Окситоцин усиливает респираторную вариабельность сердечного ритма (RespHRV) через нейронный путь гипоталамус–ствол мозга–сердце. Нейроны окситоцина из паравентрикулярного ядра гипоталамуса регулируют активность тормозных нейронов в комплексе пре-Бётцингера, усиливая глицинергический сигнал к парасимпатическим нейронам ядра амбигуус во время вдоха. Это увеличивает RespHRV, способствуя восстановлению сердечной активности при успокоении после стресса у мышей.
https://www.nature.com/articles/s41593-025-02074-2
https://www.nature.com/articles/s41593-025-02074-2
Nature
Oxytocin modulates respiratory heart rate variability through a hypothalamus–brainstem–heart neuronal pathway
Nature Neuroscience - Buron et al. show that oxytocin enhances heart rate variability linked to breathing during recovery from stress. This calming and cardio-protective effect is produced through...
👍5
Из рубрики "Рассказы об искусственном интеллекте"
Data-driven prediction of structure of metal-organic frameworks
Представьте себе молекулярные конструкторы наномасштаба. Ученые работают с особыми материалами, металло-органическими каркасами. Эти материалы похожи на губки, состоящие из металлических узлов и органических связующих. Их главная ценность заключается в пористой структуре, которая позволяет захватывать определенные молекулы, например, углекислый газ из дымовых газов заводов.
Однако существует фундаментальная проблема. Один и тот же набор металлических и органических компонентов может объединиться в несколько различных кристаллических структур, подобно тому, как из одних и тех же деталей лего можно собрать разные модели. Эти различные формы называются полиморфами. И именно от структуры полиморфа зависит, насколько эффективно материал будет выполнять свою задачу, например, по поглощению углекислого газа.
Традиционные методы прогнозирования конечной структуры требуют огромных вычислительных ресурсов и времени, что делает массовый поиск новых материалов крайне медленным.
Группа российских исследователей предложила новый, более быстрый подход, основанный на данных и искусственном интеллекте. Вместо сложных физических расчетов их метод опирается на анализ закономерностей. Ученые использовали обширную базу данных уже известных и расшифрованных структур металло-органических каркасов. Они обучили нейронную сеть находить связи между типами строительных блоков и той пространственной архитектурой, или топологией, которую они образуют. По сути, нейросеть научилась предсказывать наиболее вероятную структуру по набору компонентов.
Результаты оказались многообещающими. Модель продемонстрировала высокую точность в предсказании топологии. Более того, исследователи разработали способ определять, когда модель менее уверена в своем прогнозе, что позволяет отфильтровать ненадежные результаты и работать только с самыми достоверными предсказаниями.
Чтобы продемонстрировать практическую значимость своего метода, ученые смоделировали процесс разделения дымовых газов. Они показали, что разные полиморфы, собранные из идентичных компонентов, могут кардинально различаться по своей эффективности. В одном из примеров разница в способности поглощать углекислый газ между двумя полиморфами достигла девяти раз. Это наглядно доказывает, что игнорирование проблемы полиморфизма может привести к выбору неоптимального материала.
Таким образом, этот новый подход служит интеллектуальным фильтром. Он не заменяет фундаментальные исследования, но позволяет значительно ускорить начальные этапы поиска, выделяя наиболее перспективные кандидаты для дальнейшего углубленного изучения, что открывает новые возможности для быстрого дизайна функциональных материалов.
https://arxiv.org/html/2408.10814v2
Data-driven prediction of structure of metal-organic frameworks
Представьте себе молекулярные конструкторы наномасштаба. Ученые работают с особыми материалами, металло-органическими каркасами. Эти материалы похожи на губки, состоящие из металлических узлов и органических связующих. Их главная ценность заключается в пористой структуре, которая позволяет захватывать определенные молекулы, например, углекислый газ из дымовых газов заводов.
