XiaoMi-AI文件搜索系统
World File Search System神经计算
标题：人类动作准备需要皮质脊髓神经计算
图 1：在目标导向动作准备过程中对人类 CS 输入输出的评估。a、皮质脊髓 (CS) 输入输出 104 可以表现出从基线静息到准备状态的加法和/或乘法调节。b、目标导向动作准备 105 通过需要左 (L) 或右 (R) 反应的指示延迟双选反应时间任务进行评估。大多数试验都是 go 试验 106，在此期间命令性刺激出现直到记录反应时间 (RT) 或 0.8 秒过去。包括一组 catch 试验 (~8%) 107，以防止参与者预测命令性刺激的开始。 c ，实验分为手间任务和 108 手内任务，当目标运动表征处于基线状态以及被选中、未被选中或与动作准备无关时，可使用单脉冲经颅磁刺激 109 (TMS) 评估左手食指的 CS 输出。此处，输入是相对于参与者的静息运动阈值 (%RMT) 的 TMS 强度，输出是随后的运动诱发电位 (MEP) 的幅度 111。d ，CS 输入输出曲线来自任务前的静息状态 MEP 数据 (n = 39)，并使用三参数玻尔兹曼函数与基于人群的非线性混合效应模型进行拟合 112。绿点和误差线表示 113 每个 TMS 强度下的平均 MEP 幅度 ± 标准差。虚线灰色线表示参数估计值。114
自尊心低的年轻人基于异常社会学习的神经计算机制
抽象的低自尊是一系列精神疾病的危险因素。从认知的角度来看，可以通过从社会反馈中获得的自我价值学习来维持负面的自我形象。我们先前表明，代表预期和实际社会反馈之间差异（即社会预测错误）之间差异的神经教学信号驱动自我价值的浮动。在这里，我们使用基于模型的功能磁共振成像（fMRI）来表征从基于人群样本（n = 2402）的61名参与者中的社会预测错误中学习，这些误差是根据自尊得分的最底层或前10％招募的。参与者在fMRI扫描过程中执行了社会评估任务，这需要预测其他人是否喜欢他们以及重复提供报告的自我价值感。计算建模结果表明，低自尊参与者对其他人会不喜欢他们的期望持续存在，并且降低了以响应社会预测错误来更新这些期望的倾向。低自尊心的受试者在报告的自我价值中也表现出增强的波动性，这与确定瞬时自我价值的社会预测错误的趋势增加了。规范相关性分析表明，自尊的个体差异与几个围绕人际交往的单个维度组织的几种互连的精神病症状有关。在收到社会反馈后，在对被喜欢的预测进行预测时，这种人际脆弱性与腹侧前额叶皮层的社会价值信号相关，并增强了背额叶前皮层活动。我们建议这些低自尊心及其相关神经基础的计算签名可能代表了精神疾病发展的脆弱性。
男性青少年食物和体力活动决策的神经计算机制。
我们研究了男性青少年做出食物和体育活动决策的神经计算机制，以及这些过程如何受到体重和体育活动水平的影响。在进行体育活动和饮食评估后，38 名 14-18 岁的男性完成了食物和体育活动项目的行为评级和 fMRI 决策任务。食物和体育活动的自我控制决策彼此之间有显著相关性。在两者中，以味觉或享受为导向的过程与成功的自我控制决策呈负相关，而以健康为导向的过程则呈正相关。味觉/享受和健康属性评级之间的相关性可以预测实际的实验室食物摄入量和体育活动（2 周活动监测）。fMRI 数据显示，食物和活动的决策值均编码在腹内侧前额叶皮层中，这表明两种决策在选择时都具有共同的奖励值相关回路。与超重/肥胖组相比，体重正常的组在体育活动决策期间，认知控制、多感觉整合和运动控制区域的大脑激活更强。对于食物和体力活动，自我控制决策采用类似的计算和神经生物学机制，这可能为如何促进健康的饮食和体力活动决策提供见解。
在脑机界面，神经计算和机器人技术中的博士后位置
