XiaoMi-AI文件搜索系统
World File Search System视觉刺激
大规模灵长类动物神经节记录的自然图像的非线性解码
从神经活动中解码感觉刺激可以提供有关神经系统如何解释物理环境的洞察力，并促进了脑机界面的发展。然而，神经解码问题仍然是一个重大的公开挑战。在这里，我们提出了一种有效的非线性解码方法，用于从视网膜神经节细胞（RGC）的尖峰活动中推断自然现场刺激。我们的方法使用神经网络来改善准确性和可扩展性的现有解码器。对> 1000个猕猴RGC单元的实际视网膜尖峰数据进行了训练和验证，解码器证明了非线性计算的必要性，以准确地解码视觉刺激的精细结构。具体来说，自然图像的高通空间特征只能使用非线性技术解码，而低通功能可以通过线性和非线性方法很好地提取。一起，这些结果在解码大量神经元种群的自然刺激方面推进了最新的状态。
稳态视觉诱发电势中的数据分析 -
摘要 - 电脑摄影仪（EEG）已被广泛用于脑部计算机界面（BCI），这使瘫痪的人能够由于其便携性，高时间分辨率，较高的时间分辨率，易用性和低成本而直接与外部设备进行通信和控制。基于稳态的视觉诱发电位（SSVEP）基于BCI的BCI系统，该系统使用多种视觉刺激（例如计算机屏幕上的LED或盒子）在不同频率上流动的数十年来，由于其快速通信速率和高信号速率和高信号率而被广泛探索。在本文中，我们回顾了基于SSVEP的BCI的当前研究，重点介绍了能够持续，准确检测SSVEP的数据分析，从而可以进行高信息传输率。在本文中描述了主要的技术挑战，包括信号预处理，频谱分析，信号分解，特定规范相关性分析及其变化以及分类技术的空间过滤。还讨论了自发性大脑活动，精神疲劳，转移学习以及混合BCI的研究挑战和机遇。
编号 409 – 2024 年 7 月 11 日
认知 2024 年 8 月 品味音乐：来自听觉和味觉刺激的情感状态的模态一般表征 Park C, Kim J 全北国立大学，韩国全寿市，567 Baekje-daero, Deokjin-gu, Jeonju-si, Jeollabuk-do 54896，大韩民国。 jongwankim80@jbnu.ac.kr 先前的研究已经广泛研究了各种感官模态中情感的模态一般表征，特别侧重于听觉和视觉刺激。然而，很少有研究探索味觉和其他感官模态之间情感的模态一般表征。本研究旨在调查是否可以在模态内部和跨模态预测由味道和音乐作品引起的情感反应。对于每种模态，根据四种基本味觉条件（甜、苦、酸和咸）选择八种刺激。参与者使用味觉和情绪量表对每种刺激的反应进行评分。进行了包括多维尺度分析和分类分析在内的多变量分析。研究结果表明，甜味类别中的听觉和味觉刺激与正效价相关，而其他味觉类别中的听觉和味觉刺激与负效价相关。此外，酸味类别中的听觉和味觉刺激与高唤醒相关，而苦味类别中的刺激与低唤醒相关。这项研究揭示了味觉和听觉刺激在日常体验中到核心情感空间的潜在映射。此外，它表明味觉和音乐引起的情绪可以跨模态预测，支持情感的模态一般表征。先前的研究已经证明了对各种感觉模态的情感的一般表示，集中在特定的听觉和视觉刺激上。 Tuttavia, poche Ricerche hanno esplorato la modalità generale di rappresentazione affettiva tra le modalità gustative and altre modalità senseali. Questo studio mirava 致力于将情感融入到音乐中，并在内部和形式上进行预演。根据 ciascuna modalità，sono stati scelti otto stimoli in base a quattro condizioni foldamentali di gusto (dolce、amaro、acido e salato)。我参与了 hanno valutato le loro risposte a ciascuno stimolo utilizzando sia la scala del gusto che quella delle emozioni。声态多变量分析，包括多维缩放
使用增强现实和脑电图检测中风引起的视觉忽略并预测目标反应