Однако существует фундаментальная проблема. Один и тот же набор металлических и органических компонентов может объединиться в несколько различных кристаллических структур, подобно тому, как из одних и тех же деталей лего можно собрать разные модели. Эти различные формы называются полиморфами. И именно от структуры полиморфа зависит, насколько эффективно материал будет выполнять свою задачу, например, по поглощению углекислого газа.
Традиционные методы прогнозирования конечной структуры требуют огромных вычислительных ресурсов и времени, что делает массовый поиск новых материалов крайне медленным.
Группа российских исследователей предложила новый, более быстрый подход, основанный на данных и искусственном интеллекте. Вместо сложных физических расчетов их метод опирается на анализ закономерностей. Ученые использовали обширную базу данных уже известных и расшифрованных структур металло-органических каркасов. Они обучили нейронную сеть находить связи между типами строительных блоков и той пространственной архитектурой, или топологией, которую они образуют. По сути, нейросеть научилась предсказывать наиболее вероятную структуру по набору компонентов.
Результаты оказались многообещающими. Модель продемонстрировала высокую точность в предсказании топологии. Более того, исследователи разработали способ определять, когда модель менее уверена в своем прогнозе, что позволяет отфильтровать ненадежные результаты и работать только с самыми достоверными предсказаниями.
Чтобы продемонстрировать практическую значимость своего метода, ученые смоделировали процесс разделения дымовых газов. Они показали, что разные полиморфы, собранные из идентичных компонентов, могут кардинально различаться по своей эффективности. В одном из примеров разница в способности поглощать углекислый газ между двумя полиморфами достигла девяти раз. Это наглядно доказывает, что игнорирование проблемы полиморфизма может привести к выбору неоптимального материала.
Таким образом, этот новый подход служит интеллектуальным фильтром. Он не заменяет фундаментальные исследования, но позволяет значительно ускорить начальные этапы поиска, выделяя наиболее перспективные кандидаты для дальнейшего углубленного изучения, что открывает новые возможности для быстрого дизайна функциональных материалов.
https://arxiv.org/html/2408.10814v2
👍1
Из рубрики "Рассказы об искусственном интеллекте"
Ученые использовали искусственный интеллект, чтобы быстро найти новые перспективные материалы для топливных элементов. Они исследовали металло-органические каркасы (МОК) — пористые кристаллы, которые могут проводить протоны. Вместо долгих экспериментов они обучили нейросеть на данных о нескольких сотнях таких материалов. Эта умная модель проанализировала десятки тысяч уже известных МОК и предсказала, какие из них будут проводить протоны лучше всего. В результате она выделила несколько многообещающих кандидатов, например, на основе магния, которые раньше для этой цели не рассматривались. Этот подход ускоряет поиск новых материалов и помогает целенаправленно проводить эксперименты.
https://chemrxiv.org/engage/chemrxiv/article-details/67437a205a82cea2faabeafe
Ученые использовали искусственный интеллект, чтобы быстро найти новые перспективные материалы для топливных элементов. Они исследовали металло-органические каркасы (МОК) — пористые кристаллы, которые могут проводить протоны. Вместо долгих экспериментов они обучили нейросеть на данных о нескольких сотнях таких материалов. Эта умная модель проанализировала десятки тысяч уже известных МОК и предсказала, какие из них будут проводить протоны лучше всего. В результате она выделила несколько многообещающих кандидатов, например, на основе магния, которые раньше для этой цели не рассматривались. Этот подход ускоряет поиск новых материалов и помогает целенаправленно проводить эксперименты.
https://chemrxiv.org/engage/chemrxiv/article-details/67437a205a82cea2faabeafe
ChemRxiv
Examining proton conductivity of metal-organic frameworks by means of machine learning
The tunable structure of metal–organic frameworks (MOFs) is an ideal platform to meet contradictory requirements for proton exchange membranes: a key component of fuel cells. Nonetheless, rational design of proton-conducting MOFs remains a challenge owing…
Из рубрики "Рассказы об искусственном интеллекте"
Представьте себе скромную видеокарту, главной задачей которой было показывать картинки в играх. Она была просто мастером по рисованию пикселей. Но оказалось, что её главная суперсила — умение делать множество простых вычислений одновременно — идеально подходит для совсем другого дела: для искусственного интеллекта.
