XiaoMi-AI文件搜索系统
World File Search System脑图
LGGNet：从脑机接口的局部-全局图表征中学习
摘要 — 神经心理学研究表明，不同大脑功能区域之间的合作活动推动了高级认知过程。为了了解大脑不同功能区域内和之间的大脑活动，我们提出了一种新型神经学启发式图神经网络 LGGNet，用于学习脑机接口 (BCI) 的脑电图 (EEG) 的局部-全局图表示。LGGNet 的输入层由一系列具有多尺度 1D 卷积核和内核级注意力融合的时间卷积组成。它捕获 EEG 的时间动态，然后将其作为所提出的局部和全局图过滤层的输入。LGGNet 使用一组定义的具有神经生理学意义的局部和全局图，对大脑功能区域内和之间的复杂关系进行建模。在稳健的嵌套交叉验证设置下，在三个公开可用的数据集上对四类认知分类任务（即注意力、疲劳、情绪和偏好分类任务）评估了所提出的方法。 LGGNet 与 DeepConvNet、EEGNet、R2G-STNN、TSception、RGNN、AMCNN-DGCN、HRNN 和 GraphNet 等最先进的方法进行了比较。结果表明，LGGNet 的表现优于这些方法，并且在大多数情况下，改进具有统计意义（p < 0.05）。结果表明，将神经科学先验知识引入神经网络设计可以提高分类性能。源代码可以在 https://github.com/yi-ding-cs/LGG 找到
用于脑网络分析的深度强化学习引导图神经网络
现代神经成像技术使我们能够将人脑构建为脑网络或连接体。捕捉脑网络的结构信息和层次模式对于理解脑功能和疾病状态至关重要。最近，图神经网络（GNN）良好的网络表征学习能力促使人们提出了相关的脑网络分析方法。具体而言，这些方法应用特征聚合和全局池化将脑网络实例转换为编码脑结构感应的向量表征，用于下游脑网络分析任务。然而，现有的基于 GNN 的方法往往忽略不同受试者的脑网络可能需要各种聚合迭代，并使用固定层数的 GNN 来学习所有脑网络。因此，如何充分释放 GNN 的潜力来促进脑网络分析仍然并非易事。在我们的工作中，提出了一种新颖的脑网络表征框架 BN-GNN 来解决这一难题，该框架为每个脑网络寻找最佳的 GNN 架构。具体来说，BN-GNN 采用深度强化学习 (DRL) 自动预测给定脑网络所需的最佳特征传播次数（反映在 GNN 层数中）。此外，BN-GNN 在八项脑网络疾病分析任务中提高了传统 GNN 性能的上限。© 2022 由 Elsevier Ltd. 出版。
多重连通区域的圆形狭缝图及其在脑图像处理中的应用
摘要 本文提出了一种快速边界积分方程方法，用于求解有界多重连通区域到具有圆形狭缝区域的圆盘和环面上的数值保角映射及其逆。该方法基于两个具有 Neumann 型核和广义 Neumann 核的唯一可解边界积分方程。利用 Nyström 方法、GMRES 方法和快速多极子方法相结合，对与映射相关的积分方程进行数值求解。新算法的复杂度为 O(( M + 1 ) n ) ，其中 M + 1 代表多重连通区域的重数，n 表示每个边界组件上的节点数。先前的算法需要 O(( M + 1 ) 3 n 3 ) 运算。一些试验计算的数值结果表明我们的方法能够处理具有复杂几何形状和非常高连通性的区域。本文还给出了该方法在医学人脑图像处理中的应用。
探索非欧几里得方法：基于图的脑电信号分析技术综合综述
1 加德满都大学理学院数学系，杜利凯尔，尼泊尔 2 加德满都大学工程学院计算机科学与工程系，杜利凯尔，尼泊尔 3 洛夫利专业大学计算机科学与工程学院，帕格瓦拉，印度 4 萨坦·本·阿卜杜勒阿齐兹王子大学计算机工程与科学学院计算机科学系，沙特阿拉伯 5 昌迪加尔大学计算机科学与工程系，旁遮普，印度 电子邮件：harish.bhandari@ku.edu.np (HCB)；yagya.pandeya@ku.edu.np (YRP)；jhakn@ku.edu.np (KJ)；sudan.jha@ku.edu.np (SJ)；s.alisher@psau.edu.sa (SA) *通讯作者 摘要 — 脑电图 (EEG) 信号广泛应用于情绪识别、情绪分析、疾病分类、睡眠障碍识别和疲劳检测。最近的研究突出了利用脑电信号分析神经系统疾病的积极探索。各种机器学习和深度学习技术，使用基于特征和欧几里得的方法，已被用于分析这些脑电信号。然而，非欧几里得方法已被证明在脑电信号研究中比欧几里得方法更有效。