与我们假设DMN在代表特定情绪方面重要的一致，使用MVPA的研究表明，涉及DMN的体素（并且广泛分布在DMN的已知子网络中；情绪的神经架构在进化上保留的程度是一个有争议的话题，研究者在强调物种保守的适应行为（如冻结）与人类情绪多样且多情境的程度上存在差异。在图1中，红点表示将来的一个实例，当它被概念化为恐惧的实例时[23]，即当该实例的特征根据关于恐惧的类别知识被组织和赋予意义，因此被同化为该类别

本教程致力于将时间信号分解方法（RIDE，残差迭代分解）与多变量模式分析（MVPA）结合起来，探讨脑电信号中不同信息成分编码表征的时间稳定性问题。本教程展示了如何预处理EEG数据，以及基于MATLAB的RIDE和MVPA工具箱的设置和使用。本文发表在STAR Protocols杂志。写在开始前脑电图（EEG）是认知神经科学中最广泛使用的技术之一，而“表征”是当代认知神经科学的核心。脑电信号实际上是

多变量模式分析(MVPA)或大脑解码方法已经成为分析功能磁共振数据的标准做法。虽然解码方法已广泛应用于脑机接口，但其应用于时间序列神经成像数据(如脑磁图、脑电图)以解决认知神经科学中的实验问题是最近的事。在本教程中，我们描述了从认知神经科学的角度来告知未来时间序列解码研究的广泛选择。使用脑磁图数据的例子，我们说明了解码分析流程中的不同选项对实验结果的影响，目的是解码不同的知觉刺激或认知状态随时间的

重要的是，由于多重统计比较，值得注意的是，k折交叉验证克服了留一法的限制，并比保留法更有效地利用了可用的数据集：数据集被分成k个互斥的、大小大致相等的折叠，允许更高的统计有效性。采用深度学习（DL）的研究似乎受此问题的限制较小，但我们仍远未清楚这是特征提取技术的影响，还是如前所述，由于生物医学数据稳健性和可重复性增强的固有较大样本量的影响。事实上，PET 和 CT 图像具有基于明确定义的物理过程的

对从人脑功能磁共振成像(fMRI)数据中获得的丰富的动态的时空变化特性进行建模是一项具有挑战性的任务。对大脑区域和连接水平进行分析为fMRI数据提供了更直接的生物学解释，并且到目前为止一直有助于描述大脑中的特征。在本文中作者假设，与之前研究广泛使用的预先进行的fMRI时变信息转换以及脑区之间的功能连接特征相比，直接在四维(4D)fMRI体素级别空间中进行时空特征的学习可以增强大脑表征的鉴别性。基于

脑-计算机接口（BCI）是一种新兴技术，具有改变世界的潜力，其应用范围广泛，从医疗保健到人类增强等多个领域。脑电图（EEG）运动想象（MI）是最常见的BCI范式之一，已广泛应用于智能医疗，如中风后康复和移动辅助机器人。近年来，深度学习（DL）对基于MI-EEG的BCI产生了巨大影响。在这项工作中，我们系统地回顾了过去十年基于DL的MI-EEG分类研究。本文首先解释了研究选择的程序，然后概述了BCI

用于分类或对象识别任务的一些最著名的架构包括 Alexnet [2]、Resnet[6], Densenet[7]，和Inception[3].不同深度学习架构的性能、单遍操作量和网络参数数量的比较详见[60].当前最先进的 CNN 语义（粗到细）分割技术包括 Segnet [4], U-net[5]，以及它们的变体。最近，通过结合现有的解释深度神经网络的技术并将它们视为此类接口的基础和组合构建块

ASD是一种以大脑为基础的疾病，其特征是社会缺陷和重复行为。根据美国疾病控制中心最近的数据，美国68名儿童中就可能有1名患有自闭症。本研究的目的是基于深度学习算法从大型脑成像数据集中识别自闭症谱系障碍（ASD）患者。本文调查了一个ASD患者的大脑成像数据，该数据来自一个名为EXVIDE（自闭症大脑成像数据交换）的全球多站点数据库。本文主要从功能性脑成像数据中客观识别ASD参与者的功能连接模式，并试

在编写和共享用于图形生成的代码时，一个重要的考虑因素是代码的长期保存和对软件崩溃的抵抗力。虽然关于代码和软件保存的讨论超出了本文的范围，读者可参考本文中的相关引文，以及旨在保存和归档全球所有软件源代码的项目，如 Software Heritage，确保有价值的软件源代码不会随着时间的推移而丢失。同样，其他基于 GUI 的工具通过自动生成批处理脚本（包含可重新执行的专用命令行的文本文件）或内置终端提

文档使用说明：蓝色色字：小编注解红色字：小编重点强调的知识点紫色注解：原文旁注解核磁共振成像(MRI)是神经放射学诊断的一种非侵入性成像工具。最近提出的自动MRI分析的概念结合机器学习的使用，可以用来辅助诊断和预后。虽然这些学术创新已被证明在控制环境变量时大体上有效，但它们在临床实践中的应用仍面临着许多未满足的条件，例如：跨不同人群（编者注：即人群异质性，也即机器学习中用到的不同的数据集）可靠执行