Всё изменилось, когда в 2012 году ИИ-модель AlexNet, работая на видеокарте, с огромным отрывом выиграла конкурс по распознаванию изображений. Это был момент озарения: будущее ИИ — в игровых видеокартах! Производители бросились улучшать их, добавляя специальные «тензорные ядра» — мозги для операций ИИ. Теперь эти процессоры не просто рисуют игры, а обучают нейросети, которые отвечают вам в чате, распознают лица и управляют беспилотниками.
А что же игры? Получилось замкнутый круг: те самые «мозги ИИ», которые обучают нейросети в дата-центрах, теперь и в вашем компьютере. Они помогают видеокарте умно повышать разрешение картинки в играх, делая её чётче и плавнее. Так что геймеры тоже в выигрыше.
Сегодня «видеокарта» — это уже не только про видео. Это универсальный двигатель для вычислений, который работает везде: от гигантских серверов до вашего смартфона, машины и умной колонки. Всё, что связано с ИИ, так или иначе работает на технологиях, рождённых из простой пиксельной магии.
https://www.jonpeddie.com/news/what-started-as-a-pixel-pusher-became-the-heart-of-ai/?utm_source=engtechnica
Представьте себе скромную видеокарту, главной задачей которой было показывать картинки в играх. Она была просто мастером по рисованию пикселей. Но оказалось, что её главная суперсила — умение делать множество простых вычислений одновременно — идеально подходит для совсем другого дела: для искусственного интеллекта.
Всё изменилось, когда в 2012 году ИИ-модель AlexNet, работая на видеокарте, с огромным отрывом выиграла конкурс по распознаванию изображений. Это был момент озарения: будущее ИИ — в игровых видеокартах! Производители бросились улучшать их, добавляя специальные «тензорные ядра» — мозги для операций ИИ. Теперь эти процессоры не просто рисуют игры, а обучают нейросети, которые отвечают вам в чате, распознают лица и управляют беспилотниками.
А что же игры? Получилось замкнутый круг: те самые «мозги ИИ», которые обучают нейросети в дата-центрах, теперь и в вашем компьютере. Они помогают видеокарте умно повышать разрешение картинки в играх, делая её чётче и плавнее. Так что геймеры тоже в выигрыше.
Сегодня «видеокарта» — это уже не только про видео. Это универсальный двигатель для вычислений, который работает везде: от гигантских серверов до вашего смартфона, машины и умной колонки. Всё, что связано с ИИ, так или иначе работает на технологиях, рождённых из простой пиксельной магии.
https://www.jonpeddie.com/news/what-started-as-a-pixel-pusher-became-the-heart-of-ai/?utm_source=engtechnica
Jon Peddie Research
What started as a pixel pusher became the heart of AI
The GPU has evolved and become critically important.
👍1💯1
Из рубрики "Рассказы об искусственном интеллекте"
Ученые создали простой метод для быстрого распознавания структуры сложных перовскитных материалов по данным рентгеновской дифракции. Обычно такой анализ требует много времени и большой экспертной квалификации. Новый подход использует машинное обучение и позволяет автоматически определять ключевые характеристики материала, такие как размерность неорганического каркаса и тип структуры. Метод показал высокую точность как на теоретических, так и на экспериментальных данных, что значительно ускоряет и упрощает изучение этих перспективных материалов.
https://pubs.rsc.org/en/content/articlelanding/2025/nr/d4nr04531a
Ученые создали простой метод для быстрого распознавания структуры сложных перовскитных материалов по данным рентгеновской дифракции. Обычно такой анализ требует много времени и большой экспертной квалификации. Новый подход использует машинное обучение и позволяет автоматически определять ключевые характеристики материала, такие как размерность неорганического каркаса и тип структуры. Метод показал высокую точность как на теоретических, так и на экспериментальных данных, что значительно ускоряет и упрощает изучение этих перспективных материалов.