这种优势可能源于脑电信号的非线性和动态特性、大脑区域之间复杂的相互作用以及对常见脑电信号噪声的适应性。不幸的是，由于数据集不足、源代码不可用和图形表示的复杂性等限制，对脑电信号的图形表示的研究有限。因此，我们旨在对使用非欧几里得方法进行脑电信号分析的各种图形表示技术、图神经网络、现有方法和可用资源进行调查。此外，基于可视性图的方法已应用于单通道脑电信号，而图神经网络已被证明在多通道脑电信号分析中具有良好的结果。因此，调查得出结论，非欧几里得方法使用图形来映射大脑结构，而不是欧几里得结构。此外，在多通道脑电信号和图神经网络中加入可视性图将证明非欧几里得方法在脑电信号分析中的稳健性。关键词——脑电信号、图形表示、图神经网络、智能处理、深度分析
使用MRI脑图的进行性核上麻痹综合征的分阶段
人类寿命的大脑图表，以在正常衰老和各种神经系统疾病中构建脑解剖结构的动态模型。他们提供了新的可能性来量化从临床前阶段到死亡的神经解剖学变化，那里没有longi tudinal MRI数据。在这项研究中，我们使用大脑图来对脑萎缩的进展进行进行性超核麻痹 - 瑞奇综合征。 我们组合了多个数据集（n = 8170个涵盖整个寿命的健康受试者的质量控制的MRI，以及从四个重复的tauopathy神经疗法的核定型起始（4Rttni）to to to to to to to to contrapice to to to contrapice to to to to to to to to n = 62 MRI的核酸内核（4rtni）的核能效率和健康的效率象征性象征性象征性象征性象征性象征性象征性象征性象征性象征性象征性象征性的效率为麻痹 - 瑞典综合症大脑结构。 然后，我们在时间和空间中映射了健康和进行性核上麻痹 - 瑞典邦综合征图表之间的顺序差异。 我们发现了萎缩进展的六个主要阶段：（i）ven tral diencephalon（包括丘脑下核，底胺和红色核），（ii）Pallidum，（iii）脑干，纹状体，纹状体，纹状体和杏仁核，（IV）丘脑，（IV）thalamus，（v）thalamus，（v）lobe和（VI）。 随着时间的流逝，具有最严重萎缩的三个结构是丘脑，其次是钯和脑干。 这些结果与进步性上核瘫痪 - 里希尔森综合症的陶氏病进展的神经病理学分期相匹配，该病理应该在pallido-nigro-luysian系统中开始，并通过纹状体和杏仁核向Cerebral cortral cortex和Caudess和Caudsemton和Caudsemth the Pallido-Nigro-luysian系统开始传播。在这项研究中，我们使用大脑图来对脑萎缩的进展进行进行性超核麻痹 - 瑞奇综合征。我们组合了多个数据集（n = 8170个涵盖整个寿命的健康受试者的质量控制的MRI，以及从四个重复的tauopathy神经疗法的核定型起始（4Rttni）to to to to to to to to contrapice to to to contrapice to to to to to to to to n = 62 MRI的核酸内核（4rtni）的核能效率和健康的效率象征性象征性象征性象征性象征性象征性象征性象征性象征性象征性象征性象征性的效率为麻痹 - 瑞典综合症大脑结构。然后，我们在时间和空间中映射了健康和进行性核上麻痹 - 瑞典邦综合征图表之间的顺序差异。我们发现了萎缩进展的六个主要阶段：（i）ven tral diencephalon（包括丘脑下核，底胺和红色核），（ii）Pallidum，（iii）脑干，纹状体，纹状体，纹状体和杏仁核，（IV）丘脑，（IV）thalamus，（v）thalamus，（v）lobe和（VI）。随着时间的流逝，具有最严重萎缩的三个结构是丘脑，其次是钯和脑干。这些结果与进步性上核瘫痪 - 里希尔森综合症的陶氏病进展的神经病理学分期相匹配，该病理应该在pallido-nigro-luysian系统中开始，并通过纹状体和杏仁核向Cerebral cortral cortex和Caudess和Caudsemton和Caudsemth the Pallido-Nigro-luysian系统开始传播。这项研究支持在人类寿命中使用大脑图表来研究神经退行性疾病的进展，尤其是在没有特定的生物标志物的情况下，如PSP中。
专题前言：脑科学的物理电子学...