摘要 —我们旨在构建一个结合脑电图 (EEG) 和增强现实 (AR) 的系统，该系统能够识别视觉空间忽视 (SN) 的存在并映射估计的忽视视野。基于 EEG 的脑机接口 (BCI) 用于识别那些最能通过脑电图反应在卒中幸存者中检测出 SN 的空间频谱特征，这些反应来自患者对同侧和对侧视觉刺激的 EEG 反应。发现额叶中央 delta 和 alpha、额叶顶叶 θ、Fp1 beta 和左额叶 gamma 是忽视检测的重要特征。此外，对响应的时间分析表明，所提出的模型在检测潜在被忽视的目标方面是准确的。使用常见的空间模式作为特征提取算法来预测这些目标，并使用正则化判别分析结合核密度估计进行分类。根据我们的初步结果，我们的系统有望可靠地检测 SN 的存在并预测患有 SN 的卒中患者的视觉目标反应。
光遗传学白噪声刺激揭示的 V1 脉冲感知权重
在视觉引导的行为过程中，感觉输入和其相关的行为反应之间可能只相隔数百毫秒。不同时间发生的脉冲如何整合以驱动感知和行动仍不清楚。我们提供了随机的光遗传刺激序列（白噪声）来激发雌雄小鼠 V1 中的抑制性中间神经元，同时让它们执行视觉检测任务。然后，我们对光遗传刺激进行了反向相关分析，以生成神经元行为内核，这是一个无偏、时间精确的估计，用于估计在视觉刺激开始前后不同时刻抑制 V1 脉冲如何影响对该刺激的检测。电生理记录使我们能够捕捉到光遗传刺激对 V1 响应性的影响，并揭示了最早的刺激诱发的脉冲在引导行为方面具有优先权重。这些数据证明，白噪声光遗传学刺激是理解如何解码神经元群体中的脉冲模式以产生感知和动作的有力工具。
灵长类动物 V1 的功率光遗传刺激
摘要 直接刺激灵长类动物 V1 能否替代视觉刺激并模仿其感知效果？为了解决这个问题，我们开发了一种光学遗传工具包，使用宽视野钙成像“读取”神经群体反应，同时使用光遗传学将神经反应“写入”行为猕猴的 V1。我们专注于视觉掩蔽现象，其中共定位的中等亮度掩蔽显著降低了对暗淡目标的检测（Cornsweet 和 Pinsker，1965 年；Whittle 和 Swanston，1974 年）。使用我们的工具包，我们测试了 V1 光遗传刺激是否可以重现视觉掩蔽的感知掩蔽效应。我们发现，与视觉掩蔽类似，低功率光刺激可以显著降低视觉检测灵敏度，视觉和光遗传学引起的 V1 反应之间的亚线性相互作用可以解释这种感知效应，并且这些神经和行为效应具有空间选择性。我们的工具包和结果为进一步探索通过直接刺激感觉皮层来实现感知替代打开了大门。
高敏感性多销差相关光谱
对脑血流无创和高灵敏度测量对于临床应用至关重要，例如测量氧代谢率1、2和监测颅内压。3，4此外，尽管主要使用功能磁共振成像和近膜光谱光谱（FNIRS）的神经科学应用，例如功能激活映射5、6和无创脑 - 计算机界面7、8，但这些应用可以从功能性共脑血液流量测量中受益。9 - 11弥漫性控制光谱（DCS）12是一种有前途的非侵入性光学技术，用于监测细胞的血液流量13、14和用于测量手指敲击9和视觉刺激期间的皮层功能激活10、11个任务。dcs通过将相干的光耦合到主题中，并测量由光散射出主体产生的斑点场中的波动来测量深度组织动力学。12、15、16增加了源 - dcs optodes的检测器分离（ρ），增加了在头皮和头骨下传播的检测到的光子的比例，深入脑皮质。17 - 19但是，对深组织的敏感性的提高是以减少
基于突发 c-VEP 的 BCI：优化刺激设计，以最少的校准数据增强分类并改善用户体验
利用代码调制视觉诱发电位 (c-VEP) 形式的非周期性闪烁视觉刺激代表了反应性脑机接口 (rBCI) 领域的一项关键进步。c-VEP 方法的主要优势在于模型的训练与目标的数量和复杂性无关，这有助于减少校准时间。尽管如此，现有的 c-VEP 刺激设计可以在视觉用户体验方面进一步改进，同时实现更高的信噪比，同时缩短选择时间和校准过程。在本研究中，我们介绍了一种创新的代码 VEP 变体，称为“突发 c-VEP”。这种原创方法涉及以故意缓慢的速率呈现短暂的非周期性视觉闪光，通常每秒闪光两次到四次。这种设计背后的原理是利用初级视觉皮层对低级刺激特征的瞬时变化的敏感性来可靠地引发一系列独特的视觉诱发电位。