XiaoMi-AI文件搜索系统
World File Search System类脑
人类脑电图和人工神经网络揭示了自然图像中物体真实世界大小的解耦表征
。CC-BY-NC-ND 4.0 国际许可证下可用（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 2024 年 3 月 21 日发布。；https://doi.org/10.1101/2023.08.19.553999 doi：bioRxiv 预印本
在人类脑机接口控制过程中，运动的意志控制与运动皮层的本体感受反馈相互作用
1 华盛顿大学生理学和生物物理学系，美国华盛顿州西雅图，2 华盛顿大学计算神经科学中心，美国华盛顿州西雅图，3 艾伦神经动力学研究所，美国华盛顿州西雅图，4 匹兹堡大学康复神经工程实验室，美国宾夕法尼亚州匹兹堡，5 匹兹堡大学物理医学与康复系，美国宾夕法尼亚州匹兹堡，6 认知神经基础中心，美国宾夕法尼亚州匹兹堡，7 匹兹堡大学生物工程系，美国宾夕法尼亚州匹兹堡，8 卡内基梅隆大学生物医学工程系，美国宾夕法尼亚州匹兹堡，9 芝加哥大学生物生物学和解剖学系，美国伊利诺伊州芝加哥，10 卡内基梅隆大学机械工程系，美国宾夕法尼亚州匹兹堡， 11 美国宾夕法尼亚州匹兹堡卡内基梅隆大学神经科学研究所
从人类脑反应中解码卷积神经网络预测的人脑反应中的个体差异
Niklaus H. Evitt 3，Kiran S. Gajula 2，Junwei Shi 4*和Rahul M. Kohli 2* 1生物化学和分子生物物理学的研究生组，Perelman医学院，宾夕法尼亚大学，宾夕法尼亚州费城大学，宾夕法尼亚州，宾夕法尼亚州。2宾夕法尼亚州宾夕法尼亚大学佩雷曼医学院医学系，宾夕法尼亚州，19104年，美国。 3宾夕法尼亚州宾夕法尼亚大学佩雷尔曼医学院细胞和分子生物学研究生组，宾夕法尼亚州，19104年，美国。 4宾夕法尼亚州宾夕法尼亚大学佩雷曼医学院癌症生物学系，宾夕法尼亚州，19104年，美国。 *与Junwei Shi和Rahul M. Kohli的通信：2宾夕法尼亚州宾夕法尼亚大学佩雷曼医学院医学系，宾夕法尼亚州，19104年，美国。3宾夕法尼亚州宾夕法尼亚大学佩雷尔曼医学院细胞和分子生物学研究生组，宾夕法尼亚州，19104年，美国。 4宾夕法尼亚州宾夕法尼亚大学佩雷曼医学院癌症生物学系，宾夕法尼亚州，19104年，美国。 *与Junwei Shi和Rahul M. Kohli的通信：3宾夕法尼亚州宾夕法尼亚大学佩雷尔曼医学院细胞和分子生物学研究生组，宾夕法尼亚州，19104年，美国。4宾夕法尼亚州宾夕法尼亚大学佩雷曼医学院癌症生物学系，宾夕法尼亚州，19104年，美国。 *与Junwei Shi和Rahul M. Kohli的通信：4宾夕法尼亚州宾夕法尼亚大学佩雷曼医学院癌症生物学系，宾夕法尼亚州，19104年，美国。*与Junwei Shi和Rahul M. Kohli的通信：
具有类脑神经适应能力的稳健且可扩展的超维计算
一、问题和动机物联网 (IoT) 促进了许多利用基于边缘的机器学习 (ML) 方法来分析本地收集的数据的应用。不幸的是，流行的 ML 算法通常需要超出当今物联网设备能力的密集计算。受大脑启发的超维计算 (HDC) 已被引入以解决这个问题。然而，现有的 HDC 使用静态编码器，需要极高的维数和数百次训练迭代才能达到合理的准确度。这导致了巨大的效率损失，严重阻碍了 HDC 在物联网系统中的应用。我们观察到一个主要原因是现有 HDC 的编码模块缺乏利用和适应训练期间学习到的信息的能力。相比之下，如图 1(a) 所示，人类大脑中的神经元一直在动态再生，并在学习新信息时提供更有用的功能 [1]。虽然 HDC 的目标是利用随机生成的基础超向量的高维性来将信息表示为神经活动的模式，但现有的 HDC 仍然很难支持与大脑神经再生类似的行为。在这项工作中，我们提出了动态 HDC 学习框架，可以识别和再生不需要的维度，以在显著降低维数的情况下提供足够的准确性，从而加速训练和推理。 II. 背景和相关工作 A. 物联网和基于边缘的学习 许多新颖的框架和库已经开发出来，以在资源受限的计算平台上定制流行的 ML 算法，包括 TinyML [2]、TensorFlow Lite [3]、edge-ml [4]、X-Cube-AI [5] 等。然而，这些学习方法通常需要大量的训练样本和多个训练周期，超出了当今物联网设备的能力。同时，利用目标平台的学习结构和特性，研究人员提出了许多提高基于边缘的学习效率的技术，例如分割计算 [6]、联邦学习 [7]、[8]、知识蒸馏 [9]。这些技术与我们的方法正交，可以与我们的方法集成，以进一步提高学习性能。
人类脑器官的应用 - 建模人类脑发育和神经发育疾病
摘要：脑器官是源自反映早期大脑组织的人类多能干细胞（HPSC）的三维（3D）结构。这些类器官包含不同的细胞类型，包括神经元和神经胶质，类似于在人脑中发现的细胞类型。人脑器官为建模人类脑发育特征的特征提供了独特的机会，这些特征在动物模型中没有得到很好的反映。与传统的细胞培养物和动物模型相比，脑器官提供了人类脑发育和功能的更准确表示，使它们成为神经发育疾病的合适模型。尤其是，源自患者细胞的脑器官使研究人员能够在不同阶段研究疾病，并更好地了解疾病机制。多脑区域组合物允许研究不同大脑区域之间的相互作用，同时达到了分子和功能表征的更高水平。尽管器官具有有希望的特征，但其实用性受到几个未解决的约束的限制，包括细胞应激，缺氧，坏死，缺乏高实现细胞类型，有限的成熟和电路形成。在这篇综述中，我们讨论了克服脑器官自然局限性的研究，强调了所有神经细胞类型的组合的重要性，例如神经胶质（星形胶质细胞，少突胶质细胞和小胶质细胞）和血管细胞。此外，考虑器官与发育中的大脑的相似性，区域性图案化的脑类器官衍生的神经干细胞（NSC）可以作为细胞替代疗法的可扩展来源。我们强调了在该领域内的脑官源细胞在疾病细胞疗法中的潜在应用。
多类脑肿瘤分类和分割...
