XiaoMi-AI文件搜索系统
World File Search System神经元
脑机接口技术的基础研究:神经元与二极管
[9] 刘洋 , 刘东远 , 张耀 , 等 .面向脑机接口应用的便携式 fNIRS 拓 扑成像系统：全并行检测与初步范式实验 [J].中国激光 , 2021, 48 (11): 1107001.Liu Y, Liu D Y, Zhang Y, et al.A portable fNIRS - topography system for BCI applications: full parallel detection and pilot paradigm validation[J].Chinese Journal of Lasers, 2021, 48(11): 1107001.
神经元
继续需要动物来提高大脑研究，朱迪思·霍姆伯格1*，罗杰·阿丹7，纳塔利亚·阿伦娜15，安东尼斯·阿西米纳斯21，迈克尔·巴德15，汤姆·贝克斯18，迪诺瓦·P·贝格·P·贝吉·贝吉·布洛克兰，阿尔扬·布洛克兰10，E.Gert，E.洛斯·菲茨（Los P. 1，Sharon M. Kolk 2，Aniko Korosi，13，Meziel Mechicz。 ，Umberto Olcese 5，Azahara Oliva 32，Jocelien Olivier 6，Massimo Pasqualetti 23，Cyriel Ma Pennartz 5，Piotr Popik 25，Jos Prickaerts 10，Liset M de La la la Prida Prida Prida Prida 29 MJ Vanderschuren 11，Tomonori Takeuchi 22，Rixt van der Veen 5，Marten P. Smidt 5，Vladys Vyavski 19，Maximi Coryski J. Wierenga 11，Bella Williams 20，Ingo Willuhn，Ingo Willuhn 8,9，MarkusWöhr13,14,14,14,21，Monique Woldevel * van * van * van n van * zel@donders.ru.nl，朱迪思。
ERA-NET神经元
国家卫生和医学研究委员会 (NHMRC) 澳大利亚 科学研究基金会 (FRS-FNRS) 比利时 科学、教育和青年部 (MSEY) 克罗地亚 法国国家研究机构 (ANR) 法国联邦教育和研究部 (BMBF) 德国 德国研究基金会 (DFG) 德国国家研究、发展和创新办公室 (NKFIH) 匈牙利 卫生研究委员会 (HRB) 爱尔兰 卫生部首席科学家办公室 (CSO-MOH) 以色列 意大利卫生部 (IT-MoH) 意大利 拉脱维亚科学理事会 (LZP) 拉脱维亚 立陶宛研究理事会 (LMT) 立陶宛 挪威研究理事会 (RCN) 挪威国家研究与发展中心 (NCBR) 波兰* 高等教育、研究、发展和创新资助执行机构 (UEFISCDI) 罗马尼亚
通过隧道纳米管从骨料诱导的神经元功能障碍和死亡中挽救神经元的神经元
汉娜·谢伊布里奇（Hannah Scheiblich），1，2，3弗雷德里克·艾肯斯（Frederik Eikens），1，2，2，2 lena wischhof，2，3 Sabine Opitz，4 Kay J€ungling，5 Csaba csere´ P，6 Susanne V. Schmidt，Susanne V. Schmidt，1 1 Jessica Lambertz，7 jessica Lambertz，7 tracy Bellande，8 Balande，8 Bala's poeck Zs poote Zs po g po g po g po g po g s po po g'po。 Jasper Spitzer，1 Alexandru Odainic，1，9 Sergio Castro-Gomez，10 Stephanie Schwartz，10 Ibrahim Boussaad，11 Rejko Kr Kr€Uger，11 Enrico Glaab，11 Donato A.di Monte，2 Daniele Bano，2 a·da´m de´nes，6 Eike Latz，2，12 Ronald Melki，8 Hans-Christian Pape，5和Michael T. Heneka 2，11，11，12，12，13，14， * 1德国科隆的麦克斯·普兰克 - 衰老生物学生物学4神经病理学研究所，波朗大学，波朗大学，德国波恩大学5个生理学研究所I研究所，Westf€Alische Wilhelms-University M€UNSTER M€UNSTER M€UNSTER，M€UNSTER，M€UNSTER，UNSTER，UNSTR Franc¸ ois Jacob, CEA and Laboratory of Neurodegenerative Diseases, Fontenay-aux-Roses, France 9 Department of Microbiology and Immunology, The Peter Doherty Institute for Infection & Immunity, University of Melbourne, Melbourne, VIC, Australia 10 Institute of Physiology II, University Hospital Bonn, Bonn, Germany 11 Luxembourg Centre for Systems Biomedicine, University of卢森堡，Belvaux，卢森堡12个先天免疫学院，大学医院波恩，波恩，德国波恩，13传染病和免疫学系，马萨诸塞大学，美国马萨诸塞州医学院，马萨诸塞州伍斯特大学，美国马萨诸塞州，美国马萨诸塞州14铅接触。 https://doi.org/10.1016/j.neuron.2024.06.029
深层模型中的神经元与大脑中的神经元如何相关
摘要：在处理智能系统的算法方面时，与生物学大脑的类比一直很有吸引力，并且经常具有双重功能。一方面，它一直是其设计灵感的有效来源，另一方面，它被用作其成功的正当化来源，尤其是在深度学习（DL）模型的情况下。近年来，大脑的灵感失去了对自己的第一个角色的控制，但它继续提出第二个角色，尽管我们认为它也变得越来越容易辩护。在合唱之外，有一些理论上的建议，而是识别DL和人类认知之间的重要分界线，甚至是不可忽视的。在本文中，我们认为，矛盾的是，深神经模型开发人员对生物神经元的功能的部分冷漠是其成功的原因之一，并促进了务实的机会主义态度。我们认为，甚至有可能瞥见另一种类型的生物学类比，因为现代DL开发中的启发式方法本质上是与自然进化的相似之处。
运动皮层神经元的操作调节揭示神经元...
