Neural backpropagation とは

神経の逆伝播は、ニューロンの活動電位が、軸索の終わり(正常な伝播)および元の入力電流の大部分が由来する樹状突起または樹状突起への電圧スパイクの両方を生じる現象である。活動電位の能動的な逆伝播に加えて、受動的な電場拡散も存在する。逆伝播活動電位の存在を証明する十分な証拠があるが、そのような活動電位の機能およびそれらが最も遠位の樹状突起に浸潤する程度は非常に議論の余地がある。

Stereopsis recovery とは

立体矯正からの回復もまた、立体矯正患者が立体視(ステレオシス)の部分的または完全な能力を獲得する現象である。
ステレオビジョン患者の治療的処置へのアプローチとして、可能な限り立体視を回復することは、長い間確立されてきた。治療は、非常に幼い子供、および病状のために立体視能力を獲得したが失った患者のステレオビジョンを回復することを目指している。これとは対照的に、この目標は、生後数年の間に立体視を学ぶことを忘れた人の治療には通常は現れていない。事実、両眼および立体視の取得は、乳児期および幼児期の臨界期にこの技能を習得しない限り、長い間不可能であると考えられていました。この仮説は通常疑問視され、何十年にもわたって両眼障害に対する治療的アプローチの基礎を形成してきた。それは近年疑問視されている。特に、立体視の回復に関する研究が科学雑誌に掲載され始めて以来、神経科学者のスーザン・R・バリーが成人期に立体視を達成したことは公然と知られており、この仮定は科学的教義の立場を取っていると考えられている。
非常に最近、以前は立体視力を持っていなかった大人や青年の立体視回復に関する科学的調査が増加しています。成人が立体視を得るかもしれないことが現在示されているが、立体視者がそうする可能性を予測することはまだできておらず、最良の治療手順について一般的な合意もない。また、小児内視鏡を有する小児の治療への可能性のある含意もまだ研究中である。

Cranial electrotherapy stimulation とは

頭蓋電気療法刺激(CES)は、ヘッド上の電極を介して、小さなパルス状の交流電流を送達する神経刺激の一形態である。 CESは、不安、うつ病、不眠症などのさまざまな状態を治療する意図で使用されています。 CESは頭痛、線維筋痛、禁煙、アヘン剤禁断症状の可能性のある治療法として提案されているが、これらの症状の多くについて有効性の証拠はほとんどなく、急性うつ病における使用の証拠はそれを正当化するには不十分である。

Computational anatomy とは

計算解剖学は、解剖学的形状変動の定量的調査およびモデリングに焦点を当てた、生物学の学際的分野である。それは、生物学的構造のモデリングおよびシミュレーションのための数学的、統計的およびデータ分析的方法の開発および適用を含む。
この分野は広く定義されており、解剖学、応用数学と純粋数学、機械学習、計算力学、計算科学、生物学イメージング、神経科学、物理学、確率、統計などの基礎を含む。流体力学や幾何学的力学との強いつながりも持っています。さらに、それは、バイオインフォマティクスおよびニューロインフォマティクスのようなより新しい、学際的な分野を補完する。その意味は、元のセンサーイメージングモダリティ(磁気共鳴イメージングの一例)由来のメタデータを使用するという意味である。これは、医用イメージング装置ではなく、画像化されている解剖学的構造に焦点を当てている。それは、伝達言語と通信媒体として機能するセンサではなく、言語的構造に焦点を当てた学問分野である計算言語学の歴史と似ています。
計算の解剖学では、diffiomorphism群は、 R 3 {\displaystyle {\mathbb {R} }^{3}} の流れのラグランジュとオイラーの速度を介して生成される座標変換を介して異なる座標系を研究するために使用されます。計算解剖学における座標間の流れは、流れの運動エネルギーに対する最小の作用の原理を満たす測地線の流れに制約される。運動エネルギーは、流速の各成分に対して厳密に2つ以上の一般化された二乗積分可能な導関数を持つSobolev平滑度ノルムによって定義され、これは R 3 {\displaystyle \mathbb {R} ^{3}} の流れが異同であることを保証する。また、測地学のオイラー・ラグランジュ方程式を満たす点で取られた微分形モーメントは、速度場上の空間微分を介してその隣人によって決定されることを意味する。これは、運動量が速度の点の関数である非圧縮性流体の場合と規律を分離する。計算上の解剖学は、リーマン多様体の研究と非同次的なグローバル解析を交差させています。新しく形成された高次元の形状理論は、計算の解剖学における多くの研究の中心であり、形状統計の新興分野から出てくる問題です。計算解剖学における計量構造は精神において形態計測に関連しており、計算解剖学は異型によって変形された座標系の無限次元の空間に焦点を当てているという点を区別しているので、座標系の計量空間研究diffiomorphismsを介して。

