XiaoMi-AI文件搜索系统
World File Search System记录的
用于高通量神经记录的开源硅微探针
微型和纳米制造技术使设备微型化，这改变了我们研究大脑功能的方式 [1]。几十年来，人们开发了具有高密度电极阵列的微机电系统 (MEMS)，用于监测细胞外大脑活动 [2–7]。这些工具的复杂程度稳步提高 [8]，目前最先进的工具可以同时访问一千多个神经元 [9]。如今，大量基于电极的新兴技术在电极数量 [9–14]、长期稳定性 [15–17]、用于信号处理的集成电子器件 [9, 18]、用于光遗传学或成像的集成光子学或透明材料 [19–24] 以及用于药物输送的集成微流体 [25, 26] 等方面提供了改进。虽然人们显然希望每一种新工具都能成功采用，但将神经记录设备从最初的研发阶段过渡到基础科学实验室仍面临重大挑战。一个普遍的挑战是为神经科学家提供强大的激励，让他们使用特定类型的设备而不是替代产品 [27]。这种激励可以基于有利的技术能力（例如，结构尺寸、电极的数量或排列），也可以基于不太可量化但同样重要的考虑因素，例如可用性和便利性 [28]。
具有地理位置和实时操作记录的基于面部识别的出勤系统
本文介绍了基于尖端的面部识别出勤系统，旨在通过整合高级机器学习，计算机视觉和地理空间API来解决传统出勤方法的局限性。系统通过高精度和效率自动化与会者的识别和记录来简化出勤过程。关键功能包括用于实时面部识别的实时视频识别，一个用于注册新个人的直觉用户注册模块，基于CSV的无缝数据导出和管理的日志记录以及地理位置感知到的出勤跟踪，以确保记录不仅是时间含量的，而且是位置特定的。这种地理空间上下文提供了宝贵的见解，尤其是对于分布式团队或多站点设置。
结合刺激与双模电荷平衡和时域流水线记录的 CMOS BD-BCI
基于皮层脑电图 (ECoG) 的双向脑机接口 (BD-BCI) 引起了越来越多的关注，因为：(1) 需要同时进行刺激和记录以恢复人类的感觉运动功能 [1] 和 (2) 良好的空间分辨率和信号保真度以及临床实用性。在刺激方面，这种 BD-BCI 可能需要 >10mA 的双相电流来引发人工感觉，以及 >20V 的电压顺应性以适应各种生物阻抗 [1]。两个刺激相之间的电荷不匹配会导致电压积累，从而造成电极腐蚀和组织损伤。现有的电荷平衡 (CB) 技术，例如电荷包注入 (CPI) [2] 和基于时间的电荷平衡 (TCB) [1]，会在脉冲间隔内产生 CB 电流，导致不必要的二次感觉和过度的刺激伪影 (SA)。对于记录，低输入参考噪声 (IRN) 是获取小神经信号 (NS) 所必需的，而大动态范围 (DR) 则是容纳大 SA 所必需的。现有的记录系统采用 SAR [1] 或连续时间 delta-sigma (CT-ΔΣ) [3] ADC（图 4）。前者由于 DAC 不匹配而具有有限的 DR，而后者则受到环路延迟内大幅度尖锐 SA 引起的失真的影响。尽管在 [4] 中，ΔΣ-ADC 的采样频率会自适应地变化以适应 SA，但所需的稳定时间很长。为了解决上述问题，本文提出了一种基于 ECoG 的 BD-BCI，其中包括：(1) 具有双模基于时间的电荷平衡 (DTCB) 的高压 (HV) 刺激系统和 (2) 高动态范围 (HDR) 时域流水线神经采集 (TPNA) 系统。图 1 描绘了所提出的 BD-BCI。刺激系统包括 4 个刺激器，每个刺激器包括一个 8 位分段电流控制 DAC 和一个 HV 输出驱动器，用于生成刺激脉冲。为了执行 CB，每个刺激器都采用具有 2 种模式的 DTCB 环路，即无伪影 (AL) TCB 和脉冲间有界 (IB) TCB 模式。3 阶 II 型 PLL 为基于时间的量化创建所需的时钟。记录系统有 4 个通道，每个通道都采用低增益模拟前端 (LG-AFE)、HDR 电压时间转换器 (VTC)、两步流水线 (TSP) TDC 和一个数字核心，其中操作模式由状态机控制。受 [1] 的启发，所提出的 DTCB 的工作原理如图 2 所示。AL-TCB 监测电极电压 V ESn -V CM （1≤n≤N；此处，N=4）并调整后续刺激脉冲的幅度而不产生额外的 SA，而当 |V ESn -V CM | 过大而需要立即去除电荷时，IB-TCB 在下一个刺激脉冲之前完成 CB。在第一个 T CC 开始时，如果 |V ESn - V CM |≤V TH,AL （V TH,AL 是标志着需要立即去除电荷的过电位阈值），则 AL-TCB 导通，并且 V ESn - V CM 在第一个 T CC 周期内由 VTC 和 TDC 数字化。然后将数字数据 D TDCn 馈送到通道间干扰消除 (ICIC) 模块，该模块可补偿由于多极刺激导致的通道间干扰 (ICI) 引入的电压误差。接下来，数字直流增益增强器 (DDGB) 有助于提高 CB 精度，而不会降低 AL-TCB 环路稳定性。为了执行 CB，AL-TCB 的电流（例如，I AL-Cn ）（其大小由 DDGB 输出 D ALn 控制）被添加到后续刺激电流中以调整其大小。相反，仅当 |V ESn -V CM |>V TH,AL 时，IB-TCB 才会开启并在一个 T IP 内的几个 T CC 中执行 CB，直到 |V ESn - V CM |
