XiaoMi-AI文件搜索系统
World File Search System静止状态
对早期育儿干预对杏仁核 - 眶额皮层静止状态连通性连通性的初步检查：一项随机临床试验
我们研究了婴儿期为儿童的情绪调节和休息状态功能连通性（RS-FC）的基于证据的育儿计划的长期因果关系。家庭被儿童保护服务（CPS）转诊为寄养计划的转移的一部分。还招募了一群低风险的家庭。cps涉及的家庭被随机分配以接收目标（附件和生物行为追赶，ABC）或对照干预措施（家庭的发展教育，DEF），然后婴儿已满2。两种干预措施都是基于家庭的，手动的，并且长10年。在童年时期，儿童接受了6分钟的休息状态功能性MRI扫描。基于杏仁核种子的RS-FC分析以干预组作为群体级别的兴趣预测指标完成。57个儿童（N ABC = 21; n def = 17; n comp = 19; m年龄= 10.02岁，范围= 8.08 - 12.14）成功地扫描了。def组证明了负左杏仁核↔OFC连接性，而在ABC和比较组中，连通性接近零（ABCVSDEF：Cohen的D = 1.17）。ABC可能会在干预完成后约8年增强高危儿童的调节性神经生物学结局。
使用游戏视频的重复演示的互联网游戏障碍游戏玩家的渴望测量：静止状态脑电图研究
©作者2023。Open Access本文是根据Creative Commons Attribution 4.0 International许可获得许可的，该许可允许以任何媒介或格式使用，共享，适应，分发和复制，只要您对原始作者和来源提供适当的信誉，请提供与创意共享许可证的链接，并指出是否进行了更改。本文中的图像或其他第三方材料包含在文章的创意共享许可中，除非在信用额度中另有说明。如果本文的创意共享许可中未包含材料，并且您的预期用途不受法定法规的允许或超过允许的用途，则您需要直接从版权所有者那里获得许可。要查看此许可证的副本，请访问http：//创建ivecommons。org/licen ses/by/4。0/。Creative Commons公共领域奉献豁免（http：//创建ivecommons。Org/publi cdoma in/Zero/1。0/1。0/）适用于本文中提供的数据，除非在数据信用额度中另有说明。
静止的全球功能连接性与注意力有关：动脉自旋标记研究
摘要：关注的神经标志物，包括与事件相关的潜在P3（P300）或P3B组件相关的摘要，在参与者内部和参与者内部差异很大。了解导致P3的关注的神经机制对于更好地理解与注意力相关的脑部疾病至关重要。所有10名参与者用静止状态的PCASL灌注MRI和具有视觉奇数的ERP进行了两次扫描，以测量脑静止状态功能连接性（RSFC）和P3参数（P3振幅和P3延迟）。全局RSFC（整个大脑的平均RSFC）都与P3振幅（r = 0.57，p = 0.011）和P3发作潜伏期（r = -0.56，p = 0.012）相关。观察到的P3参数与全局RSFC的预测P3振幅相关（幅度：r = +0.48，p = 0.037；延迟：r = +0.40，p = 0.088），但与最显着的单个边缘相关。p3发作潜伏期主要与前额叶和顶叶/边缘区域之间的远距离连接有关，而P3幅度与前额叶和枕叶/枕骨之间的连接有关，感觉运动和皮层和下皮层和下层/皮质/皮层/皮层/皮层和枕骨/枕骨区域有关。这些结果证明了静止状态PCASL和P3与大脑全局功能连接的相关性。
4.2 一维无限方阱势
通过将粒子困在有限的区域内，我们可以获得有关其位置的信息。因此，无法完全精确地了解其动量，这阻止了粒子处于静止状态的任何可能性。因此，最低能量不能为零，这一事实与不确定性原理相符。
基于EEG Microstate分析预测运动图像BCI性能
