首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
您找到你想要的搜索结果了吗?
是的
没有找到

中国成人脑白质分区与脑功能图谱

脑地图集在研究大脑解剖和功能方面起着重要的作用。随着对多模态磁共振成像(MRI)方法(如结合结构MRI、弥散加权成像(DWI)和静息态功能MRI (rs-fMRI))的兴趣的增加,有必要基于这三种成像方式构建集成的脑地图集。本研究构建了中国成年人群(年龄22-79岁,n = 180)的多模态脑图谱,包括反映脑形态学的T1图谱、描绘复杂纤维结构的高角度分辨率弥散成像(HARDI)图谱和反映单一立体定向坐标下大脑固有功能组织的rs-fMRI图谱。我们采用大变形自形度量映射(LDDMM)和无偏自形图谱生成方法同时生成T1和HARDI图谱。利用谱聚类,我们从rs-fMRI数据中生成了20个脑功能网络。我们通过联合独立成分分析,展示了使用图谱来探索大脑形态、功能网络和白质束之间的一致性标记。

02

NC:生理高频振荡和慢波之间的相-幅耦合的发育图谱

摘要:我们研究了高频振荡(HFO)和调制指数(MI)(HFO与慢波相位之间的耦合测量)的发展变化。我们利用114名患者(年龄1.0-41.5岁)的8251个非癫痫电极部位的硬膜下脑电图信号生成了标准脑图谱,这些患者在癫痫切除手术后实现了癫痫发作控制。我们观察到所有年龄段的枕叶MI均较高,并且枕叶MI在儿童早期显着增加。表现出MI共同生长的皮质区域通过垂直枕叶束和后胼胝体纤维连接。虽然枕叶HFO没有显示出显着的年龄相关性,但颞叶、额叶和顶叶的HFO却表现出与年龄相反。对1006个癫痫发作部位的评估显示,癫痫发作时的z评分归一化MI和HFO高于非癫痫电极部位。

01

Nature子刊:基于多模态研究的面孔识别网络的构建

面部处理支持我们识别朋友和敌人、形成部落和理解面部肌肉组织变化的情感含义的能力。这一技能依赖于大脑区域的分布式网络,但这些区域如何相互作用却知之甚少。在这里,作者将解剖学和功能连接测量与行为测定相结合,创建一个面部连接体的全脑模型。本文分析了关键特性,如网络拓扑结构和纤维组成。作者提出了一个有三个核心流的神经认知模型;沿着这些流的面部处理以平行和交互的方式发生。虽然远距离白质连接通道很重要,但面孔识别网络主要是短距离白质纤维。最后,本文提供的证据表明,众所周知的面部处理的右侧偏侧来自于大脑半球内和半球间的连接不平衡。总之,人脸网络依赖于高度结构化的纤维束之间的动态通信,从而支持行为和认知的连贯的人脸处理。这篇文章发表在期刊Nature Human Behavior杂志上。

02

从洞穴壁画说起,信息可视化图表发展的迷人历史

大数据文摘作品,转载要求见文末 Aileen,范玥灿,王婷 我们目前生活在信息图表和数据可视化的时代。我们可能每天都会在运动游戏,健康应用,观看选举报道,阅读商业报告,或者解码过境地图中看到信息图表。 这些可视化如此流行,因为信息图表是数据,设计,讲故事的完美结合。它们使复杂的信息在几秒钟内被很容易地共享。事实上,信息图表在社交媒体被喜欢和分享的程度比其他任何类型的内容多三倍。但是,这些图形不是在一夜之间就出现的。它们有一个丰富的并可追溯到几千年的历史。 让我们探索早期的古老信息图表,并观察那些将数据

07

利用机器学习和功能连接预测认知能力

使用机器学习方法,可以从个体的脑功能连通性中以适度的准确性预测认知表现。然而,到目前为止,预测模型对支持认知的神经生物学过程的洞察有限。为此,特征选择和特征权重估计需要是可靠的,以确保具有高预测效用的重要连接和环路能够可靠地识别出来。我们全面研究了基于健康年轻人静息状态功能连接网络构建的认知性能各种预测模型的特征权重-重测可靠性(n=400)。尽管实现了适度的预测精度(r=0.2-0.4),我们发现所有预测模型的特征权重可靠性普遍较差(ICC<0.3),显著低于性别等显性生物学属性的预测模型(ICC≈0.5)。较大的样本量(n=800)、Haufe变换、非稀疏特征选择/正则化和较小的特征空间略微提高了可靠性(ICC<0.4)。我们阐明了特征权重可靠性和预测精度之间的权衡,并发现单变量统计数据比预测模型的特征权重稍微更可靠。最后,我们表明,交叉验证折叠之间的特征权重度量一致性提供了夸大的特征权重可靠性估计。因此,如果可能的话,我们建议在样本外估计可靠性。我们认为,将焦点从预测准确性重新平衡到模型可靠性,可能有助于用机器学习方法对认知的机械性理解。

03

Google Earth Engine——全球摩擦面列举了北纬85度和南纬60度之间的所有陆地像素在2015年的名义年的陆地迁移速度。

This global friction surface enumerates land-based travel speed for all land pixels between 85 degrees north and 60 degrees south for a nominal year 2015. This map was produced through a collaboration between the University of Oxford Malaria Atlas Project (MAP), Google, the European Union Joint Research Centre (JRC), and the University of Twente, Netherlands. The underlying datasets used to produce the map include roads (comprising the first ever global-scale use of Open Street Map and Google roads datasets), railways, rivers, lakes, oceans, topographic conditions (slope and elevation), landcover types, and national borders. These datasets were each allocated a speed or speeds of travel in terms of time to cross each pixel of that type. The datasets were then combined to produce this “friction surface”, a map where every pixel is allocated a nominal overall speed of travel based on the types occurring within that pixel, with the fastest travel mode intersecting the pixel being used to determine the speed of travel in that pixel (with some exceptions such as national boundaries, which have the effect of imposing a travel time penalty). This map represents the travel speed from this allocation process, expressed in units of minutes required to travel one meter. It forms the underlying dataset behind the global accessibility map described in the referenced paper.

01

扫码

添加站长 进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

    运营活动

    活动名称
    广告关闭
    领券