XiaoMi-AI文件搜索系统
World File Search System脑神经
测试盒代表与眼部相关的脑损伤......
三种不同的脑神经调节运动。脑神经 III、IV 和 VI。脑神经 III 支配上直肌和下直肌，使瞳孔上下移动。脑神经 VI 支配外直肌，使瞳孔向外拉，然后脑神经 III 支配内直肌，使瞳孔向内拉。通过这种方式，人们可以通过观察是大运动受损还是协调受损来区分影响神经或通路的病变。
具有类脑神经适应能力的稳健且可扩展的超维计算
一、问题和动机物联网 (IoT) 促进了许多利用基于边缘的机器学习 (ML) 方法来分析本地收集的数据的应用。不幸的是，流行的 ML 算法通常需要超出当今物联网设备能力的密集计算。受大脑启发的超维计算 (HDC) 已被引入以解决这个问题。然而，现有的 HDC 使用静态编码器，需要极高的维数和数百次训练迭代才能达到合理的准确度。这导致了巨大的效率损失，严重阻碍了 HDC 在物联网系统中的应用。我们观察到一个主要原因是现有 HDC 的编码模块缺乏利用和适应训练期间学习到的信息的能力。相比之下，如图 1(a) 所示，人类大脑中的神经元一直在动态再生，并在学习新信息时提供更有用的功能 [1]。虽然 HDC 的目标是利用随机生成的基础超向量的高维性来将信息表示为神经活动的模式，但现有的 HDC 仍然很难支持与大脑神经再生类似的行为。在这项工作中，我们提出了动态 HDC 学习框架，可以识别和再生不需要的维度，以在显著降低维数的情况下提供足够的准确性，从而加速训练和推理。 II. 背景和相关工作 A. 物联网和基于边缘的学习 许多新颖的框架和库已经开发出来，以在资源受限的计算平台上定制流行的 ML 算法，包括 TinyML [2]、TensorFlow Lite [3]、edge-ml [4]、X-Cube-AI [5] 等。然而，这些学习方法通常需要大量的训练样本和多个训练周期，超出了当今物联网设备的能力。同时，利用目标平台的学习结构和特性，研究人员提出了许多提高基于边缘的学习效率的技术，例如分割计算 [6]、联邦学习 [7]、[8]、知识蒸馏 [9]。这些技术与我们的方法正交，可以与我们的方法集成，以进一步提高学习性能。
最近更新用于成像脑神经胶质瘤的PET/CT放射性示例
抽象正电子发射断层扫描/计算机断层扫描（PET/CT）极大地改变了非侵入性神经胶质瘤评估的景观，为通过磁共振成像（MRI）获得的辅助见解提供了互补的见解。PET/CT扫描可以对神经胶质瘤生物学进行多方面的分析，支持从分级和差异诊断到绘制肿瘤的全部范围并计划后续治疗和评估的临床应用。具有一系列专门的放射性植物，研究人员和临床医生现在可以探测神经胶质瘤的各种生物学特征，例如葡萄糖利用，细胞增殖，氧缺乏症，氨基酸运输和反应性星形胶质细胞增多。本评论旨在提供有关多功能PET/CT放射性示例在神经胶质瘤研究和临床实践中的应用的最新更新。
PyZebrascope：用于斑马鱼全脑神经活动成像的开源平台
了解神经元如何在大脑中相互作用以控制动物行为是神经科学的核心目标之一。荧光显微镜和基因编码钙指示剂的最新发展促成了斑马鱼全脑成像方法的建立，该方法以单细胞分辨率记录整个大脑体积的神经活动。全脑成像的开创性研究使用了定制的光片显微镜，其操作依赖于全球不可用的商业开发和维护的软件。因此，在研究界传播和开发这项技术一直具有挑战性。在这里，我们介绍了 PyZebrascope，这是一个开源 Python 平台，旨在使用光片显微镜对斑马鱼的神经活动进行成像。PyZebrascope 具有直观的用户界面，并支持全脑成像的基本功能，例如两个正交激发光束和眼睛损伤预防。其相机模块可以处理从相机采集到文件写入高达 800 MB/s 的图像数据吞吐量，同时保持稳定的 CPU 和内存使用率。其模块化架构允许包含用于显微镜控制和图像处理的高级算法。作为概念验证，我们实施了一种新颖的自动算法，通过将激发光束精确对准图像焦平面来最大化大脑中的图像分辨率。PyZebrascope 可以在虚拟现实环境中对鱼类行为进行全脑神经活动成像。因此，PyZebrascope 将有助于在神经科学界传播和开发光片显微镜技术，并加深我们对动物行为过程中全脑神经动力学的理解。
