XiaoMi-AI文件搜索系统
World File Search System网络模拟
社论：神经发育和神经退行性疾病中的计算建模和机器学习方法：从基础研究到临床应用
计算模型和机器学习方法对于理解大脑神经网络如何处理信息以及这些信息如何影响决策和行为越来越有价值。这些网络的异常与各种脑部疾病有关。大脑模拟、机器学习和神经成像方面的进步有助于弥合不同的大脑尺度，揭示神经发育和神经退行性疾病中认知、运动和行为障碍的潜在过程。计算方法的有效应用仍然面临若干挑战，包括：涉及多个空间尺度；机器学习模型的可解释性问题，阻碍了其向临床实践的可转移性；以及缺乏对神经疾病非侵入性生物标志物的可靠验证。这些挑战促使我们编辑了研究主题“神经发育和神经退行性疾病中的计算建模和机器学习方法：从基础研究到临床应用”，最终接受了 10 篇富有洞察力的论文，这些论文使用各种创新工具从不同角度探索了该主题。这些贡献涵盖了各种主题，包括疾病诊断（Ruppert-Junk 等人、Turrisi 等人、Fernández-Ruiz 等人）、疾病亚型或阶段分类（Chen 等人、Zheng 等人）、疾病进展预测因素（Zhang 等人）、脑网络模拟（Monteverdi 等人、Moore 等人）、病变分割（Zaman 等人）和医学中的聚类方法（Poulakis 和 Westman）。深度学习是
项目标题：
人脑是一种非常复杂的结构，由约860亿个相互连接的神经元组成，在任何一刻的任何时候共同协调了无数认知过程。神经科学家现在对微观神经元的细胞和分子功能有了很好的了解，并可以将一般功能过程映射到宏观上的大脑的不同区域。然而，对认知如何源于复杂的神经元网络产生的全面理解，以及在神经精神疾病的情况下如何破坏这一点。最近的研究人员已开始使用人工智能（AI）来模拟人脑的子过程。例如，Whittington等人[1]使用变压器网络模拟海马内的空间规划。其他组表明，训练有模型语言的AI模型的激活可以复制人类大脑的功能磁共振成像（fMRI）测量的大脑活动模式[2]。在我们的实验室中，我们一直在开发新型的AI工具，这些工具可以精确地编码单个大脑内的大脑结构和功能的复杂模式[3,4,5]。这些方法已被证明可以显着提高神经发育和认知表型可以从结构和功能性MRI数据中预测的精度[3,4]，以及模型，单个新生儿的大脑如何随着时间的流逝而随着时间的流逝而变化，而随着时间的流逝而变化[5]。最近，我们扩展了这些模型，以编码参与电影观看任务的人类大脑的功能动态。通过这种方式，可以预测单个大脑在从事任务时应如何响应，而仅在静止下观察它。这将使我们能够通过允许我们解散自然变异性（例如，由于脑组织的结构差异或大脑状态，例如
电气电子工程学院
理学硕士（通信软件与网络） 课程核心课程 EE6108 计算机网络 学分：3 先决条件：无 第一学期 网络协议和服务。传输协议和服务。局域网。广域网和网络间互连。宽带和异步传输模式 (ATM) 网络。 EE6701 软件需求分析与设计 学分：3 先决条件：无 第一学期 软件工程概述。面向对象建模概念。对象建模。动态建模。功能建模。系统设计。对象设计。面向对象的方法和工具。 EE6703 多媒体网络 学分：3 先决条件：无 第一学期 多媒体网络简介。服务质量和流量特性。流量调度。多播机制。资源预留。多媒体通信协议。网络多媒体应用问题。 EE6711 面向对象软件开发 学分：3 先决条件：无 第一学期 软件开发平台、语言和环境。面向对象 C++ 实现。面向对象 JAVA 实现。分布式面向对象编程。面向对象编程语言比较研究。软件重用。选修课（选择任意四门课程）EE6104 网络性能分析 AU：3 先决条件：无 第一学期 概率论和图论回顾。排队论。队列网络。流量和拥塞控制。路由流量分配。数据网络中的受控和随机访问技术。电路交换的性能分析。EE6125 网络规划与管理 AU：3 先决条件：无 第二学期 网络性能问题。网络模拟与优化。网络运营、控制与维护。网络管理。网络管理数据库与工具。容量规划。网络安全与完整性。EE6205 实时与嵌入式系统 AU：3 先决条件：无 第一学期
利用人类大脑中缓慢、定向的功能网络解码特定任务的认知状态
