在两种条件下，12 小时和 48 小时后蛋白质丰度没有差异或略有差异，但在模拟微重力 120 小时后，蛋白质丰度差异明显增大。研究小组随后使用一种新颖的改良型细胞培养技术，测量标记氨基酸与新合成蛋白质的结合情况，以确定心肌中的蛋白质周转率。结果表明，与正常重力环境相比，随着时间的推移，微重力环境中的蛋白质周转率急剧下降。
基于听觉的神经生理反应，用于利用单声道节拍进行大脑调节
摘要 — 脑调节是通过外部刺激改变大脑活动的过程。然而，哪种情况可以诱导激活仍不清楚。因此，我们旨在使用 40 Hz 单耳节拍 (MB) 来识别大脑激活条件。在这种刺激下，由频率和功率范围决定的听觉状态是需要考虑的条件。因此，我们设计了五个会话进行比较：无刺激、可听 (AB)、频率听不见、功率听不见以及频率和功率都听不见。十名健康参与者接受了每次十分钟的刺激，并记录了脑电图 (EEG)。为了进行分析，我们计算了每个会话的 EEG 功率谱密度 (PSD)，并在频率、时间和五个大脑区域进行比较。结果，我们仅在 AB 中观察到 40 Hz 处的显著功率峰值。诱导的 EEG 幅度增加从一分钟开始，并一直增加到会话结束。与其他刺激相比，AB 的这些结果在额叶、中央、颞叶、顶叶和枕叶区域存在显着差异。从统计分析中可以看出，右侧颞区PSD明显高于左侧颞区，说明听觉在引导大脑激活中起着重要作用，这些发现有助于理解听觉刺激的神经生理原理和效应。关键词——脑调制，单耳节拍，感觉，脑电图
探索酵母细胞膜脂适应与乙酸胁迫生理反应之间的相互作用
摘要 乙酸是木质纤维素预处理的副产物，是酵母发酵过程的强效抑制剂。较厚的酵母质膜 (PM) 预计会减缓未解离的乙酸向细胞中的被动扩散。分子动力学模拟表明，通过延长甘油磷脂 (GPL) 脂肪酰基链可以增加膜厚度。之前，我们成功改造了酿酒酵母以增加 GPL 脂肪酰基链长，但未能降低乙酸净吸收量。在这里，我们测试了改变二酰基甘油 (DAG) 的相对丰度是否会影响具有较长 GPL 酰基链的细胞 (DAG EN ) 中 PM 对乙酸的渗透性。为此，我们在 DAG EN 中表达了二酰基甘油激酶 α (DGKα)。由此产生的 DAG EN _Dgkα 菌株表现出恢复的 DAG 水平，在含有 13 g/L 乙酸的培养基中生长，并且积累的乙酸较少。乙酸应激和能量负担伴随着 DAG EN _Dgkα 细胞中葡萄糖摄取量的增加。与 DAG EN 相比，DAG EN _Dgkα 中几种膜脂的相对丰度因乙酸应激而发生变化。我们认为，增加能量供应和改变膜脂组成的能力可以弥补应激条件下 DAG EN _Dgkα 中高净乙酸摄取量的负面影响。
预测心力衰竭管理中的生理反应：使用电子健康记录的图表表示方法
抽象的心力衰竭管理由于其病理生理学的复杂和异源性而具有挑战性，这使得基于“一件大小都适合所有人”的常规治疗不合适。将纵向医学数据与新颖的深度学习和基于网络的分析相结合，将使识别独特的患者表型特征，以通过准确预测生理反应来帮助个性化治疗方案。在这项研究中，我们开发了一个图形表示框架，该框架将电子健康记录（EHR）中的异质临床事件集成为图格式数据，其中患者特定的模式和特征自然注入了实验室测试响应的个性化预测。该框架包括一个新型的图形变压器网络，该网络具有自我关注的机制，可以模拟心脏故障治疗中心脏物理学相互作用和图形神经网络（GNN）层中心脏生理相互作用（GNN）层中的基本空间相互依赖性，以使每个临床事件的明确状态均可构成对患者的明确变化，并将其构成对患者的变化，并将其效应效应效应，并将其效应效果效应，并将其效应效应效应。随着心力衰竭状况的发展。我们引入了一个基于事件共发生的全球注意力面膜，并在所有患者记录中进行了汇总，以增强邻居选择在图表中学习的指导。我们通过观察性EHR数据的详细定量和定性评估来测试模型的可行性。引言心力衰竭（HF）是一种复杂的临床综合征，是由于结构性或功能性心脏障碍而导致的，其性心室障碍的能力填充或排出血液1，并且与全球2,3的大量发病率，死亡率和医疗保健支出相关。心力衰竭不是一种奇异疾病，而是以广泛的病因和病理生理为特征，导致异质性患者亚组3,4。这种表型多样性在患者的治疗结果中发生了可变性，因此对治愈心力衰竭的有效干预构成了巨大挑战。解决这种疾病异质性的关键在于确定生理偏差（即表型）的患者亚组5,6,7。这个概念直观地描绘了现实世界的临床预后工作流程 - 医师首先进行诊断测试，以量化与患者相关的表型观察，这将帮助他们进行潜在的诊断8，然后通过患者对治疗的反应跟踪疾病预后。然而，传统的心力衰竭管理方法在考虑这种复杂疾病的表型异质性时，由于基于平均人群的外推，诱导了次优的患者护理和生活质量。显然，心力衰竭可以从分层管理策略（即精密医学）中受益，这些策略将确保每个心力衰竭亚组的靶向治疗和预防，同时考虑患者之间的个体差异。尽管精密医学的一般重点一直放在OMICS类型的“大数据”上，但特别是基因组学数据，但是，在心力衰竭的情况下，基因组中心的方法并不是理想的理想选择，因为在大多数情况下，其遗传成分和相关的环境触发因素有限。在最近的过去，电子健康记录（EHR）有助于产生大量的基于时间的表型数据，由于其复杂性（即品种）和大部分异质信息，这些数据在本质上是“大”，每个患者可用
