XiaoMi-AI文件搜索系统
World File Search System脑磁图
比较用于脑网络分析的浅层和深层图模型
摘要 — 众所周知，图神经网络 (GNN) 可以有效地对各种领域的网络数据进行建模。然而，在脑网络分析中，GNN 是否能胜过传统的浅层图分类模型（例如图核）仍不清楚。为此，我们分析了建模脑网络的不同方法，包括基于图核的 SVM、基本 GNN 和核化 GNN。这些模型旨在帮助分析疾病和精神障碍，如躁郁症、人类免疫缺陷病毒 (HIV)、创伤后应激障碍 (PTSD) 和抑郁症。具体来说，我们使用三种方法进行实验：核化支持向量机 (SVM)、消息传递图神经网络 (MPGNN) 和核图神经网络 (KerGNN)。我们得出结论：1) 深度模型 (GNN) 通常优于浅层模型 (SVM)；2) 考虑特定图形主题的模型似乎并没有显着提高性能。我们还确定了其他图形核和 GNN 框架，这些框架有望推动大脑网络分析的进一步研究。索引词 — 大脑网络、GNN、图形学习、图形核、神经影像数据、SVM
AI 可广泛应用于协同办公场景，利好龙头厂商
图 1 ： AI 带来 OA 功能的重构 ......................................................................................... 3 图 2 ：微软发布 Copilot .................................................................................................. 3 图 3 ：百度“如流” ........................................................................................................ 3 图 4 ： Copilot 根据要求起草邮件 .................................................................................... 4 图 5 ： Copilot 提炼邮件内容 ........................................................................................... 4 图 6 ： Copilot 对会议内容进行总结并支持提问 .............................................................. 5 图 7 ： Copilot 支持会议内容的实时总结和提问 .............................................................. 5 图 8 ： Copilot 对客户关注的领域进行扫描 ..................................................................... 5 图 9 ： Copilot 根据销售资料提供竞品分析建议 .............................................................. 5 图 10 ： Copilot 整理各类资料协作对工作内容进行梳理 ................................................. 6 图 11 ： Copilot 为接下来的会议准备相关资料 ................................................................ 6 图 12 ：泛微智能办公平台框架图 .................................................................................... 7 图 13 ：泛微智能办公平台前端技术 ................................................................................ 7 图 14 ：泛微小 e 助手查询业绩 ....................................................................................... 7 图 15 ：泛微小 e 助手智能填单 ....................................................................................... 7 图 16 ：小致语音助手技术框架 ........................................................................................ 8 图 17 ：小致语音助手使用示例 ........................................................................................ 8
非侵入性脑刺激能调节人脑的峰值阿尔法频率吗？系统评价和荟萃分析