摘要 大脑区域之间灵活的功能相互作用介导关键的认知功能。可以使用功能性磁共振成像 (fMRI) 数据测量此类相互作用，无论是瞬时（零滞后）还是基于滞后（时间滞后）的功能连接。由于 fMRI 血流动力学响应较慢，并且采样时间（秒）比底层神经动力学（毫秒）慢几个数量级，模拟研究表明，使用 Granger - Geweke 因果关系 (GC) 等方法测量的基于滞后的 fMRI 功能连接提供了虚假且不可靠的底层神经相互作用估计。对这一说法的实验验证具有挑战性，因为神经地面真实连接通常无法与 fMRI 记录同时获得。在这里，我们证明，尽管存在这些普遍存在的警告，但从 fMRI 记录估计的 GC 网络包含对任务特定认知状态进行分类的有用信息。我们使用来自 1000 名参与者的 fMRI 数据（人类连接组计划数据库）估计了瞬时和基于滞后的 GC 功能连接网络。经过瞬时或基于滞后的 GC 训练的线性分类器能够可靠地区分七种不同的任务和静息大脑状态，交叉验证准确率达到 0.80%。通过网络模拟，我们证明瞬时和基于滞后的 GC 分别利用快速和慢速时间尺度上的相互作用来实现稳健的分类。利用人类 fMRI 数据，瞬时和基于滞后的 GC 确定了互补的任务核心网络。最后，GC 连接的变化解释了各种认知分数的个体间差异。我们的研究结果表明，瞬时和基于滞后的方法揭示了大脑功能连接的互补方面，并表明使用 fMRI 估计的缓慢、定向的功能相互作用可以提供与行为相关的认知状态的有用标记。
天气和气候预测中的人工智能
摘要 天气和气候预测主要受高维性、许多不同空间和时间尺度上的相互作用以及混沌动力学的影响。这使得该领域的许多问题变得相当复杂，而且尽管计算成本巨大，但最先进的数值模型仍不足以满足许多应用的需求。因此，使用人工智能等新兴技术来解决这些问题很有吸引力。我们表明，可以使用深度神经网络模拟高度简化的大气环流模型的完整动态，既能提供未来几天模型状态的良好预测，也能提供稳定的长期气候时间序列。这种方法也部分适用于更复杂和更现实的模型，但只能用于预测未来几天模型的天气，而不能用于创建气候运行。使用 50-100 年的数据来训练网络就足够了。可以将相同的神经网络方法与数值集合天气预报的奇异值分解相结合，以便使用神经网络生成概率集合预报。从更基本的层面上讲，我们表明，在简单的动态系统设置中，前馈神经网络推广到系统新区域的能力似乎存在局限性。这是由于网络的不同部分学习对系统的不同部分进行建模所致。相反的是，对于另一个简单的动态系统，这被证明不是一个问题，这让人怀疑在更复杂的模型背景下简单模型的结果的实用性。此外，我们表明神经网络在某种程度上能够“学习”缓慢变化的外部强迫对系统动力学的影响，但只有在给定足够广泛的强迫机制的情况下才能做到这一点。最后，我们提出了一种补充操作天气预报的方法。给定初始场和过去天气预报的误差，使用神经网络预测新预报的不确定性，仅给定新预报的初始场。
深度逆建模揭示神经回路机制中的动态相关不变性
摘要 8 神经群体动态受许多细胞、突触和网络特性的影响。不仅要了解电路参数的协调变化如何改变神经活动，而且要了解动态何时不受此类变化的影响或对此类变化保持不变。计算建模揭示了单个神经元和小电路中的不变性，这些不变性被认为反映了它们对变化和扰动的鲁棒性。然而，将这些见解推广到皮层和其他大脑区域的较大电路仍然具有挑战性。一个关键的瓶颈在于使用脉冲网络模型对神经回路进行逆向建模，即识别与神经记录中观察到的动态定量匹配的参数配置。在这里，我们提出了神经动力学自动模型推断 (AutoMIND)，以有效发现不变的电路模型配置。 AutoMIND 利用具有自适应 16 脉冲神经元和群集连接的机械模型，该模型显示了丰富的时空动态。概率 17 深度生成模型（仅在网络模拟上训练）然后返回与给定目标神经活动观察一致的许多参数配置。应用于多个数据集后，AutoMIND 发现了人类大脑类器官在早期发育过程中同步网络爆发的电路模型 19，以及捕捉小鼠海马和皮层中神经像素记录的复杂频率曲线的模型 20。在每种情况下，我们都获得了 21 数百种配置，这些配置组成一个（非线性）参数子空间，其中种群动态保持不变 22。令人惊讶的是，不变子空间的全局和局部几何形状并不固定，而是因不同的动态而异 23。总之，我们的研究结果揭示了不同 24 种群体动态背后的电路参数的动态相关不变性，同时展示了 AutoMIND 在神经电路逆向建模方面的灵活性。25
深层建模揭示了神经回路机理中动态依赖性的不向导