预测心力衰竭管理中的生理反应：使用电子健康记录的图形表示学习方法
摘要 心力衰竭管理具有挑战性，因为其病理生理学具有复杂性和异质性，这使得基于“一刀切”思想的传统治疗方法并不适用。将纵向医学数据与新型深度学习和基于网络的分析相结合，将能够识别出患者独特的表型特征，从而通过准确预测生理反应来帮助个性化治疗方案。在本研究中，我们开发了一个图形表示学习框架，将电子健康记录 (EHR) 中的异质临床事件集成为图形格式数据，其中自然地注入了患者特定的模式和特征，以个性化预测实验室测试反应。该框架包括一个新型图形变换器网络，该网络配备了一种自注意机制，用于模拟表征心力衰竭治疗中心脏生理相互作用的临床事件之间的潜在空间相互依赖性，以及一个图形神经网络 (GNN) 层，用于结合每个临床事件的明确时间性，这将有助于总结对生理变量产生的治疗效果，并随后随着心力衰竭病情的进展总结对患者健康状况的治疗效果。我们引入了一个基于事件共现计算的全局注意力掩码，并汇总到所有患者记录中，以增强图形表示学习中邻居选择的指导。我们通过对观察性 EHR 数据进行详细的定量和定性评估来测试我们模型的可行性。简介心力衰竭 (HF) 是一种复杂的临床综合征，由心室充盈或排出血液的能力的结构性或功能性心脏障碍引起 1 ，并与全球的高发病率、死亡率和医疗保健费用有关 2,3 。心力衰竭不是一种单一的疾病，而是以广泛的病因和病理生理学为特征，导致患者亚群的异质性 3,4 。这种表型多样性导致不同患者的治疗结果存在差异，因此对治疗心力衰竭的有效干预管理提出了巨大挑战。解决这种疾病异质性的关键在于识别生理偏差（即表型）5,6,7 背后的患者亚群。这一概念直观地描绘了现实世界的临床预后工作流程——医生首先进行诊断测试，量化与患者相关的表型观察结果，这将有助于他们做出潜在诊断 8，然后通过患者对治疗的反应来跟踪疾病预后。然而，传统的心力衰竭管理方法由于治疗方法是基于平均人群推断的，因此在考虑这种复杂疾病的表型异质性方面还存在不足，导致患者护理和生活质量不理想。显然，心力衰竭有望从分层管理策略（即精准医疗）中受益，该策略将确保针对每个心力衰竭亚组进行有针对性的治疗和预防，同时考虑到患者的个体差异。虽然精准医疗的总体重点是组学类型的“大数据”，特别是基因组学数据，但对于心力衰竭而言，由于其有限的遗传成分和相关的环境触发因素，以基因组为中心的方法并不理想 7,9 。近期，电子健康记录 (EHR) 生成了大量基于时间的表型数据，这些数据因其复杂性（即多样性）和每个患者可获得的大量异构信息而具有本质上的“大”特点
面向用户适应的训练范式：认知任务执行过程中对物理威胁的生理反应
摘要 生理反应反馈具有巨大潜力，可以支持旨在提高压力威胁条件下认知任务表现的虚拟训练范式。在当前的研究中，我们检查了一系列生理指标的敏感性，这些指标来自皮肤电活动 (EDA)、血压 (BP) 和心率 (HR)，以测量由电击 (ES) 威胁引起的压力。与之前研究生理压力反应与休息条件相比的工作不同，我们将高认知负荷与 ES 威胁引起的压力相结合的条件与没有这种压力的高认知负荷条件进行了比较。25 名参与者在实验设置中执行了一项认知要求高的任务。在特定的 10 秒时间间隔内，以连续音调表示，参与者要么被要求尽最大努力提高认知任务表现（非威胁条件），要么被告知如果认知任务表现不够高，他们可以在此间隔内接受 ES（威胁条件）。分析了生理测量、任务表现和自我报告的压力和工作量测量。在两种情况下，任务表现和自我报告的压力和工作量指标大致相同。尤其是 EDA 指标受到 ES 威胁的影响。可以使用跨参与者分类器使用 EDA 和 BP 特征来区分威胁和非威胁条件
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。
思维/身体连接：躯体反应和...
●参与者将学习对内部/外部压力源的基本生理反应，并认识到生理反应与情绪失调之间的相关性。●参与者将提高对自己对内部/外部压力源的生理反应的认识●参与者将学习在管理生理困境的特定技术，从而导致情绪调节