XiaoMi-AI文件搜索系统
World File Search System类脑
人类脑结构连接的母语差异
语言结构连接组的神经解剖学是通过讲特定语言的终身经历调节的吗？当前的研究比较了语言和语音生产网络的大脑白质连接，其中包括两种非常不同的语言的94个母语人群：一种印欧语 - 欧洲文字句法复杂的语言（德语）和一种基于闪族根的语言（阿拉伯语）。使用高分辨率分歧加权MRI和基于拖拉的语言网络统计数据，我们证明，德国母语者在静脉内/颞叶语言网络中表现出更强的连通性，已知与复杂的语法处理相关联。相比，阿拉伯语的母语者在语义语言区域之间的连接中表现出更强的连通性，包括左颞顶网络，以及通过后callososum callosus calloctoctoctosum callosum callosecun callosum callosect callosecun callosum calls calls calls call calls calloctoction callosum callosem callosem calloctoction callose。当前的研究表明，结构性语言连接组发展并受环境因素（例如母语的特征处理需求）的调节。
2022年脑科学与类脑智能发展态势
[1] 韩雪 , 阮梅花 , 王慧媛 , 等 . 神经科学和类脑人工智能发 展 : 机遇与挑战 . 生命科学 , 2016, 28: 1295-307 [2] Ngai J. BRAIN 2.0: transforming neuroscience. Cell, 2022, 185: 4-8 [3] Mehonic A, Kenyon AJ. Brain-inspired computing needs a master plan. Nature, 2022, 604: 255-60 [4] European Brain Research Area. European Research Inventory and Mapping Report[EB/OL]. (2022-02-15) [2023-01-09].https://www.neurodegenerationresearch. eu/2022/02/ebra-releases-mapping-report-investment- in-european-brain-research-still-vital/ [5] Canadian Brain Research Strategy. Brain Research Must Be a National Priority for the Social, Health, and Economic Advancement of Canada[EB/OL]. (2022-10- 07)[2023-01-09]. https://www.ourcommons.ca/Content/ Committee/441/FINA/Brief/BR11979145/br-external/ CanadianBrainResearchStrategy-e.pdf [6] Canadian Brain Research Strategy. Recruitment for CBRS Indigenous Engagement Sessions[EB/OL].(2022-09-20) [2023-01-09]. https://canadianbrain.ca/recruitment-for- indigenous-engagement-sessions/ [7] Brain/MINDS Beyond expands to the international project for primate brain connectome[EB/OL]. (2022-09-30) [2023-01-09]. https://brainminds-beyond.jp/news/2022/ 09/post_21.html [8] Thiebaut de Schotten M, Forkel SJ. The emergent properties of the connected brain. Science, 2022, 378: 505-10 [9] Axer M, Amunts K. Scale matters: the nested human connectome. Science, 2022, 378: 500-4
人类脑器官和意识：道德主张和认知不确定性
1 ARC Centre of Excellence for Electromaterials Science, Department of Politics, Media and Philosophy, La Trobe University, Melbourne 3086, Australia 2 ARC Centre of Excellence for Electromaterials Science, Intelligent Polymer Research Institute, AIIM Facility, Innovation Campus, University of Wollongong, Squires Way, Wollongong 2519, Australia 3 Arto Hardy Family Biomedical Innovation Hub, Chris澳大利亚悉尼2050年悉尼奥布莱恩·救生厅（O’Brien Lifehouse）4医学与健康学院，悉尼大学，悉尼大学，悉尼，悉尼2050年，澳大利亚5 Arc电气材料科学卓越中心，副副校长（研究与行业）的副副校长（研究与行业），墨西哥大学，墨尔伯大学，墨西哥墨尔多市30866686，墨西哥工业。 jeremy.crook@lh.org.au（J.M.C.）; s.dodds@latrobe.edu.au（s.d.）
