周毅航的博客

原创 超详细！超柔纳米电子探针可形成可靠、无胶质瘢痕的神经整合

微信公众号关注: 脑机接口研习社关注脑机接口领域最新发展资讯Abstract侵入式脑电极是体内与单个神经元电接口的唯一手段，但是它们的记录效率和生物相容性使其在科学和临床应用中是有局限的。文章发现具有亚细胞尺寸、超柔韧性和细胞外科手术印记(cellular surgical footprints)的纳米电子线（nanoelectronic thread，NET）电极可形成可靠的、无胶质瘢痕的神经整合(glial scar–free neural integration)。研究者证明了NET电极可..

转载 Day4读书笔记 | 周志华《机器学习》之回归分析

原创 Day3 周志华《机器学习》读书笔记之模型选择

微信公众号关注：脑机接口研习社追踪脑机接口最新发展资讯系列文章目录Day1 当脑机接口遇上机器学习：周志华《机器学习》读书笔记之绪论Day2 周志华《机器学习》读书笔记之模型评估文章目录系列文章目录前言Day 3一、比较检验1. 二项分布和二项检验2. t检验（t-test）3. 交叉验证t检验4. McNemar检验5. Friedman检验二、 偏差和方差三、思考：如何与脑机接口结合前言脑机接口研习社将推出一系列文章，每篇文章将分成两个部分的内容，第一部分是记录小编读书过程的..

原创 利用黎曼几何分析EEG信号（四）：集论初步与拓扑空间初步

微信关注：脑机接口研习社了解脑机接口最新发展资讯系列文章目录脑机接口专栏 | 利用黎曼几何分析EEG脑电信号（一）脑机接口专栏 | 利用黎曼几何分析EEG脑电信号（二）终于更新了！利用黎曼几何分析EEG脑电信号（三）文章目录系列文章目录上节回顾集论拓扑空间上一期我们对拓扑有了定性的理解，并对集论进行了学习，这一期我们继续集论的学习并介绍拓扑空间的概念。上节回顾重点：R^n 这个概念非常重要。我们所在的四位空间可以理解为R^4。自然坐标这个概念也要理解。从自然坐标可以引出距离和..

原创 神经界面专栏 | 超柔纳米电子探针可形成无胶质瘢痕的神经整合（一）

微信关注：脑机接口研习社追踪脑机接口最新资讯文章目录Abstract一、INTRODUCTION二、RESULTSAbstract侵入式脑电极是体内与单个神经元电接口的唯一手段，但是它们的记录效率和生物相容性使其在科学和临床应用中是有局限的。我们发现具有亚细胞尺寸、超柔韧性和细胞外科手术印记(cellular surgical footprints)的纳米电子线（nanoelectronic thread ，NET）电极可形成可靠的、无胶质瘢痕的神经整合(glial scar–free n..

原创 终于更新了！利用黎曼几何分析EEG脑电信号（三）

微信关注：脑机接口研习社追踪脑机接口发展最新资讯系列文章目录脑机接口专栏 | 利用黎曼几何分析EEG脑电信号（一）脑机接口专栏 | 利用黎曼几何分析EEG脑电信号（二）文章目录系列文章目录前言一、对拓扑的定性理解二、集论初步前言在粉丝们的催促下，小编加班加点地学习，终于更新了黎曼几何分析EEG脑电信号的专栏文章！此专栏将在未来的数月时间中进行不定时更新，敬请期待。为保内容精准详实,本文主要是对**梁灿彬老师的《微分几何入门与广义相对论》**的注解，配合网络上的其它资料，以及小编..

原创 Day2 周志华《机器学习》读书笔记之模型评估

公众号关注：脑机接口研习社关注脑机接口最新进展系列文章目录当脑机接口遇上机器学习：周志华《机器学习》读书笔记之绪论文章目录系列文章目录前言一、经验误差与过拟合二、模型的评估：如何得到测试集和训练集？1. 留出法（hold-out）2. 交叉验证法（cross validation）3. 自助法（bootstrapping sampling）三、模型的评估：性能度量1. 错误率与精度——最常用2. 查准率/查全率（Precision/Recall）3. ROC和AUC4. 代价敏感错误率和代价..