https://pubs.rsc.org/en/content/articlelanding/2025/nr/d4nr04531a
pubs.rsc.org
Machine learning recognition of hybrid lead halide perovskites and perovskite-related structures from X-ray diffraction patterns
Identification of crystal structures is a crucial stage in the exploration of novel functional materials. This procedure is usually time-consuming and can be false-positive or false-negative. This necessitates a significant level of expert proficiency in…
Абсолютно ничего не понял, но очень интересно
Современные системы, которые создают музыку по текстовому запросу, демонстрируют впечатляющий прогресс. Они могут передать настроение, тембр или жанр, но сталкиваются с фундаментальной проблемой: неспособностью создать целостное, развивающееся во времени произведение. Они вызывают эмоцию, но не выстраивают тему; звучат музыкально, но не рассказывают историю. Эта неудача не просто техническая — она отражает «трудную проблему» сознания: как из отдельных сигналов рождается единый, структурированный опыт.
В обеих областях мы видим схожий вызов: как из фрагментированного входа, будь то текст или нервные импульсы, возникает сложный, внутренне согласованный выход — музыка или переживание. Ключевая трудность заключается не в стиле или функции, а в форме, памяти и развитии. Например, музыкальный мотив похож на квалиа в сознании — простейший элемент ощущения. И мотив, и квалиа обретают смысл только будучи вплетенными в более крупную структуру, которая развивается и вспоминается.
Преодоление этого разрыва требует не постепенного улучшения, а своеобразного «тоннелирования» — скачкообразного перехода к новой, более когерентной структуре. Таким образом, задача генерации музыки становится полигоном для изучения фундаментальных принципов возникновения сложных систем — не только в звуке, но и в разуме. В конечном счете, именно структура, а не просто сигнал, превращает набор нот в осмысленную музыку, а набор ощущений — в целостное сознание.
Современные системы, которые создают музыку по текстовому запросу, демонстрируют впечатляющий прогресс. Они могут передать настроение, тембр или жанр, но сталкиваются с фундаментальной проблемой: неспособностью создать целостное, развивающееся во времени произведение. Они вызывают эмоцию, но не выстраивают тему; звучат музыкально, но не рассказывают историю. Эта неудача не просто техническая — она отражает «трудную проблему» сознания: как из отдельных сигналов рождается единый, структурированный опыт.
В обеих областях мы видим схожий вызов: как из фрагментированного входа, будь то текст или нервные импульсы, возникает сложный, внутренне согласованный выход — музыка или переживание. Ключевая трудность заключается не в стиле или функции, а в форме, памяти и развитии. Например, музыкальный мотив похож на квалиа в сознании — простейший элемент ощущения. И мотив, и квалиа обретают смысл только будучи вплетенными в более крупную структуру, которая развивается и вспоминается.
Преодоление этого разрыва требует не постепенного улучшения, а своеобразного «тоннелирования» — скачкообразного перехода к новой, более когерентной структуре. Таким образом, задача генерации музыки становится полигоном для изучения фундаментальных принципов возникновения сложных систем — не только в звуке, но и в разуме. В конечном счете, именно структура, а не просто сигнал, превращает набор нот в осмысленную музыку, а набор ощущений — в целостное сознание.
👍5😱1💯1
Компания Subsense разрабатывает технологию, которая в будущем может стать первым неинвазивным двусторонним интерфейсом «мозг-компьютер» на основе наночастиц. В отличие от существующих хирургических имплантов, их система использует два типа вдыхаемых через нос наночастиц.