神经计算和工程实验室正在寻找与脑机界面，深度学习，神经计算和机器人技术有关的项目的多个博士后研究员。我们的小组使用机器学习技术来研究神经回路和设计下一代脑机界面中的计算。我们正在寻求在重点网络模型，计算神经科学和脑机界面设计的重点领域雇用博士后。除此之外，我们还在寻找一个专门重点的博士后，以机器人的武器和计算机视觉系统，不需要神经科学 /神经工程的背景。要了解有关我们的研究的更多信息，请访问我们的实验室网站（http://seas.ucla.edu/~kao/）或通过kao@seas.ucla.edu向Jonathan Kao（PI）发送电子邮件。候选人必须拥有博士学位。特别鼓励那些在机器学习，神经科学，神经/电气工程，计算机科学，应用数学或统计数据方面具有强大背景的人。候选人有望具有强大的职业道德；出色的组织，人际交往能力；软件技能；和批判性思维能力。要申请，请发送求职信，并将简历发送至kao@seas.ucla.edu。
神经系统界面的神经形态生物电子医学：从神经计算原始素到医学应用
抽象的生物电子医学通过感测，处理和调节人体神经系统中产生的电子信号（被标记为“神经信号”）来治疗慢性疾病。虽然电子电路已经在该域中使用了几年，但微电子技术的进展现在允许越来越准确且有针对性的解决方案以获得治疗益处。例如，现在可以在特定神经纤维中调节信号，从而靶向特定疾病。但是，要完全利用这种方法，重要的是要了解神经信号的哪些方面很重要，刺激的效果是什么以及哪些电路设计可以最好地实现所需的结果。神经形态电子电路代表了实现这一目标的一种有希望的设计风格：它们的超低功率特征和生物学上可行的时间常数使它们成为建立最佳接口到真正神经加工系统的理想候选者，从而实现实时闭环与生物组织的闭环相互作用。在本文中，我们强调了神经形态回路的主要特征，这些电路非常适合与神经系统接口，并展示它们如何用于构建闭环杂种人工和生物学神经加工系统。我们介绍了可以实施神经计算基础的示例，以对这些闭环系统中感应的信号进行计算，并讨论使用其输出进行神经刺激的方法。我们描述了遵循这种方法的应用程序的示例，突出了需要解决的开放挑战，并提出了克服当前局限性所需的措施。
Gealian Wu
期刊审稿人：IEEE关于模式分析和机器智能的交易，IEEE图像处理的IEE交易，关于多媒体的IEEE交易，有关电路和视频技术，神经计算，机器视觉和应用的电路和系统的IEEE交易
研究员 Stefan Leutgeb
尽管神经计算是神经科学和人工智能的基石，但大脑中大量神经元如何进行计算的生物学基础才刚刚开始被揭示。在识别神经计算基础的方法中，大脑的导航系统提供了特别有趣的途径。尽管支持导航的大脑区域（如海马体和内嗅皮层）通过多个处理阶段与感觉输入和运动输出分离，但这些大脑区域中出现的神经元活动模式与现实世界中易于识别的物理位置相对应。因此，单个神经元的活动模式总体上形成了自然世界的地图状表示。虽然中等复杂的计算模型可以很容易地重现这种现象，但这些模型在多大程度上准确地捕捉了在真实大脑中执行这些计算的神经元之间一组关键连接中的关键计算。本文提出的工作将首先回顾成功的案例研究——包括来自无脊椎动物模型的案例研究——这些案例研究已经确定了用于空间导航和底层计算的大脑回路。然后，我们将采取一种综合的方法来探究这些研究是否可以推广到越来越复杂的系统，或者我们是否需要重新思考一旦大量神经元跨多个大脑区域连接起来，如何识别神经计算。虽然我们的思考将以生物系统为基础，但它也会考虑来自各种学科的方法，例如视觉艺术、社会科学（例如地理学）、经济学和计算机科学。
规划问题与人工智能：概述
(1) Shigenobu Kobayashi 和 Takao Terano (编)：《知识系统手册》，Ohmsha (1990)。(2) J. Hopfield 和 P. Tank：《优化问题中的决策神经计算》，《生物控制论》，第 81 卷，第 141-152 页 (1985)。(3) S. Kirkpatricks 等人：《通过模拟退火实现优化》，《科学》，第 220 卷，第 671-680 页 (1983)。