摘要8神经种群动力学由许多细胞，突触和网络特性塑造。不仅要9了解电路参数的协调变化如何改变神经活动，而且当动态不受影响的情况下，或不变的变化时，也很重要。计算建模揭示了单个神经元和小11个电路中的不变，这些电路被认为反映了它们对可变性和扰动的稳健性。但是，将这12个见解概括为皮质和其他大脑区域的较大电路仍然具有挑战性。一个关键的瓶颈在于具有尖峰网络模型的13个神经回路的反向建模，即识别量化对动力学14在神经记录中观察到的动力学14的参数配置。在这里，我们提出了从神经动力学（Automind）的自动化模型推断，以有效发现不变电路模型配置。自动源具有自适应16个尖峰神经元和聚类连接性的机械模型，该模型显示出丰富的时空动力学。概率17深生成模型（仅在网络模拟上进行训练），然后返回许多参数配置，一致18，具有给定的神经活动目标观察。应用于几个数据集，Automind发现了早期发育中人类脑类器官中同步网络爆发的电路模型19，以及捕获小鼠海马和皮质中神经偶像记录的20个复杂频率曲线的模型。在每种情况下，我们都会获得21个组成（非线性）参数子空间的配置，其中人口动态保持22不变。令人惊讶的是，不变子空间的全局和局部几何形状并不固定，但在不同的23个动态方面有所不同。一起，我们的结果阐明了24个种群动态的基础电路参数的动态依赖性不向导，同时证明了自动源对神经回路的反向建模的灵活性。25
Nicholas M. Blauch 博士
• BinHuraib, T.、Tuckute, G.、*Blauch, NM Topoformer：通过空间查询和重新加权在 Transformer 语言模型中实现类似大脑的地形组织。（2024 年）。国际学习表征会议 (ICLR)，Re-Align 研讨会。*表示联合负责人和主要主管。• Vin, R.、Blauch, NM、Plaut, DC、Behrmann, M。视觉文字处理涉及分层、分布式和双边皮质网络。（2024 年）。iScience，27，108809。• Brookshire, G.、Kasper, J.、Blauch, NM、Wu, YC、Glatt, Ryan、Merrill, D.、Gerrol, S.、Yoder, KJ、Quirk, C.、Lucero, C。深度学习翻译脑电图研究中的数据泄漏。神经科学前沿。 • Ayzenberg, V.、Blauch, NM、Behrmann, M. 使用深度神经网络解决物体识别的方法 (2023)。PsyArxiv。对 TiCS 评论的反驳。• Blauch, NM Behrmann, M.、Plaut, DC 灵长类高级视觉皮层拓扑组织的连接约束计算说明 (2022)。美国国家科学院院刊，119 (3)。• Blauch, NM、Behrmann, M.、Plaut, DC 对人类陌生和熟悉面孔识别感知专业知识的计算洞察 (2021)。认知，208，104341。• Blauch, NM、Behrmann, M. Plaut, DC (2021)。熟悉和不熟悉面孔的共享感知表征的深度学习：对评论的回复。认知，208，104341。• Granovetter, M.、Burlingham, C.、Blauch, NM、Minshaw, C.、Heeger, D.、Behrmann, M. (2020) 不寻常的任务诱发瞳孔反应表明自闭症中存在不典型的蓝斑活动。神经科学杂志。• Blauch, NM、Behrmann, M. (2019)。以 3D 形式呈现面部。自然人类行为。评论。• Blauch, NM、Aminoff, E.、Tarr, MJ (2017)。功能局部化表示包含分布式信息：从深度卷积神经网络模拟中获得的见解。认知科学学会第 39 届年会论文集。
人工神经网络在...中的意义
摘要。如今，基于计算机技术的进步，研究旨在开发新的数据处理方法。一些研究侧重于创造模仿人类生物数据处理机制的新工具。这些研究为人工神经网络的发展铺平了道路，与传统的、更常用的预测分析工具相比，人工神经网络可以被视为一种更优越的预测分析工具。如今，人工神经网络已在生态学、工程学和健康等学科中得到广泛应用。然而，可以说，尽管它们比其他预测分析更具功能性和有效性，但它们在教育研究中的应用却十分有限。本研究旨在通过参考通过人工神经网络分析进行的研究，阐明人工神经网络在教育研究中的功能和作用。关键词：人工神经网络、多层感知器、单层感知器、输入层、隐藏层简介人工神经网络是模拟人类数据处理系统的数据处理系统（Elmas，2003 年，第 22 页）。人工神经网络的概念源于在计算机系统上模仿人脑的运作原理，用定量数据进行计算，并创建生物神经元的数学模型（Efe & Kaynak，2000，第 1 页）。第一个人工神经网络是由神经生理学家 Warren McCulloch 和数学家 Walter Pitts 基于人脑的计算能力创建的（Bishop，2014，第 9 页）。 