Neuromorphic engineering とは

ニューロモルフィック・エンジニアリング(neuromorphic engineering)は、ニューロモルフィック・コンピューティングとも呼ばれ、1980年代後半にCarver Meadによって開発されたコンセプトであり、電子アナログ回路を含む超大規模集積回路(VLSI)システム。近年、ニューロモルフィックという用語は、アナログ、デジタル、混合モードのアナログ/デジタルVLSI、および神経システムのモデル(知覚、運動制御、または多感覚統合)を実装するソフトウェアシステムを記述するために使用されてきました。ハードウェアレベルでのニューロモルフィックコンピューティングの実装は、酸化物ベースのメンリスタ、閾値スイッチ、およびトランジスタによって実現することができる。
ニューロモルフィックエンジニアリングの重要な側面は、個々のニューロン、回路、アプリケーション、および全体的なアーキテクチャの形態が望ましい計算をどのようにして作成し、情報の表現に影響を与え、損傷に対する頑強さに影響し、学習と開発を組み込み、局所的な変化(可塑性)進化の変化を促進する。
ニューロモルフィック・エンジニアリングは、生物学、物理学、数学、コンピュータサイエンス、電子工学からインスピレーションを得て、視覚システム、頭脳システム、聴覚プロセッサ、自律ロボットなどの人工神経システムを設計する学際的なテーマです。原理は生物学的神経系の原理に基づいている。

Maximally informative dimensions とは

最大の有益な次元は、神経応答の統計的分析に用いられる次元削減技術である。具体的には、それは、刺激に関する可能な限り多くの情報が神経応答に保存されるように、低次元部分空間に刺激を投影する方法である。自然の刺激は、典型的には、それらの統計によって、白色雑音にまたがる空間よりも低い次元の空間に限定されるという事実によって動機付けられる。しかしながら、この部分空間内では、刺激応答関数は線形または非線形のいずれかであり得る。このアイディアはもともと、2003年にTatyana Sharpee、Nicole Rust、William Bialekによって開発されました。

Neural oscillation とは

神経振動または脳波は、中枢神経系における神経活動のリズムまたは反復パターンである。神経組織は、個々のニューロン内のメカニズムまたはニューロン間の相互作用のいずれかによって駆動される、様々な方法で振動活動を生成することができる。個々のニューロンでは、振動は膜電位の振動として、またはシナプス後ニューロンの振動的活性化を生じる活動電位のリズムパターンとして現れることがある。神経アンサンブルのレベルでは、多数のニューロンの同期化された活動は、脳波で観察される巨視的な振動を生じさせる可能性がある。ニューロン群における振動活動は、一般に、発射パターンの同期化をもたらすニューロン間のフィードバック接続から生じる。ニューロン間の相互作用は、個々のニューロンの発火頻度とは異なる周波数で振動を生じさせる可能性がある。巨視的な神経振動のよく知られた例はアルファ活動である。
1924年の早い時期に研究者によって神経振動が観察された(Hans Bergerによる)。 50年以上後、脊椎動物のニューロンに内在する振動的挙動が見られたが、その機能的役割は依然として完全には理解されていない。神経振動の可能な役割には、フィーチャ結合、情報伝達メカニズムおよびリズミカルな運動出力の生成が含まれる。過去数十年にわたり、特に脳画像の進歩により、より多くの洞察が得られました。神経科学の主要な研究分野は、振動がどのように生成され、その役割が何であるかを決定することです。脳における振動活動は、異なる組織レベルで広く観察され、神経情報の処理において重要な役割を果たすと考えられている。数多くの実験的研究が、神経振動の機能的役割を支持する。しかし、統一された解釈は、まだ欠けている。

