探究事件相关脑电/脑磁信号中的神经表征模式：基于分类解码和表征相似性分析的方法

探究不同心智活动下的神经表征差异, 是认知神经科学关注的核心问题之一。早期的脑电/脑磁分析方法主要关注组平均后的神经响应水平, 这要求在关注的时间进程上, 各个被试在相同刺激条件下事件相关电位/事件相关磁场的振幅大小和方向、以及地形图分布和极性均要有较高的一致性。近些年来, 研究者们将功能性磁共振成像研究中常用到的两种技术——机器学习中的分类算法(即基于分类的解码)和表征相似性分析——引入到了脑电/脑磁数据分析中。这两种新技术可以克服传统脑电/脑磁数据基于具体电压/磁感应强度波形平均分析的缺点, 具有在个体水平上探究神经表征编码的特点, 为人们探究大脑在不同时间进程上如何对特定的神经表征信息进行动态编码提供了新的思路。两种技术基于不同的方法学原理来抽提个体间一致的脑认知加工机制, 还为脑电/脑磁研究开展跨时域、跨任务、跨模态、跨群体比较不同认知过程中的表征差异提供了更多新颖的途径。我们首先通过与传统的脑电/脑磁分析方法进行比较, 系统性介绍了基于分类的解码和表征相似性分析的原理和操作流程, 之后对两种方法的应用场景进行了梳理, 并在最后对未来可供研究的方向提出了我们的见解。     

Brain tumor detection using fusion of hand crafted and deep learning features

The perilous disease in the worldwide now a days is brain tumor. Tumor affects the brain by damaging healthy tissues or intensifying intra cranial pressure. Hence, rapid growth in tumor cells may lead to death. Therefore, early brain tumor diagnosis is a more momentous task that can save patient from adverse effects. In the proposed work, the Grab cut method is applied for accurate segmentation of actual lesion symptoms while Transfer learning model visual geometry group (VGG-19) is fine-tuned to acquire the features which are then concatenated with hand crafted (shape and texture) features through serial based method. These features are optimized through entropy for accurate and fast classification and fused vector is supplied to classifiers. The presented model is tested on top medical image computing and computer-assisted intervention (MICCAI) challenge databases including multimodal brain tumor segmentation (BRATS) 2015, 2016, and 2017 respectively. The testing results with dice similarity coefficient (DSC) achieve 0.99 on BRATS 2015, 1.00 on BRATS 2015 and 0.99 on BRATS 2017 respectively.     

Hierarchical growing grid networks for skeleton based action recognition

In this paper, a novel cognitive architecture for action recognition is developed by applying layers of growing grid neural networks. Using these layers makes the system capable of automatically arranging its representational structure. In addition to the expansion of the neural map during the growth phase, the system is provided with a prior knowledge of the input space, which increases the processing speed of the learning phase. Apart from two layers of growing grid networks the architecture is composed of a preprocessing layer, an ordered vector representation layer and a one-layer supervised neural network. These layers are designed to solve the action recognition problem. The first-layer growing grid receives the input data of human actions and the neural map generates an action pattern vector representing each action sequence by connecting the elicited activation of the trained map. The pattern vectors are then sent to the ordered vector representation layer to build the time-invariant input vectors of key activations for the second-layer growing grid. The second-layer growing grid categorizes the input vectors to the corresponding action clusters/sub-clusters and finally the one-layer supervised neural network labels the shaped clusters with action labels. Three experiments using different datasets of actions show that the system is capable of learning to categorize the actions quickly and efficiently. The performance of the growing grid architecture is compared with the results from a system based on Self-Organizing Maps, showing that the growing grid architecture performs significantly superior on the action recognition tasks.     