可穿戴系统基于eeg记录的超薄parylene c纹身电极
摘要：在一个越来越相互联系的世界中，电子设备渗透到我们生活的各个方面，旨在监视生理信号的可穿戴系统正在迅速接管运动和实力领域，以及康复和康复等生物医学领域。目的是为该领域提供新颖的方法，在本文中，我们讨论了可穿戴系统的开发，用于根据可移植的，低功耗的自定义PCB的特定使用，该系统设计用于与非惯用性的超易于良好的超透明和可强调的Parylene-c-c-c-c-c-c-c-c-c-c-c-c-c-c-c-c-c-c-c-c-c-c-c-c-c-c-c-c-c-c-c-c-c-c-c-c tattoo tattoo tattoo tattoo tattoo tattoo tattoo tattoo tattoo tattoo tattoo tattoo tattoo tattoo Electrodes。已在标准的休息状态实验中测试了所提出的系统，并且将其在两个不同状态的歧视方面与商业可穿戴设备的歧视（即穆斯耳机）进行了比较，显示出可比的结果。这一第一个初步验证表明，可以方便地采用可方便的可容纳纹身纹身电极集成了便携式系统，以使大脑活动的不可思议。
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。对来自1000多个猕猴RGC单元的真实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
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。对来自1000多个猕猴RGC单元的真实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
Argo：用于体内神经记录的高通道计数记录系统
1帕拉德罗姆斯，美国，美国德克萨斯州奥斯汀市，美国2 Caeleste CVBA，比利时3号梅希伦，宾夕法尼亚州匹兹堡大学匹兹堡大学生物工程系，美国匹兹堡大学4号匹兹堡大学4.匹兹堡，宾夕法尼亚州匹兹堡，美国6神经科学中心，匹兹堡大学，匹兹堡大学，宾夕法尼亚州匹兹堡，美国美国7神经技术中心，匹兹堡脑研究所，匹兹堡大学，宾夕法尼亚州匹兹堡大学，宾夕法尼亚州宾夕法尼亚州匹兹堡大学，美国菲尔德斯堡8号，美国莱斯特郡电气和计算机工程系，美国莱斯顿，美国莱斯顿，美国莱斯顿，美国，美国。美利坚合众国赖斯大学，美国德克萨斯州休斯敦市赖斯大学10 Neuroworkinering倡议11
大脑电生理记录的高密度碳纤维阵列组装机
图3.1：（a）带有设备和辅助基板的CFE并行化机制以及（b）CF孔排列算法：孔作为模板的图像，自动检测到孔位置（蓝绿色）和标记的CF位置（黄色）位置（黄色），并在对齐之前，以及在移动substrates substrates [39,51]之前与孔保持一致。............................................................................................ 26
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。
用于体内神经记录的印刷可拉伸液态金属电极阵列
R. Dong、Prof. S. Liu、Prof. X. Jiang 哈尔滨工业大学生命科学与技术学院 中国哈尔滨市南岗区益矿路 2 号 150001 电子邮件：shaoqinliu@hit.edu.cn； jiang@sustech.edu.cn 董荣军，杭聪，陈哲，刘晓玲，钟玲，齐建军，黄勇，蒋晓玲教授 南方科技大学生物医学工程系 中国广东省深圳市南山区学院路 1088 号 518055 王林博士，王林教授，陆英教授 中国科学院脑连接组与操控重点实验室，脑认知与脑疾病研究所 中国科学院深圳先进技术研究院 深港脑科学研究院-深圳基础研究中心 深圳 518055，中国 电子邮件：lp.wang@siat.ac.cn; luyi@siat.ac.cn