PyZebraScope：用于斑马鱼全脑神经活动成像的开源平台
。CC-BY-NC-ND 4.0 国际许可下可用（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2022 年 2 月 15 日发布。；https://doi.org/10.1101/2022.02.13.480249 doi：bioRxiv 预印本
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。
神经元特性在机器学习中的应用：用于数据分类的类脑神经模型
摘要：一些神经模型在图像识别、语义分割和自然语言处理中取得了优异的效果，然而，它们在不涉及特征提取的结构化和小规模数据集上的分类性能不如传统算法，尽管它们需要更多的训练时间。在本文中，我们提出了一种具有交互式刺激的类脑神经模型（NMIS），专注于数据分类。它由一个扮演不同认知角色的初级神经场和一个高级神经场组成。前者用于对应特征空间中的真实实例，后者存储类别模式。初级场中的神经元通过交互式刺激交换信息，它们的激活通过场间相互作用传递到高级场，分别模拟神经元相互作用和突触可塑性的机制。所提出的NMIS在生物学上是合理的，不涉及复杂的优化过程。因此，它在小规模和结构化数据集上表现出比传统BP神经网络更好的学习能力。对于大规模数据分类，提出了一种优化版本的最近邻 NMIS（NN_NMIS）来提高计算效率。在一些 UCI 数据集上进行的数值实验表明，所提出的 NMIS 和 NN_NMIS 明显优于机器学习中广泛使用的一些分类算法。
细胞周期依赖性提示调节果蝇中央脑神经干细胞的时间模式
在神经系统发育过程中，不同类型的神经元和神经胶质是由自我更新神经干细胞（NSC）依次产生的。NSC中基因表达的时间变化被认为调节神经di versity。但是，调节这些时间基因过渡的时机的机制仍然很少理解。果蝇II型NSC，例如人类外部radial胶质神经胶质，分裂为自我更新并产生中间神经祖细胞，扩大和多样化神经元的群体，该神经元的种群神经支配了中央复合体，这是一种脑部的大脑区域。II型NSC在暂时的十几个基因上表达，广泛地分类为早期和晚期基因。一个保守的基因，通过激活ecdysone受体（ECR）表达，七个UP介导了早期至晚期的压缩。然而，决定了ECR表达的时间，因此，尚不清楚基因转变。这项研究提出了细胞周期进程和细胞因子的固有机制是否需要诱导NSC早期脑结构过渡。通过加入释放NSC细胞周期或阻断细胞因子的突变克隆，我们表明这两个过程对于早期到偏移过渡都是必需的。当NSC是细胞周期或抑制了Cyto kinesis时，早期的基因IMP未能下调并持续到旧的NSC中，而晚期因素ECR和Syncrip未能表达出来。此外，我们表明，早期的七个因素不足以
识别与认知正常个体的脑神经变性和血管病理相关的血浆蛋白
1. Jack CR Jr、Bennett DA、Blennow K、Carrillo MC、Framework NIA- AAResearch。阿尔茨海默病的生物学定义。Alzheimers Dement。2018；14：535-562。2. Apostolova LG、Green AE、Babakchanian S 等人。正常衰老、轻度认知障碍 (MCI) 和阿尔茨海默病中的海马萎缩和脑室扩大。Alzheimer Dis Assoc Disord。2012；26(1)：17-27。3. Schröder J、Pantel J。海马萎缩的神经影像学在阿尔茨海默病早期识别中的作用——经过二十年研究的批判性评价。Psychiatry Res Neuroimaging。2016；247：71-78。 4. Seab JP、Jagust WJ、Wong ST、Roos MS、Reed BR、Budinger TF。阿尔茨海默病海马萎缩的定量 NMR 测量。Magn Reson Med。1988；8：200-208。5. Debette S、Schilling S、Duperron MG、Larsson SC、Markus HS。