XiaoMi-AI文件搜索系统
World File Search System试验间
ReSync：纠正事件的试验间异步性......
图 1. 使用 EEG 作为表征动态大脑反应的工具。（a）典型的 EEG 实验范例，其中向受试者呈现离散事件以引发大脑反应，同时记录 EEG 信号。（b）用刺激引发大脑反应可以比作敲击钟摆并观察其动态反应。（c）平均 ERP 方法假设特定反应活动由刺激引起并添加到自发活动中。通过根据刺激开始对多次试验进行平均，自发活动被抵消，而诱发的反应仍然存在。然而，由于大脑反应在试验间存在差异，平均 ERP 最终可能会显示模糊的反应模式（底部）。（d）真实 EEG 数据显示具有差异延迟变化的单次试验 ERP 的各个子成分。数据是从面部识别任务中单个受试者的电极 CPz 中提取的按 P3 延迟排序的单次试验 ERP（Rellecke、Sommer 和 Schacht，2012）。
传感器
摘要：抑制控制是一种抑制反应的认知过程。它用于日常活动，例如驾驶摩托车、驾驶汽车和玩游戏。这个过程的影响可以与现实世界中的红灯进行比较。在本研究中，我们使用相位滞后指数和试验间一致性 (ITC) 研究了人类抑制控制下的大脑连接。人类大脑连接可以更准确地表示功能神经网络。脑电图 (EEG) 的结果（数据集是使用听觉停止信号任务从十二名健康受试者在左手和右手抑制期间生成的）表明，大脑额叶和颞叶的 delta (1-4 Hz) 和 theta (4-7 Hz) 波段功率的试验间一致性增加。这些 EEG delta 和 theta 波段活动神经标记与人类额叶的抑制有关。此外，通过视觉刺激，枕叶的 delta-theta 和 alpha（8-12 Hz）波段功率的试验间一致性有所增加。此外，与颞叶和枕叶相比，在抑制控制下，额叶 F3-F4 通道之间的大脑连接性最高。额叶中更高的 EEG 一致性和相位滞后指数与人类反应抑制有关。这些发现揭示了理解大脑连接的神经网络和人类反应抑制过程中的潜在机制的新见解。
啮齿动物海马体内部产生的时间被对数压缩
摘要 韦伯-费希纳定律认为，我们感知到的感觉输入会随着物理输入以对数方式增加。海马“时间细胞”在触发刺激后的一段有限时间内依次放电，记录最近的经验。不同的细胞在不同的延迟下具有“时间场”，延迟时间至少可达数十秒。过去的研究表明，时间细胞代表了一条压缩的时间线，因为延迟后期放电的时间细胞较少，时间场较宽。本文探讨时间细胞的压缩是否遵循韦伯-费希纳定律。使用分层贝叶斯模型研究了时间细胞，该模型同时考虑了试验水平、细胞水平和群体水平的放电模式。该程序允许分别估计试验内感受野宽度和试验间变异性。分离试验间变异性后，时间场宽度随延迟线性增加。此外，时间细胞群体沿对数时间轴均匀分布。这些发现提供了强有力的定量证据，表明啮齿动物海马中的神经时间表征具有对数压缩性，并且遵循神经韦伯-费希纳定律。
听觉驱动的伽马同步与广泛皮质区域的皮质厚度有关
目的：伽马同步是大脑皮层的一个基本功能特性，在多种神经精神疾病（如精神分裂症、阿尔茨海默病、中风等）中会受损。伽马范围内的听觉刺激可以驱动整个皮质层的伽马同步，并评估维持它的机制的效率。由于伽马同步在很大程度上取决于小清蛋白阳性中间神经元和锥体神经元之间的相互作用，我们假设皮质厚度和伽马同步之间存在关联。为了验证这一假设，我们采用了脑磁图 (MEG) - 磁共振成像 (MRI) 联合研究。方法：根据解剖 MRI 扫描估计皮质厚度。与 40 Hz 调幅音调曝光相关的 MEG 测量值被投射到皮质表面。