XiaoMi-AI文件搜索系统
World File Search System经编
使用地形自动编码器预测本体感受皮层解剖结构和神经编码
使用地形自动编码器预测本体感受皮层解剖结构和神经编码 Kyle P. Blum 1*、Max Grogan 2*、Yufei Wu 2*、J. Alex Harston 2、Lee E. Miller 1 和 A. Aldo Faisal 2 * 对本文贡献相同 1 西北大学 2 伦敦帝国理工学院 本体感受是最不为人理解的感觉之一，但却是控制运动的基础。甚至肢体姿势在体感皮层中如何表现等基本问题也不清楚。我们开发了一种具有地形横向连接的变分自动编码器 (topo-VAE)，从大量自然运动数据中计算假定的皮层图。尽管不适合神经数据，但我们的模型重现了猴子中心向外伸展的两组观察结果：1. 尽管模型不了解手臂运动学或手部坐标系，但本体感受场在以手为中心的坐标系中的形状和速度依赖性。 2. 从多电极阵列记录的神经元首选方向 (PD) 分布。该模型做出了几个可测试的预测：1. 跨皮层的编码具有斑点和风车类型的几何 PD。2. 很少有神经元会只编码单个关节。Topo-VAE 为理解感觉运动表征提供了原则基础，以及神经流形的理论基础，并应用于脑机接口中感觉反馈的恢复和人形机器人的控制。关键词：本体感觉、皮层地图、地形测绘、深度学习、自然感觉统计、感觉生态学、变分自动编码器、计算神经科学、运动运动学、神经活动、初级体感皮层、自然行为、神经力学简介体感包括由皮肤受体提供的熟悉的触觉和本体感觉，本体感觉是一种不太有意识的感觉，它可以告诉我们动作姿势、运动以及作用于四肢的相关力量。前者受到了科学界的广泛关注，而本体感觉则经常被忽视，然而这种感觉反馈方式对于我们规划、控制和调整运动的能力至关重要。在工程学中，如果控制器不知道执行器的位置，就不可能控制机器人的运动；相应地，在人体运动控制（本体感觉）中，反馈控制理论是肢体控制计算的卓越解释（Todorov 和 Jordan 2002；Scott 2004）。此外，患有本体感觉神经功能障碍的个体，例如 IW 患者，即使在有视力和完整的运动系统的情况下，也存在严重的运动障碍 (Tuthill 和 Azim 2018；Sainburg、Poizner 和 Ghez 1993)。同样，神经假体领域的最新重大进展是
人类后顶皮层中实际和想象的触摸的神经编码
摘要在人类后顶叶皮层（PPC）中，单个单元编码具有部分混合表示形式的高维信息，使少量神经元可以编码与运动计划，执行，认知和感知相关的许多变量。在这里，我们测试了以前证明的PPC神经元种群是否同样参与了体验域。，我们在实际的触摸表现和触觉成像任务中记录了人类临床试验参与者的PPC中的神经元。神经元用双侧接受场在短潜伏期中编码了实际触摸，并通过身体部位组织，并覆盖了所有经过测试的区域。触觉图像任务引起了身体部分的反应，该反应与实际触摸共享神经基板。我们的结果是人类PPC中触摸编码及其在触觉成像任务中的认知参与的第一个神经元水平的证据，这可能反映了语义处理，注意力，感官预期或想象中的触摸。
分析神经编辑揭示了一种分子机制，以调节开发过程中的RNA编辑
腺苷（a）至inosine（i）RNA编辑有助于转录本多样性，并以动态的细胞类型（特定方式）调节基因表达。在哺乳动物脑发育过程中，特定腺苷的编辑增加，而A-to-i编辑酶的表现保持不变，这表明存在介导RNA编辑时空调节的分子机制。在此，通过使用生化和基因组方法的组合，我们发现了一种分子机制，该机制以神经和发育特异性的方式调节RNA编辑。比较开发过程中的编辑，从而确定了仅在一个生命阶段编辑的神经转录本。特定于阶段的EDIT在神经发育过程中很大程度上受差异基因表达的调节。正确表达了近三分之一的神经发育调节基因取决于秀丽隐杆线虫中的唯一的A到I编辑酶ADR-2。但是，我们还确定了整个开发过程编辑和表达的神经转录本的子集。尽管在发育过程中ADR-2的神经特异性下调，但这些位点的大多数显示出成年神经细胞中的编辑增加。生化数据表明，作用于RNA（ADAR）家族的腺苷脱氨酶的脱氨酶缺陷成员ADR-1正在与ADR-2竞争，以在开发早期与特定转录本结合。我们的数据提出了一个模型，其中在神经发育过程中，ADR-2水平克服ADR-1抑制，从而导致ADR-2结合增加和特定转录本的编辑。一起，我们的发现揭示了RNA编辑的组织和开发特异性调节，并确定了调节ADAR底物识别和编辑效率的分子机制。
