文章来源于微信公众号（茗创科技），欢迎有兴趣的朋友搜索关注。关于偶极子源定位：是指在64~128多导头皮脑电图记录的基础上，运用计算机数学模型推算自发或诱发脑电活动的起源，可用于癫痫外科术前辅助棘波起源的定位或诱发电位起源的研究。如何用DIPFIT拟合一个偶极子与EEG或ERP的头皮图？EEGLAB 有一个命令行函数可以允许 DIPFIT 进行拟合。拟合只能在选定的时间点进行，而不能在整个时间窗口

人脑由解剖和功能性的网络组织而成，这些网络涉及大规模分布但相互作用的脑区。不同脑区之间的同步性已在手指敲击或视觉刺激等实验任务活动中观察到，但更重要的是，也在无任务条件下(即静息态)测量的内源性活动中被观察到。即使在休息时，当人们清醒但没有有意识地执行任何脑力或体力任务时，人脑也处于活跃状态，并伴随有时空组织的神经活动波动。因此，在静息态人脑中观察到的这些网络组织被称为静息态网络(RSNs)，内在

本研究提出了一种面向实时场景的认知负荷检测方法：把EEG的θ/α特征变成二维“脑状态图”，再交给轻量级CNN做分类。研究在三个数据集上验证，模型在“已见受试者”上达到95.81%准确率，在“全新受试者”上达到92.73%，而且只需要5个电极（1个前额叶+4个额叶），兼顾精度与部署成本。 

特征选择虽能提升脑影像机器学习模型的预测性能，但被剔除的弱连接特征同样蕴含显著预测能力。《Nature Human Behaviour》刊发的这项研究通过四个大规模数据集(超1.2万人)验证：依据关联强度将脑连接特征划分为互不重叠的十分位组后，排名靠后的特征组在认知、发育及精神疾病表型预测中的表现与高排名组相当，且能成功泛化至外部队列。同时研究警示，过度依赖特征选择可能会歪曲对神经生物学机制的解释

陌生人能否在对话中“同频”，取决于默认模式网络(DMN)的脑间同步水平，尤其是右侧颞顶联合区(TPJ)。本研究借助fNIRS超扫描技术，在自然面对面互动中直接捕获了这一动态过程，突破了既往 fMRI 被动观看范式无法还原真实对话交互的技术瓶颈。结合机器学习分类，研究发现DMN同步与感知深度共同作用，可有效区分高、低连接感二人组，准确率达64.5%。这为将脑间同步从“共享刺激”的伴随现象，推进为“共

视觉搜索的眼动追踪数据虽富含时空信息，却常因传统分析依赖简化指标而丢弃大量原始变异性。本研究将卷积神经网络直接作用于原始眼动轨迹时程，无需手动提取特征，即可从时程中学习并成功分类任务无关分心物的位置。网络不仅跨数据集泛化，且表现优于首次眼跳落点等常规指标。特征可视化进一步揭示，网络捕捉到了反射性注意捕获与后续注视纠正的精细时空模式。这项工作为充分挖掘眼动时程数据中以往难以触及的认知信号，提供了可推

SSS（Signal-Space Separation，信号空间分离）是一种基于电磁场物理学的技术。它会把 MEG 测量到的信号分解成两部分：一部分来自传感器阵列内部，也就是脑内的信号（internal components）；另一部分来自传感器阵列外部，也就是环境中的磁噪声（external components）。

本研究提出了一种面向实时场景的认知负荷检测方法：把EEG的θ/α特征变成二维“脑状态图”，再交给轻量级CNN做分类。研究在三个数据集上验证，模型在“已见受试者”上达到95.81%准确率，在“全新受试者”上达到92.73%，而且只需要5个电极（1个前额叶+4个额叶），兼顾精度与部署成本。 

特征选择虽能提升脑影像机器学习模型的预测性能，但被剔除的弱连接特征同样蕴含显著预测能力。《Nature Human Behaviour》刊发的这项研究通过四个大规模数据集(超1.2万人)验证：依据关联强度将脑连接特征划分为互不重叠的十分位组后，排名靠后的特征组在认知、发育及精神疾病表型预测中的表现与高排名组相当，且能成功泛化至外部队列。同时研究警示，过度依赖特征选择可能会歪曲对神经生物学机制的解释

视觉搜索的眼动追踪数据虽富含时空信息，却常因传统分析依赖简化指标而丢弃大量原始变异性。本研究将卷积神经网络直接作用于原始眼动轨迹时程，无需手动提取特征，即可从时程中学习并成功分类任务无关分心物的位置。网络不仅跨数据集泛化，且表现优于首次眼跳落点等常规指标。特征可视化进一步揭示，网络捕捉到了反射性注意捕获与后续注视纠正的精细时空模式。这项工作为充分挖掘眼动时程数据中以往难以触及的认知信号，提供了可推