DOI: 10.7498/aps.71.140101 类脑计算技术作为一种脑启发的新型计算技术 , 具有存算一体、事件驱动、模拟并行等特征 , 为 智能化时代开发高效的计算硬件提供了技术参考 , 有望解决当前人工智能硬件在能耗和算力方面的 “ 不可持续发展 ” 问题 . 硬件模拟神经元和突触功能是发展类脑计算技术的核心 , 而支持这一切实现 的基础是器件以及器件中的物理电子学 . 根据类脑单元实现的物理基础 , 当前类脑芯片主要可以分 为数字 CMOS 型、数模混合 CMOS 型以及新原理器件型三大类 . IBM 的 TrueNorth 、 Intel 的 Loihi 、清华大学的 Tianjic 以及浙江大学的 Darwin 等都是数字 CMOS 型类脑芯片的典型代表 , 旨 在以逻辑门电路仿真实现生物单元的行为 . 数模混合型的基本思想是利用亚阈值模拟电路模拟生物 神经单元的特性 , 最早由 Carver Mead 提出 , 其成功案例有苏黎世的 ROLLs 、斯坦福的 Neurogrid 等 . 以上两种类型的类脑芯片虽然实现方式上有所不同 , 但共同之处在于都是利用了硅基晶体管的 物理特性 . 此外 , 以忆阻器为代表的新原理器件为构建非硅基类脑芯片提供了新的物理基础 . 它们 在工作过程中引入了离子动力学特性 , 从结构和工作机制上与生物单元都具有很高的相似性 , 近年 来受到国内外产业界和学术界的广泛关注 . 鉴于硅基工艺比较成熟 , 当前硅基物理特性是类脑芯片 实现的主要基础 . 忆阻器等新原理器件的类脑计算技术尚处于前沿探索和开拓阶段 , 还需要更成熟 的制备技术、更完善的系统框架和电路设计以及更高效的算法等 .
对应图图的随机光谱采样
3D对应关系，即一对3D点，是计算机视觉中的一个有趣概念。配备兼容性边缘时，一组3D相互作用形成对应图。此图是几个最新的3D点云注册方法中的关键集合，例如，基于最大集团（MAC）的一个。但是，其特性尚未得到很好的理解。因此，我们提出了第一项研究，该研究将图形信号处理引入了对应图图的域。我们在对应图上利用了广义度信号，并追求保留此信号的高频组件的采样策略。为了解决确定性抽样中耗时的奇异价值分解，我们采取了随机近似采样策略。因此，我们方法的核心是对应图的随机光谱采样。作为应用程序，我们构建了一种称为FastMAC的完整的3D注册算法，该算法达到了实时速度，而导致性能几乎没有下降。通过广泛的实验，我们验证了FastMac是否适用于室内和室外基准。例如，FastMac可以在保持高recistra-
沙子图与弦弦图制作
很长一段时间以来，土著社会被排除在数学史领域（D'Ambrosio，1985，2001）。直到几十年前，科学的历史学家和哲学家确实抛弃了他们的研究领域，经常赋予口头传统的小规模和/或土著社会。The prevalence of the evolutionist (Tylor, 1871) and “prelogical thought” (Lévy-Bruhl, 1910) theories, arguing that these peoples had a lesser ability to abstract and generalize than ours, appears to have durably impeded the recognition of genuine mathematical practices carried out in the various indigenous societies worldwide (Vandendriessche,即将到来的2021）。在20世纪下半叶初，在这个问题上发生了重大的认识论变化，这是通过人类学家克劳德·莱维·斯特劳斯（ClaudeLévi-Strauss）的工作促进的。后者的认识论破裂似乎促使研究（在1970年代）的发展现在通常被认为是建立民族心理学的开创性作品（Vandendriessche＆Petit，2017年）。