原创 当脑机接口遇上机器学习：周志华《机器学习》读书笔记之绪论

微信关注脑机接口研习社，追踪脑机接口最新发展动态文章目录前言Day 1Part I. 第一章绪论:学习笔记Part II. 思考：如何与脑机接口结合前言当脑机接口遇上机器学习，会碰出怎样的火花呢？周志华老师的《机器学习》（西瓜书）是机器学习领域的经典入门教材之一，但这不仅仅只是一本入门书。书的原话：“就算是领域内的专家来看这本书，依旧是会有所收获的，因此这本书是需要精读的，一遍肯定是不够的”。脑机接口研习社将推出一系列文章，每篇文章将分成两个部分的内容，第一部分是记录小编读书过程的学习笔..

原创 如何利用Bindsnet-Python模拟脉冲神经网络（SNN）？Part IV. 创建和添加学习规则

系列文章目录Part I. 建立一个网络BindsNET安装教程Part II. 添加网络元件Part III. 如何运行仿真程序微信公众号关注：脑机接口研习社关注脑机接口最新发展动态文章目录系列文章目录一、创建和添加学习规则（Creating and Adding Learning Rules）1. 什么是学习规则？2. 在BindsNET中创建学习规则二、内容总结一、创建和添加学习规则（Creating and Adding Learning Rules）1. 什么是学习规.

原创 BindsNET-Python模拟SNN教程集锦

关注微信公众号：脑机接口研习社了解脑机接口最近进展BindsNET-Python模拟SNN教程集锦Part I. 建立一个网络BindsNET安装教程Part II. 添加网络元件Part III. 运行仿真程序持续更新中……

原创 如何利用Bindsnet-Python模拟脉冲神经网络（SNN）？Part III. 运行仿真程序（Running Simulations）

系列文章目录Part I. 建立一个网络BindsNET安装教程Part II. 添加网络元件微信搜索：脑机接口研习社关注我们，了解脑机接口最新进展文章目录系列文章目录一、运行仿真程序（Running Simulations）二、仿真笔记（Simulation Notes）三、内容总结一、运行仿真程序（Running Simulations）建立Network对象后，下一步是运行仿真程序。使用代码Network.run运行此功能。Network.run接收的参数包括：i.

原创 如何利用Bindsnet-Python模拟脉冲神经网络（SNN）？Part II. 添加网络元件（Adding Network Components）

系列文章目录Part I. 建立一个网络BindsNET安装教程文章目录系列文章目录添加网络元件（Adding Network Components）1. Creating and adding layers2. Creating and adding connections3. Specifying monitors总结添加网络元件（Adding Network Components）BindsNET支持三类网络组件：神经元层（nodes）神经元之间的连接（bindsnet.netw.

原创 第三代神经网络（SNN）的模拟工具：BindsNET安装教程

微信搜索：脑机接口研习社关注脑机接口最新进展网上教程千奇百怪，试了很多之后，最终探索出最简单快捷的BindsNET安装方式！不了解BindsNET是做什么的童鞋请戳下面的链接：如何利用Bindsnet-Python模拟脉冲神经网络（SNN）？（一）首先需要安装最新版的Anaconda进入Anaconda官网，找到下图所示的下载入口。点击下面的链接，可直接进入Anaconda官网。官网链接：https://docs.anaconda.com/anaconda/install/点击左边..

原创 如何利用Bindsnet-Python模拟脉冲神经网络（SNN）？Part I. 建立一个网络

微信公众号：脑机接口研习社关注脑机接口最新进展脑机接口研习社公众号即将开通机器学习专栏，从本篇文章开始，将介绍如何利用Bindsnet-Python包模拟脉冲神经网络（SNN）。一、脉冲神经网络（SNN）简介首先，我们来看什么是人工神经网络。人工神经网络（Artificial Neural Network，即ANN ），是20世纪80年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神..

原创 MNE-Python脑电数据分析教程集锦

MNE教程往期回顾脑电图和脑磁图(EEG/MEG)的数据分析方法之载入数据MNE脑电数据(EEG/MEG)可视化MNE数据预处理方法——独立成分分析独立成分分析(ICA)的实例应用：消除伪影信号ICA应用：如何识别伪影信号？（一）ICA应用：如何识别伪影信号？（二）ICA应用：如何识别伪影信号？（三）MNE脑电数据预处理持续更新中……...

翻译 Python专栏 | MNE脑电数据预处理

系列文章目录Python专栏 | 脑电图和脑磁图(EEG/MEG)的数据分析方法之载入数据Python专栏 | MNE脑电数据(EEG/MEG)可视化Python专栏 | MNE数据预处理方法——独立成分分析Python专栏 | 独立成分分析(ICA)的实例应用：消除伪影信号Python专栏 | ICA应用：如何识别伪影信号？（一）Python专栏 | ICA应用：如何识别伪影信号？（二）Python专栏 | ICA应用：如何识别伪影信号？（三）持续更新中……文章目录系列文章目录数据预.