信任的认知神经网络模型

信任是指一方在基于对另一方行为期望的基础上愿意冒一定的风险, 以期在将来得到积极结果的心理过程。近年, 认知神经取向的研究对信任行为引起的特定脑区激活进行了考察, 却忽略了大规模脑网络在信任过程中的整体作用。在总结前人研究的基础上提出信任的认知神经网络模型, 并从认知神经网络视角对信任行为进行解释和整合。在模型中, 信任行为是动力系统、情感系统和认知系统相互作用的结果, 并分别与奖励网络、显著网络、中央执行网络和默认网络等神经网络激活有关。此外, 模型还强调信任行为的反馈机制, 以此构成完整的建构模型。模型阐明了心理系统与中枢神经网络之间的对应关系, 从认知神经角度解释了信任行为发生的心理机制和神经基础。     

时距知觉的动物研究范式及相关神经机制

在探索时距知觉的脑机制的过程中, 相对于人类被试相关研究, 动物研究可以提供较多的药理学、分子生物学、单个神经元电生理学以及光遗传等方面的研究证据。目前较为常用的时距知觉动物研究范式包括时间二分法、峰值间隔法以及低比率差别强化法等。根据不同的研究需求, 动物研究的范式常会进行调整。对时距知觉的动物研究的探讨将基于两方面展开：(1) 常用的时距知觉动物研究范式的介绍及比较; (2) 基于动物研究范式的时距知觉神经机制研究进展, 旨在为深入探索时间知觉的心理学相关研究提供参考。     

语义认知的习得、发展和老化及其神经机制

作为语言系统的重要组成部分, 探究语义认知发展机制及其神经机理对揭示人类语言发展、认知机制有着重要意义。以语义认知能力的习得、发展、老化认知机制为主线, 在系统阐释词汇-语义系统的习得、语义认知能力和策略发展的基础上, 进一步探讨了语义认知老化的认知机制及其神经机理。最后, 围绕儿童和成人的语义认知差异、句法和语义认知老化的差异、语义认知老化的影响因素等问题上进行了思考和展望。     

人类性别加工的认知神经机制

性别信息是人类重要的生物和社会属性, 对性别快速而准确的识别对人类的生存和繁衍具有重要意义。人类的性别加工具有自动化、刻板化以及不对称性等特点, 并受性别加工主体、其他性别信息、社会类别信息以及高级认知调节的影响。聚焦于面孔和声音这两个性别信息的主要来源, 综述了性别加工的行为和神经机制研究, 并提出了两阶段性别加工模型, 早期阶段为对性别信息物理属性的特异性加工, 晚期阶段为对抽象性别信息的一般性加工。未来的研究可以重点关注性别加工的系统性研究、性别分类和机器学习、以及性别的二相性问题等方面。     

夜间进食综合征的研究进展

夜间进食综合征是一种表现为早晨没有食欲、晚饭后过量进食或夜间醒来进食的饮食障碍,并且与睡眠问题相关。在国内外文献进行分析研究的基础上,本文先后介绍了夜食症的概念内涵、发病的生理神经机制及主要的干预措施和治疗手段,并对现有研究的不足进行总结,提出了未来研究的方向,旨在为研究者在此领域的进一步探索提供参考。     

等级效标分数的概率神经网络预测方法研究

针对基于统计学的等级效标分数预测存在的问题,提出了运用概率神经网络进行等级效标分数预测的方法。在20种条件下进行了计算机模拟实验,包括测验分数为单变量和多变量,以及各种水平的白噪声干扰条件,结果表明在测验分数为多变量的情况下,或者在有白噪声干扰的条件下,运用概率神经网络方法可以比统计学方法更好地对等级效标分数进行预测。     

从对框架效应的分析看风险决策的神经基础

对风险决策的研究近年来一直是微观经济学和心理学的热门,但是从传统的决策理论到主张有限理性的预期理论大多是对决策行为的研究,决策的心理机制一直是无法解释的黑箱子。令人兴奋的是近几年来神经科学家及其他领域的学者开始用先进的神经心理学的方法来研究风险决策,试图理解神经过程调节风险决策行为的方式。文章从分析违背“不变性”原则的框架效应入手,从正反框架、确定选择和风险选择、风险规避和风险寻求、高估小概率事件几个方面,全面分析风险决策可能的神经基础。在总结已有研究的基础上提出了把风险决策研究扩展到不确定决策,把风险决策中的一次决策研究扩展到多次决策的研究思路