缩写列表：AG，角回；CES，经颅电刺激；CI，置信区间；COBIDAS，数据分析和共享最佳实践委员会；CoG，重心；DLPFC，背外侧前额皮质；EEG，脑电图；FEF，额叶眼区；FFT，快速傅里叶变换；IAF，个体阿尔法频率；ICA，独立成分分析；IPS，顶内沟；ITPC，经颅间相位相干性；LTD，长期抑郁；LTP，长期增强；mA，毫安；MD，平均差异；MEEG，脑磁图和脑电图；MEG，脑磁图；MRI，磁共振成像；MT，运动阈值；NIBS，非侵入性脑刺激；OSF，开放科学框架；otDCS，振荡经颅直流电刺激； PAF，峰值 alpha 频率；PICO，参与者，干预，控制，结果；PRISMA，系统评价和荟萃分析的首选报告项目；PROSPERO，国际系统评价前瞻性注册库；RINCE，减阻非侵入性皮层电刺激；rTMS，重复经颅磁刺激；SE，标准误差；SM，感觉运动；STDP，尖峰时间依赖性可塑性；SWiM，无需荟萃分析的综合；tACS，经颅交流刺激；TBS，Theta 爆发刺激；tDCS，经颅直流刺激；tES，经颅电刺激；TMS，经颅磁刺激；tRNS，经颅随机噪声刺激。
GIIST_潜在导师名单_博士联合项目_2425.xlsx
类脑计算是借鉴脑科学基本原理，打破 “ 冯诺依曼 ” 架构束缚的新型计算技术。本研究组将从理论和器件两个方向对类脑计算展开协同 研究。 理论方面：研究类脑计算架构、模型和算法，探索基于类脑计算的类脑智能的基础理论；借鉴神经元模型、神经环路传导、神经编码 及认知、学习、记忆、决策等神经机制，逐步建立和完善类脑处理信息处理的数学 / 计算原理和模型；构建类脑计算和智能的统一理论 框架。为类脑计算器件及系统的发展提供理论基础。 器件方面：基于新材料和新技术，研究新型高性能类脑神经器件，解决一致性差、可靠性差、规模化难等痛点；研究基于类脑神经器 件的网络架构，构建大规模阵列，开展外围电路的研发与设计；研究基于新型类脑器件的感知和计算架构，发展感存、存算、感存算 一体系统。
PTGB：用于脑网络分析的预训练图神经网络
人脑是神经生物系统的中央枢纽，以复杂的方式控制行为和认知。神经科学和神经影像分析的最新进展表明，人们对大脑感兴趣区域（ROI）之间的相互作用及其对神经发育和疾病诊断的影响越来越感兴趣。作为分析图结构数据的强大深度模型，图神经网络（GNN）已被应用于脑网络分析。然而，训练深度模型需要大量标记数据，由于数据获取的复杂性和共享限制，这些数据在脑网络数据集中往往很少。为了充分利用可用的训练数据，我们提出了 PTGB，这是一个 GNN 预训练框架，它可以捕捉内在的脑网络结构，而不管临床结果如何，并且很容易适应各种下游任务。 PTGB 包含两个关键组件：（1）专为大脑网络设计的无监督预训练技术，能够从没有特定任务标签的大规模数据集中学习；（2）数据驱动的分区图谱映射管道，可促进具有不同 ROI 系统的数据集之间的知识转移。使用各种 GNN 模型进行的广泛评估表明，与基线方法相比，PTGB 具有稳健且卓越的性能。
BrainGB：使用图神经网络进行脑网络分析的基准
摘要 — 使用结构或功能连接来映射人脑的连接组已成为神经成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成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实证证据，并为这一新颖且有前景的方向的未来研究提供见解。
BrainGB：使用图神经网络进行脑网络分析的基准
摘要 — 使用结构或功能连接来映射人脑的连接组已成为神经成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成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实证证据，并为这一新颖且有前景的方向的未来研究提供见解。
用于脑网络回归分析的分层图学习模型
脑网络因其能够更好地表征神经和精神疾病中的脑动态和异常而受到越来越多的关注。近年来，深度学习取得了巨大的成功。许多人工智能算法，尤其是图学习方法，已被提出用于分析脑网络。现有图学习方法的一个重要问题是这些模型通常不易解释。在本研究中，我们提出了一种可解释的脑网络回归分析图学习模型。我们将这个新框架应用于人类连接组计划 (HCP) 的受试者，以预测多个成人自我报告 (ASR) 分数。我们还使用其中一个 ASR 分数作为示例，说明如何使用我们的模型识别回归过程中的性别差异。与其他最先进的方法相比，我们的结果清楚地证明了我们的新模型在有效性、公平性和透明度方面的优越性。
BrainGB：使用图神经网络进行脑网络分析的基准
摘要 — 使用结构或功能连接来映射人脑的连接组已成为神经成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成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实证证据，并为这一新颖且有前景的方向的未来研究提供见解。
针对阿尔茨海默病的阶段感知脑图学习
摘要 — 当前基于机器学习的阿尔茨海默病 (AD) 诊断方法无法探索不同 AD 阶段之间的独特大脑模式，缺乏追踪 AD 进展轨迹的能力。这种限制可能导致对 AD 病理机制的忽视和 AD 诊断的欠佳表现。为了克服这一挑战，本文提出了一种新颖的阶段感知脑图学习模型。具体而言，我们根据特定阶段的脑图分析每个 AD 阶段的不同脑图模式。我们设计了一种阶段特征增强图对比学习方法，称为 SF-GCL，利用每个 AD 阶段内的特定特征进行图增强，从而有效捕捉阶段之间的差异。值得注意的是，这项研究揭示了与每个 AD 阶段相对应的特定脑图，在追踪脑退化轨迹方面显示出巨大的潜力。在真实世界数据集上的实验结果证明了我们模型的优越性。索引词——阿尔茨海默病、图形对比学习、脑图、特征提取、脑疾病检测