我们考虑了两种皮质同步性测量方法：（a）40 Hz 下的试验间相位一致性，提供伽马同步的顶点估计值；（b）初级听觉皮质与整个皮质套层之间的相位锁定值，提供长距离皮质同步性的测量。然后计算了 72 次 MRI-MEG 扫描的皮质厚度与同步性测量结果之间的相关性。结果：试验间相位一致性和相位锁定值均与皮质厚度呈显著的正相关。对于试验间相位一致性，在颞叶和额叶发现了强关联的簇，尤其是在双侧听觉皮质和运动前皮质中。相位锁定值越高，额叶、颞叶、枕叶和顶叶的皮质厚度就越厚。讨论和结论：在健康受试者中，较厚的皮质对应于初级听觉皮质及其他部位的较高伽马同步和连接性，这可能反映了参与伽马回路的潜在细胞密度。这一结果暗示伽马同步与潜在大脑结构一起参与了高级认知功能的大脑区域。这项研究有助于理解固有的皮质功能和大脑结构特性，这反过来可能构成定义伽马同步异常患者的有用生物标志物的基础。
使用多元解码方法评估精神分裂症 ERP 信号的信息内容
多元模式分类（解码）方法通常用于研究典型个体的神经认知处理机制，它们可用于量化单个参与者神经信号中存在的信息。这些解码方法在确定精神病和非精神病人群之间信息表示的差异方面也可能很有价值。在这里，我们检查了精神分裂症患者（PSZ）和健康对照受试者（HCS）的 ERP，他们在工作记忆任务中需要记住屏幕一侧的 1、3 或 5 个项目并忽略另一侧。我们使用 ERP 的空间模式来解码屏幕的哪一侧被保存在工作记忆中。人们可能会认为，由于噪音增加（即试验间变异性更大），PSZ 的解码准确度不可避免地会更低。然而，我们发现在记忆负荷 1 时，PSZ 中的解码准确度高于 HCS，这与之前的研究一致，在之前的研究中，在记忆负荷 1 时，PSZ 中的记忆相关 ERP 信号大于 HCS。我们还观察到，解码准确度与记忆相关 ERP 活动与噪声水平的比率密切相关。此外，我们发现 PSZ 和 HCS 中的噪声水平相似，这与 PSZ 会表现出更大的试验间变异性的预期相反。总之，这些结果表明，多变量解码方法可以有效地应用于个体参与者层面，以了解精神病人群认知功能受损的性质。
人工智能医学教育的进步
Chat-GPT-4、AMBOSS 用户和 Chat-GPT-3.5 的准确率分别为 71.33%、54.38% 和 46.23%。在比较模型时，GPT-4 有了显着的改进，与 GPT-3 相比，准确率提高了 25%，试验间一致性提高了 8%（p<.001）。GPT 模型在第 1 步和第 2 步内容之间的性能相似。GPT-3.5 和 GPT-4 的表现因医学主题而异（p=.027，p=.002）。但是，没有明显的变化模式。随着问题难度的增加，GPT 模型和 AMBOSS 用户的性能均下降（p<.001）。但是，GPT-4 的准确率下降不太明显。与 AMBOSS 用户相比，GPT 模型的准确率随问题难度的变化较小，从最简单问题到最难问题的准确率平均分别下降 45% 和 62%。
基于 fMRI 的警觉性检测可预测行为反应变化
摘要 警觉性水平与人类行为和认知密切相关。然而，虽然功能性磁共振成像 (fMRI) 允许研究行为和任务参与期间的全脑动态，但通常无法同时测量警觉性（例如脑电图或瞳孔测量）。在这里，我们仅从 fMRI 数据中提取连续的、时间分辨的警觉性标记。我们证明，这个在短暂的刺激前间隔内计算的 fMRI 警觉性标记可以捕捉对传入感官刺激的试验间行为反应。此外，我们发现，仅使用一小部分 fMRI 体素就可以预测任务期间的脑电图和行为反应。此外，我们观察到，考虑到警觉性似乎可以增加对任务激活大脑区域的统计检测。这些发现具有广泛的意义，可以为大量现有数据集提供有关持续唤醒状态的信息，丰富健康和疾病中神经变异性的 fMRI 研究。