原始未经编辑的手稿
1教育部图像处理和智能控制的主要实验室，人工智能与自动化学院，华盛顿大学华盛大学武汉430074，中国； 2华盛科技大学土木工程与力学学院，中国武汉430074； 3工程与信息技术学院的人工智能中心，悉尼，悉尼，悉尼，2007年，澳大利亚； 4加利福尼亚大学圣地亚哥分校（UCSD），美国加利福尼亚州92093，加州圣地亚哥分校（UCSD），Swartz计算神经科学中心； 5美国加利福尼亚州加州大学哥伦比亚省UCSD的高级神经工程中心，美国加利福尼亚州加利福尼亚州92093，美国加州大学。 6 Zhaw Datalab，Zéurich应用科学大学，温特瑟8401，瑞士。*相应的作者。电子邮件：drwu@hust.edu.cn; dly@hust.edu.cn电子邮件：drwu@hust.edu.cn; dly@hust.edu.cn
带有玻璃碳微电极的 Epi-Intra 神经探针有助于阐明组织 3D 体积中的神经编码和刺激编码
1 加州大学圣地亚哥分校电气与计算机工程系，美国加利福尼亚州拉霍亚 92093 2 加州大学圣地亚哥分校生物工程系，美国加利福尼亚州拉霍亚 92093 3 加州大学圣地亚哥分校材料科学与工程项目，美国加利福尼亚州拉霍亚 92093 4 加州大学圣地亚哥分校纳米工程系，美国加利福尼亚州拉霍亚 92093 5 加州大学圣地亚哥分校神经科学研究生项目，美国加利福尼亚州拉霍亚 92093 6 加州大学圣地亚哥分校心理学系，美国加利福尼亚州拉霍亚 92093 7 加州大学圣地亚哥分校生物科学部神经生物学科，美国加利福尼亚州拉霍亚 92093 8 圣地亚哥州立大学工程学院机械工程系 NanoFab.SDSU 实验室，5500美国加利福尼亚州圣地亚哥 Campanile Drive 92182-1323 9 神经技术中心 (CNT)，Box 37，比尔和梅琳达盖茨计算机科学与工程中心，3800 E Stevens Way NE，华盛顿州西雅图 98195，美国 10 通讯作者。
运动皮层的深度学习神经编码器
摘要 - 心脏内脑机界面（BMIS）将神经活动转化为控制信号，以驱动假体或通信设备，例如机器人臂或计算机光标。在临床上可行，BMI解码器必须达到高准确性和鲁棒性。优化这些解码器是昂贵的，传统上需要动物或人类的实验跨越数年。这是因为BMI是闭环系统，用户在其中更新其电动机命令是为了响应不完美的解码输出。使用先前收集的“频线”数据的解码器优化将不会对此闭环响应进行计算。明显加速的解码器优化的另一种方法是使用闭环实验模拟器。该模拟器的关键组成部分是神经编码器，该神经编码器合成从运动学产生神经种群活动。先前的神经编码器并未模拟神经种群活动的重要特征。为了克服这些局限性，我们使用了深度学习的神经编码器。我们发现了这些模型在再现刺激性时间直方图（PSTHS）和神经popula posula todyics中的先验神经编码器上的表现非常优于先前的神经编码器。我们还发现，深度学习神经启动器可以更好地匹配神经解码，从而在频道数据和闭环实验数据中结果匹配。我们预计这些深度学习的神经编码器将大大改善BMI的模拟器，从而更快地评估，优化和BMI解码器算法的表征。
已接受稿件未经编辑