Scene statistics とは

シーン統計は、知覚の分野内の規律です。それはシーンに関連する統計的規則性に関係する。知覚システムはシーンを解釈するように設計されているという前提に基づいています。
生物学的知覚システムは、自然環境の物理的特性に応じて進化してきた。したがって、自然なシーンには大きな注目が集まります。
ナチュラルシーン統計は、通常、シグナル検出理論、情報理論、または推定理論を組み込むことによって、理想的なオブザーバの動作を自然なタスクで定義するのに役立ちます。
Natural Scenes Statistics Modelsの最も成功したアプリケーションの1つは、知覚画像とビデオ品質予測です。例えば、画像およびビデオの歪みの程度を測定するために使用される視覚情報忠実度(VIF)アルゴリズムは、圧縮などの処理後の知覚品質を評価するために画像およびビデオ処理コミュニティによって広範囲にわたって使用される。視覚信号の外観を劣化させる可能性があります。シーン統計は歪みによって変化し、視覚システムはシーン統計の変化に敏感であるという前提があります。 VIFはストリーミングテレビ業界で頻繁に使用されています。ナチュラルシーン統計を使用する他の一般的な画質モデルには、BRISQUEとNIQEの両方が含まれていますが、どちらも参照しません。なぜなら、品質を測定するためのリファレンスピクチャを必要としないからです。

Large scale brain networks とは

大規模な脳ネットワークは、fMRIのBOLD信号または他の信号変動の統計分析による機能的な連結性を示す広範な脳領域の集合体である。神経科学における新たなパラダイムは、個々の脳領域が孤立して働くのではなく、密接に結合した活動のために「機能的につながっている」と言われるいくつかの別個の脳領域からなるネットワークによって行われることである。機能的接続性は、EEG、MEG、または他の動的脳信号の長距離同期として測定することができる。同期化された脳領域は、空間的独立成分分析を用いて同定することもできる。大規模なネットワークで一緒にリンクされている同定された脳領域のセットは、認知機能によって変化する。認知状態が明白でない場合(すなわち、被験者が「休息」にある場合)、大規模な脳ネットワークは休息状態ネットワーク(RSN)である。グラフのような特性を有する物理的システムとして、大規模な脳ネットワークはノードとエッジの両方を有し、脳領域の共活性化によって単に同定することはできない。ここ数十年、脳ネットワークの解析は、画像技術の進歩とグラフ理論と力学系からの新しいツールによって実現可能になった。大規模な脳ネットワークは、その機能によって特定され、脳領域の異なるセットが自己組織化された連合として一緒に結合するときに、異なる認知機能がどのように現れるかの神経モデルを提供することによって、認知を理解するための一貫したフレームワークを提供する。様々なネットワークにおける活動の中断は、うつ病、アルツハイマー病、自閉症スペクトル障害、統合失調症および双極性障害などの神経精神障害に関与している。

Budapest Reference Connectome とは

Budapest Reference Connectomeサーバーは、418人の健康な被験者の頻繁に現れる解剖学的脳接続を計算します。 Human Connectome Projectの拡散MRIデータセットからリファレンスコネクトーム(または脳のグラフ)に作成されました。これはCSVおよびGraphML形式でダウンロードし、3Dでサイト上で視覚化することができます。