利用试验和行为环节之间的相关性来改善神经解码
为了找到一个可解释的解决方案，需要一个简单而有效的模型来在许多会话中共享行为相关的神经变化。同样，动物的行为不仅受当前任务的影响，也受动物以前试验的经验的影响。例如，[10]发现小鼠的决策表现出在数十到数百次试验中持续存在的内部状态，这可以通过隐马尔可夫模型（HMM）有效地建模。这些潜在状态可以在不同动物和实验会话中重现。许多神经科学实验表现出由这种可重现的潜在状态引起的试验间行为相关性。除了对会话间神经相似性进行建模之外，明确考虑连续试验中的这些行为相关性还可以潜在地提高神经解码性能。在这项工作中，我们开发了两种互补的方法来利用这些神经和行为相关性来改进神经解码。对于神经数据，我们采用多会话降秩模型，该模型在跨会话时具有相似的神经活动时间模式，同时保留会话特定的差异以适应个体差异。对于行为数据，我们使用多会话状态空间模型从多个会话中动物行为的试验间相关性中学习潜在行为状态。然后使用这些学习到的神经和行为表征来改进单次试验、单会话解码器。与现有的通过复杂黑盒模型在会话间共享数据的深度学习方法不同，我们的模型简单、可解释性强且易于拟合。我们使用来自国际脑实验室 [ 11 ， 12 ] 的小鼠神经像素记录来评估我们的神经和行为数据共享模型，其中包括 433 个会话和 270 个大脑区域。结果显示，在不同行为任务中解码准确率有所提高。我们的方法在计算上是高效的，使我们能够创建与行为相关的时间尺度的全脑图，并识别与每个行为任务相关的关键神经元。
数据驱动的帕金森病神经外科基因治疗进展
摘要 黑质纹状体多巴胺投射神经元的缺失是帕金森病的一个关键病理，导致基底神经节运动回路功能异常和伴随的特征性运动症状。许多旨在改变潜在疾病和/或改善临床症状的脑实质内递送基因疗法在临床前研究中显示出良好的前景，随后在临床试验中进行了评估。在这里，我们回顾了手术递送基因治疗载体的挑战，这些挑战限制了这些试验的治疗结果，特别是缺乏对载体给药的实时监测。这些挑战最近在包括使用术中 MRI 在内的新型载体递送技术的发展过程中得到了解决。这些技术的临床前开发与腺相关病毒血清型 2 介导的人类芳香族 L-氨基酸脱羧酶基因治疗开发计划中的最新临床转化相关。这种新模式可以直观地看到病毒载体在目标结构内输送的准确性和充分性，从而能够在试验间修改手术方法、套管设计、载体体积和剂量。这些程序的快速、数据驱动的演变是独一无二的，并已导致载体输送的改进。
滑动窗口通用空间模式用于增强 EEG-BCI 中的运动想象分类
摘要 — 脑电图 (EEG) 信号的准确二元分类是开发运动想象 (MI) 脑机接口 (BCI) 系统的一项艰巨任务。本研究提出了两种滑动窗口技术来增强运动想象 (MI) 的二元分类。第一种方法计算所有滑动窗口预测序列的最长连续重复 (LCR)，称为 SW-LCR。第二种方法计算所有滑动窗口预测序列的模式，称为 SW-Mode。公共空间模式 (CSP) 用于提取特征，线性判别分析 (LDA) 用于对每个时间窗口进行分类。SW-LCR 和 SW-Mode 都应用于公开可用的 BCI 竞赛 IV-2a 健康个体数据集和中风患者数据集。与现有的最先进技术相比，SW-LCR 在健康个体的情况下表现更好，SW-Mode 在左手与右手 MI 的中风患者数据集上表现更好，标准差更低。对于这两个数据集，分类准确率 (CA) 约为 80%，kappa (κ) 为 0.6。结果表明，使用 SW-LCR 和 SW-Mode 的基于滑动窗口的 MI 预测对于试验内激活时间的试验间和会话间不一致具有很强的鲁棒性，因此可以在神经康复 BCI 环境中实现可靠的性能。