与其他类型的快节奏代码序列相比，突发 c-VEP 表现出良好的特性，可以使用卷积神经网络 (CNN) 实现高按位解码性能，从而有可能在需要更少校准数据的情况下实现更快的选择时间。此外，我们的研究重点是通过减弱视觉刺激对比度和强度来降低 c-VEP 的感知显着性，以显著提高用户的视觉舒适度。通过涉及 12 名参与者的离线 4 类 c-VEP 协议测试了所提出的解决方案。按照因子设计，参与者被指示关注 c-VEP 目标，其模式（突发和最大长度序列）和幅度（100% 或 40% 幅度深度调制）在实验条件下被操纵。首先，全幅突发 c-VEP 序列表现出更高的准确度，范围从 90.5%（使用 17.6 秒的校准数据）到 95.6%（使用 52.8 秒的校准数据），而 m 序列的准确度为 71.4% 到 85.0%。两种代码的平均选择时间（1.5 秒）与之前研究报告相比更为有利。其次，我们的研究结果表明，降低刺激强度仅会稍微降低突发代码序列的准确度至 94.2%，同时会显着改善用户体验。总之，这些结果证明了所提出的突发代码在性能和可用性方面推进反应式 BCI 的巨大潜力。收集的数据集以及所提出的 CNN 架构实现均通过开放存取存储库共享。
基于突发 c-VEP 的 BCI：优化刺激设计，以最少的校准数据增强分类并改善用户体验
利用代码调制视觉诱发电位 (c-VEP) 形式的非周期性闪烁视觉刺激代表了反应性脑机接口 (rBCI) 领域的一项关键进步。c-VEP 方法的主要优势在于模型的训练与目标的数量和复杂性无关，这有助于减少校准时间。尽管如此，现有的 c-VEP 刺激设计可以在视觉用户体验方面进一步改进，同时实现更高的信噪比，同时缩短选择时间和校准过程。在本研究中，我们介绍了一种创新的代码 VEP 变体，称为“突发 c-VEP”。这种原创方法涉及以故意缓慢的速率呈现短暂的非周期性视觉闪光，通常每秒闪光两次到四次。这种设计背后的原理是利用初级视觉皮层对低级刺激特征的瞬时变化的敏感性来可靠地引发一系列独特的视觉诱发电位。与其他类型的快节奏代码序列相比，突发 c-VEP 表现出良好的特性，可以使用卷积神经网络 (CNN) 实现高按位解码性能，从而有可能在需要更少校准数据的情况下实现更快的选择时间。此外，我们的研究重点是通过减弱视觉刺激对比度和强度来降低 c-VEP 的感知显着性，以显著提高用户的视觉舒适度。通过涉及 12 名参与者的离线 4 类 c-VEP 协议测试了所提出的解决方案。按照因子设计，参与者被指示关注 c-VEP 目标，其模式（突发和最大长度序列）和幅度（100% 或 40% 幅度深度调制）在实验条件下被操纵。首先，全幅突发 c-VEP 序列表现出更高的准确度，范围从 90.5%（使用 17.6 秒的校准数据）到 95.6%（使用 52.8 秒的校准数据），而 m 序列的准确度为 71.4% 到 85.0%。两种代码的平均选择时间（1.5 秒）与之前研究报告相比更为有利。其次，我们的研究结果表明，降低刺激强度仅会稍微降低突发代码序列的准确度至 94.2%，同时会显着改善用户体验。总之，这些结果证明了所提出的突发代码在性能和可用性方面推进反应式 BCI 的巨大潜力。收集的数据集以及所提出的 CNN 架构实现均通过开放存取存储库共享。
大脑是动态系统
由lai-sang Young the Human Brain，（）10 11神经元主要通过电动冲动。研究人员经常将大脑皮层建模为耦合动力学系统：与源构成的大型净作品，该节点包括代表印度神经元动力学的较小子系统。当然，神经科学不仅仅是这样的网络。神经元动力学是由分子和细胞内水平上复杂的生物化学过程驱动的，皮质相互作用的输出会影响认知和行为。但是，神经元的动态相互作用在大脑功能中起着不可或缺的作用，并且数学出色（尤其是动态系统）可以阐明这些相互作用的生物学上有意义的模型。在这里，我关注灵长类动物的视野[4]。猕猴的视觉皮层与人类非常相似。这个大脑区域富含数据，因为实验者可以轻松访问它，并且它与感觉输入的近距离接近，使研究人员能够将皮质反应直接与视觉刺激相关联。这些特征使原始视觉成为基于生物学的定量理论的理想起点。视觉皮层可作为进入大脑皮层其余部分的窗口；它还提供