Одни частицы, золотые, предназначены для чтения сигналов мозга. Специальная гарнитура посылает инфракрасный свет и считывает его отражение от этих частиц, что позволяет отслеживать активность нейронов. Другие, магнитоэлектрические частицы, используются для стимуляции: гарнитура создает магнитное поле, заставляющее частицы деформироваться и генерировать электрический ток, который воздействует на нервные клетки.
Эти частицы временные, они остаются в мозге от 20 до 60 дней, а затем выводятся из организма. Хотя технология не может проникать глубоко в мозг (пока только до 4 см) и не заменит все существующие импланты, её главное преимущество — нехирургический подход.
В долгосрочной перспективе компания видит свою платформу как основу для лечения болезней вроде Паркинсона или эпилепсии, а в будущем — даже для связи мозга с искусственным интеллектом. Однако до этого предстоит долгий путь испытаний, и ожидается, что одобрение регуляторов может быть получено только к 2031 году.
https://www.medicaldesignandoutsourcing.com/subsense-brain-computer-interface-nanoparticle-inhalable/?utm_source=substack&utm_medium=email
Одни частицы, золотые, предназначены для чтения сигналов мозга. Специальная гарнитура посылает инфракрасный свет и считывает его отражение от этих частиц, что позволяет отслеживать активность нейронов. Другие, магнитоэлектрические частицы, используются для стимуляции: гарнитура создает магнитное поле, заставляющее частицы деформироваться и генерировать электрический ток, который воздействует на нервные клетки.
Эти частицы временные, они остаются в мозге от 20 до 60 дней, а затем выводятся из организма. Хотя технология не может проникать глубоко в мозг (пока только до 4 см) и не заменит все существующие импланты, её главное преимущество — нехирургический подход.
В долгосрочной перспективе компания видит свою платформу как основу для лечения болезней вроде Паркинсона или эпилепсии, а в будущем — даже для связи мозга с искусственным интеллектом. Однако до этого предстоит долгий путь испытаний, и ожидается, что одобрение регуляторов может быть получено только к 2031 году.
https://www.medicaldesignandoutsourcing.com/subsense-brain-computer-interface-nanoparticle-inhalable/?utm_source=substack&utm_medium=email
Medical Design and Outsourcing
Subsense is developing inhalable BCI nanoparticles for brain signal sensing and neurostimulation
"It's a moonshot," Subsense co-founder and CEO Tetiana Aleksandrova said in an interview explaining the technology and potential applications.
👀3
Илья Гриднев об относительной карте пространства:
https://naked-science.ru/article/biology/mozg-obezyany-sozdal-otno
https://naked-science.ru/article/biology/mozg-obezyany-sozdal-otno
Naked Science
Мозг обезьяны создал «относительную» карту пространства, чтобы отделить внимание от движения
Нейроны в мозге обезьяны отследили положение объектов не в абсолютном пространстве, а относительно друг друга. Эта способность позволила мозгу одновременно смотреть в одну точку, концентрировать внимание на другой и планировать движение к третьей.
👍3🔥2❤1
Наступили времена Трампа. Анна Крылова осмелела и начала писать подобные письма в Nature, в которых сообщает, что издательская группа отошла от миссии научного издательства, сосредоточившись на продвижении социальной справедливости вместо строгой научной объективности. Она видит в их политике цензуру, приоритет демографических критериев над компетентностью и подрыв научной строгости, что, по ее мнению, компрометирует целостность науки. Уверенность в своей позиции и приверженность принципам научного поиска истины побудили ее открыто выражать протест и призывать коллег к аналогичным действиям. Но при Байдене она такого не писала.
(Хотя, вроде, нет — что-то подобное высказывала и раньше.)
https://hxstem.substack.com/p/why-i-no-longer-engage-with-nature
(Хотя, вроде, нет — что-то подобное высказывала и раньше.)
https://hxstem.substack.com/p/why-i-no-longer-engage-with-nature
Substack
Why I no longer engage with Nature publishing group
My response to a recent invitation to review a manuscript for Nature Communications
👍1👻1
Учёные из Швейцарии и Франции опубликовали обзор в журнале Brain Medicine о новых методах лечения обсессивно-компульсивного расстройства (ОКР) —когда таблетки и психотерапия не помогают.