自适应神经恢复，实现高度稳健的类脑表征
摘要 当今的机器学习平台在处理不安全和不可靠的内存系统时存在严重的稳健性问题。在传统的数据表示中，由于噪声或攻击导致的位翻转会引起值爆炸，从而导致错误的学习预测。在本文中，我们提出了 RobustHD，这是一个基于超维计算 (HDC) 的稳健且耐噪声的学习系统，模仿重要的大脑功能。与传统的二进制表示不同，RobustHD 利用冗余和全息表示，确保所有位对计算都有相同的影响。RobustHD 还提出了一个运行时框架，该框架以无监督的方式自适应地识别和重新生成错误维度。我们的解决方案不仅可以针对可能的位翻转攻击提供安全性，而且还提供了一种对内存噪声具有高度稳健性的学习解决方案。我们对从传统平台到新兴的内存处理架构进行了交叉堆叠评估。我们的评估表明，在 10% 随机位翻转攻击下，RobustHD 最多会造成 0.53% 的质量损失，而深度学习解决方案的准确度则会损失超过 26.2%。
神经元特性在机器学习中的应用：用于数据分类的类脑神经模型
摘要：一些神经模型在图像识别、语义分割和自然语言处理中取得了优异的效果，然而，它们在不涉及特征提取的结构化和小规模数据集上的分类性能不如传统算法，尽管它们需要更多的训练时间。在本文中，我们提出了一种具有交互式刺激的类脑神经模型（NMIS），专注于数据分类。它由一个扮演不同认知角色的初级神经场和一个高级神经场组成。前者用于对应特征空间中的真实实例，后者存储类别模式。初级场中的神经元通过交互式刺激交换信息，它们的激活通过场间相互作用传递到高级场，分别模拟神经元相互作用和突触可塑性的机制。所提出的NMIS在生物学上是合理的，不涉及复杂的优化过程。因此，它在小规模和结构化数据集上表现出比传统BP神经网络更好的学习能力。对于大规模数据分类，提出了一种优化版本的最近邻 NMIS（NN_NMIS）来提高计算效率。在一些 UCI 数据集上进行的数值实验表明，所提出的 NMIS 和 NN_NMIS 明显优于机器学习中广泛使用的一些分类算法。
后硅纳米电子器件及其在类脑芯片中的应用
随着信息技术迈向大数据时代，传统的冯·诺依曼架构在性能上显示出局限性。计算领域已经在应对访问内存所需的延迟和带宽（“内存墙”）以及能量耗散（“电源墙”）方面遇到了很多困难。这些具有挑战性的问题，例如“内存瓶颈”，要求进行大量的研究投资来开发下一代计算系统的新架构。脑启发计算是一种新的计算架构，为人工智能计算提供了一种高能效和高实时性的方法。脑启发神经网络系统基于神经元和突触。忆阻器件已被提议作为创建神经形态计算机应用的人工突触。在本研究中，对后硅纳米电子器件及其在脑启发芯片中的应用进行了调查。首先介绍了神经网络的发展，回顾了当前典型的类脑芯片，包括以模拟电路为主的类脑芯片和全数字电路的类脑芯片，进而引出了基于后硅纳米电子器件的类脑芯片设计。然后，通过对N种后硅纳米电子器件的分析，阐述了利用后硅纳米电子器件构建类脑芯片的研究进展。最后，对基于后硅纳米电子器件构建类脑芯片的未来进行了展望。
研究论文：基于 CNN 的医学影像多类脑肿瘤检测
脑肿瘤是成人和儿童中常见的第十大致死原因。根据纹理、区域和形状，存在各种类型的肿瘤，每种肿瘤的存活率都很低。错误的分类会导致更糟糕的后果。因此，必须将它们正确地划分为许多类别或等级，这就是多类分类发挥作用的地方。磁共振成像 (MRI) 图像是用于表示人脑以识别各种肿瘤的最可接受的方式或方法。图像分类技术的最新发展取得了长足的进步，最流行、最好的方法是 CNN，被认为是该领域最好的方法，因此，本文将 CNN 用于脑肿瘤分类问题。提出的模型成功地将脑图像分为四个不同的类别，即无肿瘤（表示给定的脑 MRI 没有肿瘤）、神经胶质瘤、脑膜瘤和垂体瘤。该模型的准确率为 99%。
使用混合优化算法改进的深度卷积神经网络，利用增强 MRI 图像检测和分类脑肿瘤
提出了一种改进的 HHO 技术。该模型自动从 MRI 图像中识别脑肿瘤，通过特征提取进行分类。首先，将脑部的 MRI 图像作为预处理的输入，以生成图像进行进一步处理。之后，通过 Otsu 阈值技术将预处理后的图像引入分割过程。分割过程完成后，提取每个片段中按纹理和统计数据的特征。特征包括肿瘤的大小、方差和均值。此外，在特征向量中，这些提取的特征被公式化。最后，通过 DCNN 和特征向量进行脑肿瘤识别，其中提出的增强型 HHO 训练深度 CNN 技术。
ODHD：用于异常值检测的一类脑启发式超维计算
异常值检测是一项经典且重要的技术，已用于医疗诊断和物联网等不同应用领域。最近，基于机器学习的异常值检测算法，例如一类支持向量机（OCSVM）、隔离森林和自动编码器，在异常值检测方面表现出色。在本文中，我们彻底摆脱这些经典学习方法，提出了一种基于超维计算（HDC）的异常值检测方法 ODHD。在 ODHD 中，异常值检测过程基于 PU 学习结构，其中我们基于正常样本训练一类 HV。此 HV 表示所有正常样本的抽象信息；因此，任何相应 HV 与此 HV 不同的（测试）样本都将被视为异常值。我们使用六个不同应用领域的数据集进行了广泛的评估，并使用三个指标（包括准确率、F1 分数和 ROC-AUC）将 ODHD 与 OCSVM、隔离森林和自动编码器等多种基线方法进行了比较。实验结果表明，对于每个指标，ODHD 在每个数据集上的表现都优于所有基线方法。此外，我们对 ODHD 进行了设计空间探索，以说明性能和效率之间的权衡。本文提出的有希望的结果为传统异常值检测学习算法提供了一种可行的选择和替代方案。