在脑机界面（BMI）中实施操作调节，以诱导单个神经元活性的快速自愿调节，以控制外部执行器的任意映射。但是，自愿控制器的内在因素（即大脑）或输出阶段（即个体神经元）可能会阻碍BMI的性能，而数百个神经元和具有多个自由度的执行器之间的映射更为复杂。可以通过在BMI控制的背景下研究这些内在因素来提高性能。在这项研究中，我们研究了神经元亚型如何反应并适应给定的BMI任务。我们在BMI任务中调节单皮质神经元。记录的神经元根据其尖峰训练自相关分类为爆发和非爆炸亚型。两个神经元亚型的性能和平均点火率的变化都相似。然而，在爆发的神经元中，导致奖励的活性在整个条件过程中逐渐增加，而在调节过程中，非刚性神经元的反应不会改变。这些结果强调了在各种任务中都需要表征神经元特定响应的必要性，这可能最终为BMI的设计和实施提供了信息。
硅芯片上的人工神经元
摘要 硅芯片上的人工神经元的发明是教育技术的一大进步。这些人工神经元的灵感来自人脑的工作方式，已被开发用于执行一系列可用于教学的功能。这些硅基神经元旨在帮助可视化和理解复杂的神经过程，使其成为教育工作者和学生的宝贵工具。它们通过建模和模拟大脑网络为进一步研究神经科学和认知科学提供了独特的机会。此外，这些合成神经元可用于为各种教学应用创建特定模型。这一突破为更深入地研究神经网络铺平了道路。关键词-硅芯片上的神经网络、人工智能、人脑、神经元建模、硅制成的神经元、具有神经形态特性的硬件、硅神经元芯片的实现。
神经元如何适应昼夜节律
大多数人类是昼行性的，这意味着他们通常白天醒着，晚上睡觉。然而，许多其他动物并非如此，它们喜欢夜生活，全天休息。那么大脑如何决定我们是夜行性还是昼行性呢？许多生理过程，如清醒或睡眠，都与白天和黑夜的时间同步。这些活动由称为昼夜节律钟的分子振荡器调节，它由基因转录和蛋白质翻译的正反馈和负反馈回路组成，使过程以〜24 小时的周期发生。就像管弦乐队中的乐器一样，这些遍布全身的时钟发出的“滴答声”必须协调一致，以协调不同器官的活动。对于哺乳动物来说，这首交响曲的指挥是“主昼夜节律时钟”，它位于视交叉上核 (SCN)，这是大脑下丘脑区域内约 20,000 个神经元组成的一个集群。SCN 中的每个神经元都会根据昼夜循环调整其电活动，最终产生身体遵循的节律输入（Reppert 和 Weaver，2002 年）。
为什么我们有这么多兴奋神经元？
大约五分之四的神经元是兴奋性的。这在功能区域和物种中都是如此。为什么我们有这么多兴奋性神经元？我们知之甚少。在这里，我们为这个问题提供了一个规范性的答案。我们设计了一个与任务无关、独立于学习且可通过实验测试的功能复杂性测量方法，它量化了网络解决复杂问题的能力。使用一个物种——果蝇幼虫——的第一个神经元级全连接组，我们发现了最大化功能复杂性的最佳兴奋-抑制 (EI) 比率：75-81% 的神经元百分比是兴奋性的。这个数字与通过 scRNA-seq 观察到的真实分布一致。我们发现，兴奋性神经元的丰富性赋予了功能复杂性的优势，但只有当抑制性神经元高度连接时才会如此。相反，当 EI 身份被均匀采样（不依赖于连接性）时，最佳 EI 比率落在相等的种群大小附近，并且其整体实现的功能复杂性是次优的。我们的功能复杂性测量为大脑中兴奋性神经元过多提供了规范性解释。我们期待这种方法能进一步揭示各种神经网络结构的功能意义。