这个新生的跨学科研究领域的当前发展有助于进一步扩大我们对数学知识及其历史的看法，同时在图片中包括所有在社会群体/社会中表现出的数学特征的所有活动，通常不被认为是这样的。在地球的各个土著社会中，数学并不是通常作为自治知识类别。（Rivers＆Haddon 1902，Deacon＆Wedgwood，1934年，Austern 1939，Lévi-Strauss 1947，Pinxten等人。然而，正如许多关于“传统”社会的民族志都表明，在整个20世纪，在其各种实践中（例如日历或装饰品的制作，营地和住宅的建立，纺织品生产，导航，接航，游戏，游戏，游戏，游戏，1983，Gladwin 1986，Mackenzie 1991，Desrosiers，2012，Galliot 2015…）。因此，eTnomecatians的一个主要认识论问题是确定其中一些实践与数学活动以及如何相关的程度。为了避免受到“数学一词的西方涵义”的约束，玛西娅·阿什尔（Marcia Ascher，1935-2013）是1990年代民族心理学的创始人之一，引入了“数学思想”的概念。数学思想被定义为涉及“数字，逻辑和空间配置，尤其是这些思想在系统或结构中的布置”的想法（Ascher，1991：3）。Ascher基于使用建模工具的使用开发了一种方法，旨在揭示与
BrainGB：使用图神经网络进行脑网络分析的基准（扩展摘要）*
摘要 — 使用结构或功能连接映射人脑的连接组已成为神经影像分析最普遍的范例之一。最近，受几何深度学习启发的图神经网络 (GNN) 因其对复杂网络数据建模的强大功能而引起了广泛关注。尽管它们在许多领域都表现出色，但尚未系统地研究如何设计有效的 GNN 进行脑网络分析。为了弥补这一差距，我们提出了 BrainGB，这是使用 GNN 进行脑网络分析的基准。BrainGB 通过 (1) 总结功能和结构神经影像模式的脑网络构建流程和 (2) 模块化 GNN 设计的实现来标准化该过程。我们对跨队列和模态的数据集进行了广泛的实验，并推荐了一套在脑网络上有效 GNN 设计的通用方法。为了支持基于 GNN 的脑网络分析的开放和可重复研究，我们在 https://braingb.us 上托管了 BrainGB 网站，其中包含模型、教程、示例以及开箱即用的 Python 包。我们希望这项工作能够提供有用的经验证据，并为未来在这个新颖且有前途的方向的研究提供见解。索引术语 — 脑网络分析、GNN、神经成像的几何深度学习、数据集、基准
弯曲以近似脑皮层电图 (ECoG) 阵列施加的皮质力
摘要 目的。脑皮层电图 (ECoG) 阵列对大脑施加的力在弯曲以匹配颅骨和大脑皮层的曲率时表现出来。这种力量会对患者的短期和长期结果产生负面影响。在这里，我们提供了一种新型液晶聚合物 (LCP) ECoG 阵列原型的机械特性，以证明其更薄的几何形状可以减少可能施加到大脑皮层的力。方法。我们构建了一台低力弯曲试验机来测量 ECoG 阵列弯曲力，计算其有效弯曲模量，并近似计算它们可以对人脑施加的最大力。主要结果。经测试，LCP ECoG 原型的最大力比任何市售 ECoG 阵列的最大力小 20%。然而，作为一种材料，LCP 的刚性比传统上用于 ECoG 阵列的硅胶高出 24 倍。这表明较低的最大力是由于原型的轮廓较薄（2.9 × –3.25 ×）。重要性。虽然降低材料刚度可以降低 ECoG 阵列表现出的力，但我们的 LCP ECoG 阵列原型表明，柔性电路制造技术也可以通过减小 ECoG 阵列厚度来降低这些力。必须对 ECoG 阵列进行弯曲测试才能准确评估这些力，因为聚合物和层压板的材料特性通常与尺度有关。由于所用的聚合物是各向异性的，因此弹性模量不能用于预测 ECoG 弯曲行为。考虑到这些因素，我们使用了四点弯曲测试程序来量化 ECoG 阵列弯曲对大脑施加的力。通过这种实验方法，可以设计 ECoG 阵列以最大限度地减少对大脑施加的力，从而可能改善急性和慢性临床效用。