翻译 Python专栏 | ICA应用：如何识别伪影信号？（三）

系列文章目录Python专栏 | 脑电图和脑磁图(EEG/MEG)的数据分析方法之载入数据Python专栏 | MNE脑电数据(EEG/MEG)可视化Python专栏 | MNE数据预处理方法——独立成分分析Python专栏 | 独立成分分析(ICA)的实例应用：消除伪影信号Python专栏 | ICA应用：如何识别伪影信号？（一）Python专栏 | ICA应用：如何识别伪影信号？（二）持续更新中……文章目录系列文章目录Selecting ICA components using te.

翻译 Python专栏 | ICA应用：如何识别伪影信号？（二）

系列文章目录Python专栏 | 脑电图和脑磁图(EEG/MEG)的数据分析方法之载入数据Python专栏 | MNE脑电数据(EEG/MEG)可视化Python专栏 | MNE数据预处理方法——独立成分分析Python专栏 | 独立成分分析(ICA)的实例应用：消除伪影信号Python专栏 | ICA应用：如何识别伪影信号？（一）持续更新中……文章目录系列文章目录Using a simulated channel to select ICA components总结Using a .

翻译 Python专栏 | ICA应用：如何识别伪影信号？（一）

系列文章目录Python专栏 | 脑电图和脑磁图(EEG/MEG)的数据分析方法之载入数据Python专栏 | MNE脑电数据(EEG/MEG)可视化Python专栏 | MNE数据预处理方法——独立成分分析Python专栏 | 独立成分分析(ICA)的实例应用：消除伪影信号持续更新中……文章目录系列文章目录识别伪影信号的方法1. Selecting ICA components manually （手动识别）2. Using an EOG channel to select ICA com.

翻译 Python专栏 | 独立成分分析(ICA)的实例应用：消除伪影信号

系列文章目录Python专栏 | 脑电图和脑磁图(EEG/MEG)的数据分析方法之载入数据Python专栏 | MNE脑电数据(EEG/MEG)可视化Python专栏 | MNE数据预处理方法——独立成分分析持续更新中……文章目录系列文章目录举个例子1. 载入数据（Loading data）2. Visualizing the artifacts3. Filtering to remove slow drifts4. Fitting and plotting the ICA solution总.

翻译 Python专栏 | MNE数据预处理方法——独立成分分析

系列文章目录Python专栏 | 脑电图和脑磁图(EEG/MEG)的数据分析方法（一）Python专栏 | 脑电图和脑磁图(EEG/MEG)的数据分析方法（二）文章目录系列文章目录预处理（Preprocessing）预处理（Preprocessing）MNE-Python支持多种预处理的方法和技术，如麦克斯韦滤波，信号空间投影，独立成分分析，滤波，降噪采样等（maxwell filtering, signal-space projection, independent component.

原创 脑机接口专栏 | 如何分析静息状态的fMRI数据？（三）

系列文章目录脑机接口专栏 | 如何分析静息状态的fMRI数据？（一）脑机接口专栏 | 如何分析静息状态的fMRI数据？（二）文章目录系列文章目录一、Functional Integration Methods for Identifying Neural Networks1. Functional Connectivity Density Analysis2. Seed-Based Functional Connectivity Analysis3. Independent Component .

翻译 Python专栏 | MNE脑电数据(EEG/MEG)可视化

系列文章目录Python专栏 | 脑电图和脑磁图(EEG/MEG)的数据分析方法（一）文章目录系列文章目录正文总结正文MNE包的核心结构之一——Raw的对象里有几种内置的可视化EEG/MEG数据的方法。​代码示例：raw.plot_psd(fmax=50)Note：我们用plot_psd显示每种传感器类型的功率谱密度（Power Spectral Density，PSD）。fmax=50表示仅绘制50 Hz以下的频率（因为我们的数据以40 Hz进行低通滤波）。​功率谱密度.

原创 脑机接口专栏 | 如何分析静息状态的fMRI数据？（二）

系列文章目录脑机接口专栏 | 如何分析静息状态的fMRI数据？（一）文章目录系列文章目录一、Functional Segregation Methods for Identifying Neural Networks二、ALFF Analysis三、Regional Homogeneity Analysis一、Functional Segregation Methods for Identifying Neural Networks功能分离根据大脑的特定功能将大脑分为多个区域：低频波动幅度.