Они изучили три способа воздействия на мозг электричеством и магнитными полями:
1)слабый ток через кожу (tDCS),
2) магнитную стимуляцию (rTMS) и
3) глубокую имплантацию электродов (DBS).
tDCS пока даёт скромные результаты и требует доработки, rTMS уже одобрена в США и заметно снижает симптомы, а DBS помогает самым тяжёлым пациентам, уменьшая навязчивые мысли на 40–60%.
Главное — подбирать лечение индивидуально, используя снимки мозга, чтобы «перезагрузить» сбившиеся нейронные цепи. Авторы уверены: будущее за персонализированной психиатрией, которая слушает мозг напрямую.
https://www.eurekalert.org/news-releases/1103457
Они изучили три способа воздействия на мозг электричеством и магнитными полями:
1)слабый ток через кожу (tDCS),
2) магнитную стимуляцию (rTMS) и
3) глубокую имплантацию электродов (DBS).
tDCS пока даёт скромные результаты и требует доработки, rTMS уже одобрена в США и заметно снижает симптомы, а DBS помогает самым тяжёлым пациентам, уменьшая навязчивые мысли на 40–60%.
Главное — подбирать лечение индивидуально, используя снимки мозга, чтобы «перезагрузить» сбившиеся нейронные цепи. Авторы уверены: будущее за персонализированной психиатрией, которая слушает мозг напрямую.
https://www.eurekalert.org/news-releases/1103457
EurekAlert!
Emerging roles of neuromodulation in the management of treatment-resistant OCD
A detailed new review published in Brain Medicine outlines how electrical and magnetic stimulation of the brain is changing treatment for obsessive-compulsive disorder (OCD), especially for patients who do not respond to traditional therapy or medication.…
❤1
Psilocybin's effects on obsessive-compulsive behaviors: A systematic review of preclinical and clinical evidence
Псилоцибин — галлюциногенное вещество из грибов рода Psilocybe, относится к триптаминам и действует как агонист серотониновых 5-HT2A-рецепторов.
Систематический обзор 13 исследований (4 клинических и 9 доклинических) показал, что одна доза псилоцибина быстро снижает симптомы ОКР у людей и компульсивное поведение у мышей (SAPAP3 knockout). Эффект сохраняется недели-месяцы.
Лечебное действие, вроде, не зависит от активации 5-HT2A-рецепторов, что открывает путь к негаллюциногенным аналогам.
Хроническое введение у мышей оказалось неэффективным.
Необходимы крупные плацебо-контролируемые исследования.
https://genomicpress.kglmeridian.com/view/journals/psychedelics/aop/article-10.61373-pp025i.0044/article-10.61373-pp025i.0044.xml
Псилоцибин — галлюциногенное вещество из грибов рода Psilocybe, относится к триптаминам и действует как агонист серотониновых 5-HT2A-рецепторов.
Систематический обзор 13 исследований (4 клинических и 9 доклинических) показал, что одна доза псилоцибина быстро снижает симптомы ОКР у людей и компульсивное поведение у мышей (SAPAP3 knockout). Эффект сохраняется недели-месяцы.
Лечебное действие, вроде, не зависит от активации 5-HT2A-рецепторов, что открывает путь к негаллюциногенным аналогам.
Хроническое введение у мышей оказалось неэффективным.
Необходимы крупные плацебо-контролируемые исследования.
https://genomicpress.kglmeridian.com/view/journals/psychedelics/aop/article-10.61373-pp025i.0044/article-10.61373-pp025i.0044.xml
❤3
Улучшение трансформера электроэнцефалограммы для BCI на SSVEP
Высокоскоростные SSVEP-BCI нуждаются в эффективном декодировании EEG. Глубокое обучение помогает. SSVEP-BCI связывают мозг с устройствами.