摘要：电动图像（MI）脑电图（EEG）自然而舒适，并且已成为大脑 - 计算机界面（BCI）领域的研究热点。探索主体间MI-BCI性能变化是MI-BCI应用中的基本问题之一。EEG微晶格可以代表大脑认知功能。在本文中，使用了四个EEG微骨（MS1，MS2，MS3，MS4）进行分析，分析受试者的Mi-BCI性能差异，并计算四个微杆菌特征参数（平均持续时间，每秒出现，时间覆盖率和时间覆盖率和过渡概率）。测量了静息状态EEG Microstate特征参数与受试者的MI-BCI性能之间的相关性。基于MS1的发生的负相关性和MS3平均持续时间的正相关性，提出了静静态微晶格预测指标。28名受试者参加我们的MI实验，以评估我们静止状态的Microstate预测指标的性能。实验结果表明，与频谱熵预测变量相比，我们静止状态的Mi-Crostate预测器的平均面积（AUC）值为0.83，增加了17.9％，表明微骨特征参数可以更好地表明受试者的MI-BCI性能比光谱enterpy enterpropy预测器。此外，在单节水平和平均水平上，Microstate预测指标的AUC高于光谱熵预测变量的AUC。总体而言，我们的静止状态微晶格预测指标可以帮助MI-BCI研究人员更好地选择受试者，节省时间并促进MI-BCI的发展。
小学生的创造性思维和大脑网络发展
图1分析管道的示意图。（a）解剖和静止状态数据采集。（b）使用FMRIPREP 20.2.1进行成像数据预处理。（c）使用礼品工具箱的静止状态功能磁共振成像（RS-FMRI）数据的ICA组和三个感兴趣网络的ICS选择（DMN，SN，ECN）。这允许从体素活动产生空间图和时间课程。（d）静态功能网络连接（SFNC）是在所有儿童的平均时间课程上进行的，以生成空间图，时间课程光谱和FNC相关性。（E）在每个孩子的整个时间过程中执行动态功能网络连接（DFNC）。一种基于窗口的方法将信号分为相同长度的小窗口，然后是K-均值算法，将相似窗口重组为簇。分析产生了DFNC措施，例如停留时间（即，参与者在每个大脑状态中花费的时间/扫描）。
主要抑郁症的功能连通性特征：两个多中心神经成像研究的机器学习分析
机器学习的承诺激发了开发精神病学诊断工具的希望。初步研究表明，具有静止状态连接性的主要抑郁症（MDD）鉴定高精度，但由于缺乏大型数据集，进步受到了阻碍。在这里，我们使用常规的机器学习和先进的深度学习算法来区分MDD患者与健康对照的患者，并在两个最大的MDD静止状态数据集中确定抑郁症的神经生理学特征。我们从REST-META-MDD（n = 2338）和PSYMRI（n = 1039）联盟中获得了静止状态功能磁共振成像数据。分类，并使用5倍的交叉验证评估了性能。使用GCN解释器，一项消融研究和单变量t检验来可视化特征。结果显示，MDD与对照组的平均分类精度为61％。分类（非）药物亚组的平均准确性为62％。性别分类的精度在数据集中取得了明显的更好（73 - 81％）。结果的可视化表明，分类是由两个数据集中更强的丘脑连接驱动的，而几乎所有其他连接都较弱，单变量效应大小较小。这些结果表明，整个大脑静息状态的连通性是MDD的可靠生物标志物，但可能是由于疾病异质性所致，因此使用相同的方法进一步支持了性别分类的较高准确性。深度学习表明，在两项多中心研究中，丘脑性超连接性是抑郁症的突出神经生理学特征，这可以指导未来的研究中生物标志物的发展。
静止状态功能性MRI和PET成像作为研究（AB）人类和啮齿动物正常神经发育的非侵入性工具
研究文章| Alpha节奏的行为/认知发展与视觉白质途径和视觉检测性能有关https://doi.org/10.1523/jneurosci.0684-23.2023收到：2023年4月14日收到：2023年11月21日接受：2023年11月21日接受：2023年11月29日