摘要。脑肿瘤分类是一项重要的任务，用于评估肿瘤并根据其类别选择治疗类型。脑肿瘤的诊断需要多种成像技术。然而，MRI 经常被使用，因为它提供更高的图像质量并使用非电离辐射。深度学习 (DL) 是机器学习的一个子领域，最近表现出令人印象深刻的性能，特别是在分割和分类问题方面。基于卷积神经网络 (CNN)，本研究提出了一种混合深度学习网络 (HDLN) 模型，用于对多种类型的脑肿瘤进行分类，包括神经胶质瘤、脑膜瘤和垂体瘤。Mask RCNN 用于脑肿瘤分类。我们使用挤压和激励残差网络 (SE-ResNet) 进行脑肿瘤分割，这是一个带有挤压和激励块的残差网络 (ResNet)。使用公开的研究数据集测试所提出的模型进行实验分析，获得了 98.53% 的总体准确率、98.64% 的灵敏度和 98.91% 的特异性。与最先进的分类模型相比，所提出的模型获得了最好的准确率。对于多类脑肿瘤疾病，所提出的 HDLN 模型显示出其优于现有方法。
人类脑类器官的法律人格
摘要 近年来，利用源自人类多能干细胞的三维神经组织（即“人脑类器官”）进行的研究进展迅速。尽管相关的伦理问题得到了深入的讨论，但与相关的伦理问题相比，法律问题的研究却很少。在本文中，我们探讨了有关人脑类器官法律地位的一个基本问题：它们是否可以被视为法人。我们明确区分两种类型的法人资格：“自然人”作为人类法人，而“法人”作为非人类法人。通过分别考察自然人和法人资格，我们指出了关于人脑类器官法律人格资格的评论中的偏见和混乱，并提供了更全面的问题图景。
梵语赞美诗如何影响人类脑电波 - IJTSRD
学生，全球印度国际学校，新加坡 摘要 我一直对梵语及其背后的奥秘充满热情。长期以来，我一直试图将梵语与科学联系起来，寻找它们之间的共同联系。在做一些研究时，我偶然发现了梵语赞美诗对人类脑电波的影响这个有趣的想法，并决定进一步探索这个话题。经过详细研究，我进行了这个实验，通过进行脑电图测试，在计算机上显示梵语赞美诗对人类脑电波的影响。这项研究为新思路打开了一扇窗户，可以展示梵语对人体的奇妙影响。
基于深度学习的多类脑肿瘤分类
有相当多的人被诊断患有继发性神经病变。虽然确切的数字尚不清楚，但这种类型的脑瘤正在增加。通过使用极其有效的临床成像工具，早期检测总是可以加快控制和消除早期肿瘤的过程。患有肿瘤的患者可能会变得无法移动，因为肿瘤可能会对大脑调节身体运动的部分施加压力[6] [14] [15]。这项研究的目的是利用图像处理和机器学习算法提高 MRI 图像上脑肿瘤的检测准确率，以及开发一个从 MRI 图像中快速诊断脑肿瘤的框架[19]。Amin 等人提出了 [3] 一种区分癌性和非癌性脑组织 MRI 的三步方法。其中涉及的步骤包括图像处理、特征提取和图像分类。这个框架不仅对医务人员有用，而且对医疗机构的其他员工也很有用
人类脑室的形态测量分析...
摘要背景：脑腔内是充满脑脊液 (CSF) 的脑室。侧脑室是大脑中最大的一对脑室；第三脑室位于丘脑之间的前脑间脑中；第四脑室位于脑桥后方和后脑延髓的开放部分。了解活体人类脑室的正常测量值对于诊断和监测多种病理具有重要意义。材料和方法：本研究于 2021 年 1 月至 2022 年 10 月期间在坎普尔 GSVM 医学院对 150 名年龄在 18 至 87 岁之间的健康受试者（75 名女性和 75 名男性）进行。结果：本研究测量右脑室长度为75.15±8.5mm，左脑室长度为71.67±6.8mm，侧脑室右额角长度为28.6±5.3mm，侧脑室左额角长度为27.56±5.6mm，第三脑室宽度为4.8±2.9mm，第四脑室高度为8.9±2.9，第四脑室宽度为11.3±9.8。结论：本研究为诊断视力障碍、脑积水、精神分裂症、精神病性障碍和其他病症提供了有关侧脑室、第三脑室和第四脑室的宝贵形态测量数据。