Примеры: спеллеры, протезы. Сигналы вызывают мерцающие стимулы.
Преимущества: высокий ITR, мало обучения.
Препятствия: дефицит данных, сложность сигналов. Сбор EEG дорог. Трудоемок. Ограничен субъектами.
Переобучение моделей. CNN не захватывают особенности. Эффективность падает.
Джин Юэ объяснил.
Решения: две технологии. BGMix и AETF.
BGMix: аугментация данных. Нейроинспирирована. SSVEP: стабильные компоненты и шум. Компоненты связаны с задачей. Шум переменный. BGMix меняет шум между пробами. Классы разные. Сохраняет особенности задачи. Добавляет вариабельность. Образцы естественны. Распределение реальное. Избегает неестественных сигналов.
AETF: трансформер для EEG. Захватывает многомерные особенности. Три модуля. Полносвязный слой: пространственная фильтрация. Различия по электродам. Сверточный слой: частотная фильтрация. Паттерны SSVEP. Двухслойный трансформер: временные особенности. Длинные связи. Внимание фокусирует ключевые точки. Нет пулинга. Лучше CNN. Идеален для коротких данных.
Инновации оказались эффективными. Повысилась скорость, что как раз нужно для пользователей с инвалидностью.
Сжатие модели: AETF_1layer. 95–98% производительности. Полезно для портативных устройств.
Перспективы: мультимодальные данные, отслеживание движений глаз, transfer learning.
Статья: 7 октября 2025. Журнал Cyborg and Bionic Systems. DOI: 10.34133/cbsystems.0379.
https://pubmed.ncbi.nlm.nih.gov/41064747/
Высокоскоростные SSVEP-BCI нуждаются в эффективном декодировании EEG. Глубокое обучение помогает. SSVEP-BCI связывают мозг с устройствами.
Примеры: спеллеры, протезы. Сигналы вызывают мерцающие стимулы.
Преимущества: высокий ITR, мало обучения.
Препятствия: дефицит данных, сложность сигналов. Сбор EEG дорог. Трудоемок. Ограничен субъектами.
Переобучение моделей. CNN не захватывают особенности. Эффективность падает.
Джин Юэ объяснил.
Решения: две технологии. BGMix и AETF.
BGMix: аугментация данных. Нейроинспирирована. SSVEP: стабильные компоненты и шум. Компоненты связаны с задачей. Шум переменный. BGMix меняет шум между пробами. Классы разные. Сохраняет особенности задачи. Добавляет вариабельность. Образцы естественны. Распределение реальное. Избегает неестественных сигналов.
AETF: трансформер для EEG. Захватывает многомерные особенности. Три модуля. Полносвязный слой: пространственная фильтрация. Различия по электродам. Сверточный слой: частотная фильтрация. Паттерны SSVEP. Двухслойный трансформер: временные особенности. Длинные связи. Внимание фокусирует ключевые точки. Нет пулинга. Лучше CNN. Идеален для коротких данных.
Инновации оказались эффективными. Повысилась скорость, что как раз нужно для пользователей с инвалидностью.
Сжатие модели: AETF_1layer. 95–98% производительности. Полезно для портативных устройств.
Перспективы: мультимодальные данные, отслеживание движений глаз, transfer learning.
Статья: 7 октября 2025. Журнал Cyborg and Bionic Systems. DOI: 10.34133/cbsystems.0379.
https://pubmed.ncbi.nlm.nih.gov/41064747/
PubMed
Augmenting Electroencephalogram Transformer for Steady-State Visually Evoked Potential-Based Brain-Computer Interfaces - PubMed
<span><b>Objective:</b> Advancing high-speed steady-state visually evoked potential (SSVEP)-based brain-computer interface (BCI) systems requires effective electroencephalogram (EEG) decoding through deep learning. However, challenges persist due to data…
❤2👍1
Одновременная регистрация EEG, PET и MRI позволила проследить, как меняются гемодинамика и метаболизм мозга при переходе от бодрствования ко сну
Мозговой кровоток и потребление глюкозы снижаются синхронно с замедлением электрической активности (EEG). По мере падения метаболизма происходят колебания гемодинамики, которые соответствуют паттернам активности мозга.