原创 脑机接口专栏 | 如何分析静息状态的fMRI数据？（一）

文章目录摘要一、Introduction二、Analytic Methods摘要Biswal等人于1995年首次描述了静息状态功能磁共振成像（Rest-state fMRI），此后已广泛用于健康的受试者以及患有各种神经系统疾病、神经外科疾病和精神疾病的患者。与基于范例或基于任务的fMRI相反，静息状态的fMRI不需要受试者执行任何特定任务。静息状态fMRI信号的低频振荡（low-frequency oscillation）已被证明与自然神经活动有关。有很多方法可以分析静息状态的fMRI数据。在这篇..

原创 静息状态下的低频全身血液动力学“噪声” BOLD fMRI：特征，原因，含义，缓解及应用（二）

系列文章目录静息状态下的低频全身血液动力学“噪声” BOLD fMRI：特征，原因，含义，缓解及应用（一）文章目录系列文章目录一、Potential Causes of the Low Frequency Oscillation二、Variations in Heart Rate and Respiratory Volumes1.Carbon Dioxide2.Mayer Waves3.Vasomotion From Oscillations in the Vascular Tone4.Alias.

原创 静息状态下的低频全身血液动力学“噪声” BOLD fMRI：特征，原因，含义，缓解及应用（一）

文章目录摘要一、Introduction二、LFO信号来源1.Characteristics of Low Frequency Oscillations2.Frequency Content3.Dynamic Versus Stationary Noise Signals4.Temporal Pattern – sLFOs Propagate on a Hemodynamic Timescale5.Spatial Pattern – sLFOs Travel Along the Vasculature6..

翻译 Python专栏 | 脑电图和脑磁图(EEG/MEG)的数据分析方法之载入数据

文章目录前言一、载入数据（Loading data）二、总结前言有关脑电图（EEG）的内容请看下面这篇文章。脑机接口专栏 | 利用黎曼几何分析EEG脑电信号（一）脑磁图(Magnetoencephalography)，或简称MEG，是集低温超导、生物工程、电子工程、医学工程等二十一世纪尖端科学技术于一体，是无创伤性地探测大脑电磁生理信号的一种脑功能检测技术。在MEG 问世以前,只有EEG 能检测神经元电活动,EEG 被广泛应用于癫痫的诊断,发作分类及痫性病灶的定位。但头皮EEG 的空间分辨...

原创 脑机接口专栏 | 利用黎曼几何分析EEG脑电信号（二）

系列文章目录脑机接口专栏 | 利用黎曼几何分析EEG脑电信号（一）马可·康盖多（Marco Congedo）等人提出了一个可能的新一代脑机接口BCI的概念图，如下图所示。▲Figure 1 Concept for a possible new generation of BCIsMarco Congedo等人假设，多个脑机接口设备可以通过无线连接的方式与云端服务器连接，同时这个云端服务器也在不断地接收脑机接口设备传送的用户数据（User Data）。像上面图片的右半部分显示的那样，脑机接口

原创 脑机接口专栏 | 利用黎曼几何分析EEG脑电信号（一）

文章目录前言一、黎曼几何二、EEG脑电信号前言想要读懂这篇文章，首先需要搞懂标题中出现的两个专有名词——黎曼几何和EEG脑电信号。这是一期关于脑机接口的连载文章，带大家认识新一代的脑机接口BCI。一、黎曼几何黎曼几何由德国数学家波恩哈德·黎曼（Georg Friedrich Bernhard Riemann）创立，他在1851年所作的一篇论文《论几何学作为基础的假设》中明确的提出另一种几何学的存在，开创了几何学的一片新的广阔领域。▲黎曼照片相信许多人同我一样，对黎曼几何比较陌生，...

原创 后基因组行为遗传学：从革命到常规（下）

系列文章链接后基因组行为遗传学：从革命到常规（上）：https://blog.csdn.net/weixin_44099023/article/details/112177894文章目录一、全转录组、全表观基因组和其组学结合的行为分析二、降低复杂性杂交：一种依赖全基因组序列的新方法三、​基因分型四、​一些研究热点1.社会遗传学 social genetics2.对野生动物进行研究，不囿于模式动物3.行为遗传学，大脑结构和连接组(connectome)4.在模式生物和人类中的直接同源行为(Dire.

原创 后基因组行为遗传学：从革命到常规（上）

行为基因组学（Behavioral Genomics）是从行为遗传学（Behavioral Genetics）衍生出来的学科，它结合了遗传学的各个要素，采用基因组学的研究方法来解决行为遗传学的问题，是对生物的整个基因组进行研究的科学。老周说，行为遗传学是行为基因组学的爸爸，那么首先从行为遗传学开始讲起。