au:PleaseconfirmthatalleadinglevelsarerepressedCorrected:音乐是人类体验的核心,但是音乐表现为基础的精确神经动力学仍然未知。我们分析了29例听取Pink Floyd歌曲并采用先前在语音域中使用的刺激重建方法的患者的颅内脑电图(IEEG)数据集。我们成功地从直接神经记录中重新构造了可识别的歌曲,并量化了不同因素对解码精度的影响。结合了编码和解码分析,我们发现了音乐感知的右半球优势,其主要作用是高级临时回旋(STG)的主要作用,证明了一个新的STG子区域调用了音乐节奏,并定义了一个前及Posterior STG组织,表现出了持续的音乐响应,并表现出对音乐元素的持续反应。我们的发现表明,在单个患者中获取的短数据集上应用预测建模的可行性,为将音乐元素添加到大脑 - 计算机界面(BCI)应用程序铺平了道路。
从神经活动中解码感觉刺激可以提供有关神经系统如何解释物理环境的洞察力,并促进了脑机界面的发展。然而,神经解码问题仍然是一个重大的公开挑战。在这里,我们提出了一种有效的非线性解码方法,用于从视网膜神经节细胞(RGC)的尖峰活动中推断自然现场刺激。我们的方法使用神经网络来改善准确性和可扩展性的现有解码器。对来自1000多个猕猴RGC单元的真实视网膜尖峰数据进行了训练和验证,解码器证明了非线性计算的必要性,以准确地解码视觉刺激的精细结构。具体来说,自然图像的高通空间特征只能使用
从神经活动中解码感觉刺激可以提供有关神经系统如何解释物理环境的洞察力,并促进了脑机界面的发展。然而,神经解码问题仍然是一个重大的公开挑战。在这里,我们提出了一种有效的非线性解码方法,用于从视网膜神经节细胞(RGC)的尖峰活动中推断自然现场刺激。我们的方法使用神经网络来改善准确性和可扩展性的现有解码器。对来自1000多个猕猴RGC单元的真实视网膜尖峰数据进行了训练和验证,解码器证明了非线性计算的必要性,以准确地解码视觉刺激的精细结构。具体来说,自然图像的高通空间特征只能使用
书籍章节 卷积网络在从脊髓信号预测肌电图方面优于线性解码器 Yi Guo 1 *、Sinan Gok 2 和 Mesut Sahin 2 1 美国混合智能实验室有限责任公司 2 美国新泽西理工学院生物医学工程系神经假体实验室 *通讯作者:Yi Guo,混合智能实验室有限责任公司,加利福尼亚州威尼斯,美国 2020 年 10 月 19 日发布 本书章节是 Yi Guo 等人发表的文章的再版。于 2018 年 10 月在 Frontiers in Neuroscience 上发表。 (Guo Y、Gok S 和 Sahin M (2018) 卷积网络在预测脊髓信号中的 EMG 方面优于线性解码器。Front. Neurosci. 12:689。doi: 10.3389/fnins.2018.00689) 如何引用本书章节:Yi Guo、Sinan Gok、Mesut Sahin。卷积网络在预测脊髓信号中的 EMG 方面优于线性解码器。在:Jose Fernando Maya-Vetencourt,编辑。Prime Archives in Neuroscience。海得拉巴,印度:Vide Leaf。 2020。© 作者 2020。本文根据知识共享署名 4.0 国际许可条款发布(http://creativecommons.org/licenses/by/4.0/),允许在任何媒体中不受限制地使用、分发和复制,前提是对原始作品进行适当引用。道德声明:所有程序均经新泽西州纽瓦克市罗格斯大学机构动物护理和使用委员会 (IACUC) 批准。
从神经活动中解码感觉刺激可以提供有关神经系统如何解释物理环境的洞察力,并促进了脑机界面的发展。然而,神经解码问题仍然是一个重大的公开挑战。在这里,我们提出了一种有效的非线性解码方法,用于从视网膜神经节细胞(RGC)的尖峰活动中推断自然现场刺激。我们的方法使用神经网络来改善准确性和可扩展性的现有解码器。对> 1000个猕猴RGC单元的实际视网膜尖峰数据进行了训练和验证,解码器证明了非线性计算的必要性,以准确地解码视觉刺激的精细结构。具体来说,自然图像的高通空间特征只能使用非线性技术解码,而低通功能可以通过线性和非线性方法很好地提取。一起,这些结果在解码大量神经元种群的自然刺激方面推进了最新的状态。