Во время NREM-сна некоторые области мозга отключаются, а некоторые — нет. Сенсомоторная сеть продолжает активно работать: она пульсирует с частотой около 0,02 Гц и сохраняет высокий метаболизм. В то же время активность сети мышления резко подавлена как по кровотоку, так и по энергопотреблению.
Эти данные объясняют, почему во сне угасает сознание, но сохраняется готовность к сенсорным реакциям.
Работа демонстрирует эффективность метода EEG-PET-MRI для изучения связей между нейронами, кровотоком и метаболизмом.
Статья опубликована в Nature Communications.
https://www.nature.com/articles/s41467-025-64414-x
Мозговой кровоток и потребление глюкозы снижаются синхронно с замедлением электрической активности (EEG). По мере падения метаболизма происходят колебания гемодинамики, которые соответствуют паттернам активности мозга.
Во время NREM-сна некоторые области мозга отключаются, а некоторые — нет. Сенсомоторная сеть продолжает активно работать: она пульсирует с частотой около 0,02 Гц и сохраняет высокий метаболизм. В то же время активность сети мышления резко подавлена как по кровотоку, так и по энергопотреблению.
Эти данные объясняют, почему во сне угасает сознание, но сохраняется готовность к сенсорным реакциям.
Работа демонстрирует эффективность метода EEG-PET-MRI для изучения связей между нейронами, кровотоком и метаболизмом.
Статья опубликована в Nature Communications.
https://www.nature.com/articles/s41467-025-64414-x
Nature
Simultaneous EEG-PET-MRI identifies temporally coupled and spatially structured brain dynamics across wakefulness and NREM sleep
Nature Communications - Using simultaneous EEG-PET-MRI, this study reveals tightly coupled physiological dynamics during the descent from wakefulness into NREM sleep and identifies network-specific...
👍5
Прекращение употребления алкоголя приводит к снижению артериального давления
(Правда, изменения какие-то маленькие.)
У женщин отказ от 0,5–1 порции в день снижает диастолическое давление на 0,41 мм рт. ст., от 1–2 порций — систолическое на 0,78 и диастолическое на 1,14 мм рт. ст.
У мужчин эффект слабее при низких дозах потребления, но при более высоких систолическое снижается на 1,03, диастолическое — на 1,62 мм рт. ст.
Возврат к потреблению повышает давление в той же степени у обоих полов.
Тип напитка не имеет значения. Даже лёгкое потребление повышает давление, а отказ от него эффективно снижает его у всех, особенно у женщин.
https://www.jacc.org/doi/10.1016/j.jacc.2025.09.018
(Правда, изменения какие-то маленькие.)
У женщин отказ от 0,5–1 порции в день снижает диастолическое давление на 0,41 мм рт. ст., от 1–2 порций — систолическое на 0,78 и диастолическое на 1,14 мм рт. ст.
У мужчин эффект слабее при низких дозах потребления, но при более высоких систолическое снижается на 1,03, диастолическое — на 1,62 мм рт. ст.
Возврат к потреблению повышает давление в той же степени у обоих полов.
Тип напитка не имеет значения. Даже лёгкое потребление повышает давление, а отказ от него эффективно снижает его у всех, особенно у женщин.
https://www.jacc.org/doi/10.1016/j.jacc.2025.09.018
JACC
Blood Pressure After Changes in Light-to-Moderate Alcohol Consumption in Women and Men: Longitudinal Japanese Annual Checkup Analysis
AbstractBackgroundAlcohol consumption is a known contributor to elevated blood pressure (BP). However, the association between changes in light-to-moderate alcohol consumption (eg, ≤1 drink for wom...