1958 年 Frank Rosenblatt 开发出感知器这种人工神经网络系统后，人工神经网络的研究开始加速，随后出现了自适应线性元件（自适应线性元件 (Widrow & Hoff, 1960)、Hopfield 网络 (Hopfield, 1982)、Kohonen 网络 (Kohonen, 1982, 1984)、玻尔兹曼机 (Ackley et al., 1985) 和通过反向传播算法学习的多层前馈神经网络 (Rumelhart et al., 1986；引自 Lek & Guegan, 1999, p. 67)。现代人工神经网络研究的重点是开发新的、更有效的学习算法，并创建能够响应随时间变化的模型的网络 (Kriesel, 2007, pp. 21-22)。如前所述，人工神经网络模拟人类大脑中的生物神经元和创建人工神经元的数学模型基于生物模型（Kohli et al.,, 2014, p. 745）。Hanrahan（2011, p. 5）描绘了生物模型的结构，如图1所示；
人工智能在神经病学中的应用
1 毕业于北里奥格兰德州纳塔尔省波蒂瓜尔大学医学专业。 ORCID：0009-0008-6979-1732。电子邮件：gabicalbuquerque@gmail.com; 2 毕业于伯南布哥州累西腓市伯南布哥大学医学专业。 ORCID：0009-0006-0149-2010。电子邮件：emmanuela.vasconcelos@upe.br; 3 毕业于米纳斯吉拉斯州韦斯帕夏诺健康与人类生态学院医学专业。 ORCID：0000-0003-2847-8340。电子邮件：filipe.marques74@hotmail.com; 4 毕业于米纳斯吉拉斯州韦斯帕夏诺健康与人类生态学院医学专业。 ORCID：0000-0002-9991-478X。电子邮件：amandamoreiralima22017@gmail.com； 5 毕业于帕拉伊巴州卡哈泽拉斯圣玛丽亚学院医学专业。 ORCID：0000-0002-9948-0555。电子邮件：gabrielarodrigues2112@gmail.com； 6 毕业于帕拉伊巴州卡哈泽拉斯圣玛丽亚大学中心医学专业。 ORCID：0000-0003-4487-4407。电子邮件：anabeatrizsjp14@gmail.com 7 毕业于帕拉伊巴州卡哈泽拉斯圣玛丽亚大学中心医学专业。 ORCID：0000-0002-3735-5687。电子邮件：paloma9731@outlook.com； 8 毕业于里约热内卢瓦加斯总统城 Estácio de Sá 大学医学专业。 ORCID：0009-0008-1848-584X。电子邮件：drfilippocarletti@gmail.com。摘要 - 人工智能 (AI) 由约翰·麦卡锡于 1956 年提出，代表了第四次工业革命，改变了日常生活的方方面面。机器学习 (ML) 是人工智能的一个分支，由 Arthur Samuel 于 1959 年创建，它使用算法和神经网络来识别数据中的模式。深度学习 (DL) 是 ML 的一种专业化，它使用卷积神经网络模拟大脑处理，尤其是在图像和视频分析方面。在医疗保健领域，人工智能有助于分析医疗数据和诊断神经系统疾病，其中机器学习技术在识别阿尔茨海默病、精神分裂症等疾病方面取得了进展。该研究旨在调查人工智能技术如何影响神经系统疾病的诊断和监测。重点关注智能手表等可穿戴设备在检测震颤和神经系统异常以及个性化治疗方面的有效性。它还探讨了移动应用程序在药物依从性和疾病筛查中的作用，旨在提高诊断效率和临床结果。本研究是一项定性、探索性和描述性的书目评论，旨在探讨人工智能在神经病学临床实践中的应用。该研究是在 SciELO 和 PubMed 数据库中进行的，搜索词为“人工智能 (AI)”和“神经病学”。其中包括过去十年内以葡萄牙语发表的原创免费文章。该研究排除了不完整、重复的作品以及不符合拟议标准的作品。分析于2024年8月完成。可穿戴技术和人工智能的进步彻底改变了神经系统疾病的诊断和监测，随着智能手表和平板电脑的使用而脱颖而出。苹果的 SDS 等设备和机器学习算法能够高精度地检测和分析震颤，有利于帕金森病和癫痫等疾病的诊断。移动应用程序和电子问卷对这些设备进行了补充，为患者提供了更全面的评估。人工智能与神经影像学的结合以及利用传感器进行持续监测也显著提高了诊断的准确性和治疗的个性化。然而，需要解决算法复杂性和数据保护等挑战，以优化这些技术的有效性。关键词：连续监测；卫生技术；临床疗效；心脏参数；成本效益。