不同保真度之间的个体损失。他们展示了这些改进对几个基本多尺度材料建模挑战的影响，包括二维传热、相变和枝晶生长问题。在这些问题上，与没有此类约束的网络相比，所提出的多保真度、基于物理的约束将预测误差降低了一个数量级。这实现了与底层方程的直接数值解相当的精度。Sarkar 等人在题为“高维工程设计和校准的多保真度和多尺度贝叶斯框架”的论文中，提出了一种用于优化的多保真度建模和信息论顺序采样策略。该方法基于通过高斯过程对各种保真度信息源进行建模，并辅以有效的主动学习策略，这些策略涉及在多尺度架构中顺序选择最佳点。该策略通过压缩机转子的设计优化和微结构预测模型的校准来演示。在题为“工程设计深度强化学习案例研究：应用于流动雕刻微流体设备”的论文中，Lee 等人。通过克服基于进化优化的方法的一些关键弱点（即样本效率低和优化收敛速度慢），解决了如何设计微流体流动雕刻设备。本文将深度强化学习 (DRL) 技术应用于流体雕刻任务，并研究了迁移学习在加速目标流形设计方面的有效性。本文表明，与同类 GA 模型相比，DRL 能够使用明显更少的雕刻支柱来匹配 90% 的目标流形，并提供了一种解释学习模型的方法（使用主成分），而现有的流体雕刻方法无法提供这种解释。Lynch 等人在他们的论文《机器学习辅助拓扑优化数值参数调整》中，提出了一个基于 ML 的元学习框架来确定拓扑优化中的调整参数。这些参数是从过去进行的类似优化问题中学习到的，并根据当前的问题进行调整。这有助于避免手动参数调整中代价高昂的反复试验。在论文《数据驱动的设计空间探索和利用增材制造设计》中，Xiong 等人。提出了一种数据驱动的方法，用于在设计过程的连续阶段进行设计搜索和优化。他们在具体设计阶段使用贝叶斯网络分类器，在详细设计阶段使用高斯过程回归。通过定制踝关节支架的设计说明了该方法。Odonkor 和 Lewis 将数据驱动设计应用于复杂系统（特别是分布式能源资源）的运营策略设计。这篇论文的标题是“分布式能源系统控制策略的数据驱动设计”。最大化套利价值的问题被表述为优化问题，并使用重新解决
已接受稿件未经编辑
不同保真度之间的个体损失。他们展示了这些改进对几个基本的多尺度材料建模挑战的影响，包括二维传热、相变和枝晶生长问题。在这些问题上，与没有此类约束的网络相比，所提出的多保真度、基于物理的约束将预测误差降低了一个数量级。这实现了与底层方程的直接数值解相当的精度。Sarkar 等人在题为“高维工程设计和校准的多保真度和多尺度贝叶斯框架”的论文中提出了一种用于优化的多保真度建模和信息论顺序采样策略。该方法基于通过高斯过程对各种保真度信息源进行建模，并增强了有效的主动学习策略，该策略涉及在多尺度架构中顺序选择最佳点。该策略通过压缩机转子的设计和微结构预测模型的校准得到了演示。在题为《深度强化学习在工程设计中的案例研究：在流动雕刻微流体装置中的应用》的论文中，Lee 等人讨论了如何通过克服基于进化优化的方法的一些关键弱点（即样本效率差和优化收敛速度慢）来设计微流体流动雕刻装置。本文将深度强化学习 (DRL) 技术应用于流动雕刻任务，并研究了迁移学习在加速目标流形设计方面的有效性。本文证明，DRL 能够使用比同类 GA 模型少得多的雕刻柱来匹配 90% 的目标流形，并且提供了一种解释学习模型的方法（使用主成分），而现有的流体雕刻方法并不提供这种方法。 Lynch 等人在其论文《机器学习辅助拓扑优化中的数值参数调整》中提出了一种基于 ML 的元学习框架来确定拓扑优化中的调整参数。这些参数是从过去进行的类似优化问题中学习到的，并根据当前的问题进行调整。这有助于避免手动参数调整中代价高昂的反复试验。在论文《数据驱动的设计空间探索和利用增材制造设计》中，Xiong 等人提出了一种数据驱动的方法，用于设计过程的连续阶段的设计搜索和优化。他们在具体设计阶段使用贝叶斯网络分类器，在详细设计阶段使用高斯过程回归。该方法通过定制踝关节支架的设计进行了说明。Odonkor 和 Lewis 将数据驱动设计应用于复杂系统的操作策略设计，特别是分布式能源资源。这篇论文的标题是“分布式能源系统控制策略的数据驱动设计”。最大化套利价值的问题被表述为一个优化问题，并使用重新求解