血管性脑损伤磁共振成像标记物的临床意义：系统评价和荟萃分析。JAMA Neurol。2019；76：81-94。6. Prins ND、Scheltens P。白质高信号、认知障碍和痴呆：最新进展。Nat Rev Neurol。 2015；11：157-165。7. Wardlaw JM、Valdés Hernández MC、Muñoz-Maniega S。白质高信号是由什么构成的？与血管性认知障碍的关系。J Am Hear Assoc。2015；4：1140。8. Sundermann EE、Biegon A、Rubin LH、Lipton RB、Landau S、Maki PM。女性在言语记忆方面的优势是否导致人们低估女性与男性的阿尔茨海默病病理？J Alzheimers Dis。2017；56：947-957。9. Sundermann EE、Biegon A、Rubin LH 等。尽管海马萎缩程度相似，但 MCI 女性的言语记忆力优于男性。神经病学。 2016；86：1368-1376。10. Hua X、Hibar DP、Lee S 等。萎缩率的性别和年龄差异：一项基于 n = 1368 次 MRI 扫描的 ADNI 研究。神经生物学衰老。2010；31：1463-1480。11. Ardekani BA、Convit A、Bachman AH。MIRIAD 数据分析显示海马萎缩进展存在性别差异。阿尔茨海默病杂志。2016；50：847-857。12. Burke SL、Hu T、Fava NM。通过海马体积或白质高信号预测轻度认知障碍和疑似阿尔茨海默病发展的性别差异。女性衰老杂志。2019；31：140-164。 13. Kim S、Kim MJ、Kim S 等人。从轻度认知障碍转变为阿尔茨海默病的风险因素的性别差异：一项 CREDOS 研究。Compr Psychiatry。2015；62：114-122。14. Mielke MM、Vemuri P、Rocca WA。阿尔茨海默病的临床流行病学：评估性别和性别差异。临床流行病学。2014；6：37-48。15. Smith BH、Campbell A、Linksted P 等人。队列概况：苏格兰一代：苏格兰家庭健康研究 (GS:SFHS)。该研究、其参与者及其对健康和疾病的遗传研究潜力。国际流行病学杂志。2013；42：689-700。 16. Navrady LB、Wolters MK、MacIntyre DJ 等。群组概况：纵向分层复原力和抑郁 (STRADL) 研究：针对 Generation Scotland 的一项问卷随访：苏格兰家庭健康研究 (GS:SFHS)。国际流行病学杂志。2018；47：13-14g。17. Habota T、Sandu AL、Waiter GD 等人。纵向分层复原力和抑郁 (STRADL) 研究的队列概况：针对 Generation Scotland 的一项以抑郁为重点的调查，使用
StreamBrain：一种用于 CPU、GPU 和 FPGA 上的类脑神经网络的 HPC 框架
摘要 基于反向传播的现代深度学习方法越来越受欢迎，并已用于多个领域和应用领域。与此同时，还有其他鲜为人知的机器学习算法，它们具有成熟而坚实的理论基础，但其性能仍未被探索。类似大脑的贝叶斯置信传播神经网络 (BCPNN) 就是一个例子。在本文中，我们介绍了 StreamBrain——一个允许基于 BCPNN 的神经网络实际部署在高性能计算系统中的框架。StreamBrain 是一种领域特定语言 (DSL)，概念上类似于现有的机器学习 (ML) 框架，并支持 CPU、GPU 甚至 FPGA 的后端。我们通过经验证明 StreamBrain 可以在几秒钟内训练著名的 ML 基准数据集 MNIST，并且我们是第一个在 STL-10 大小网络上展示 BCPNN 的人。我们还展示了如何使用 StreamBrain 进行自定义浮点格式训练，并说明了使用 FPGA 对 BCPNN 使用不同 bfloat 变体的影响。关键词 HPC、无监督学习、表示学习、神经网络、AI、新兴机器学习、BCPNN、GPU、FPGA