我们公众号曾推送过一篇推文，对目前常用的EEG/MEG数据处理工具包进行了总结（《EEG信号处理与分析常用工具包介绍》），其中对Brainstorm工具包进行了简单介绍。本文详细介绍Brainstorm工具包的下载与安装步骤，希望对大家有用。Brainstorm简介Brainstorm是由麦吉尔大学（McGill University）的McConnell Brain Ima...

《本文同步发布于“脑之说”微信公众号，欢迎搜索关注~~》科研图片的重要性是非常重要的，审稿人看到一个低质量的或者欠美观的图片，很可能影响文章的审稿。本期我将介绍一种画功能连接矩阵热力图的程序。该程序使用简单，有了改代码再也不用担心类似下图的矩阵热力图。以下几幅图都是来自一些神经、精神、心理学的顶级期刊，包括nature medicine，nature communications、brain等。这

结构神经影像数据已用于计算大脑生物年龄的估计值（脑龄），该年龄与其他具有生物学和行为学意义的大脑发育和衰老测量方法有关。人们对脑龄的持续研究凸显了对基于大量健康个体数据进行预训练的强大且公开的脑龄模型的需求。为了满足这一需求，我们之前发布了一个发育性脑年龄模型。在这里，我们扩展了这项工作，以开发、验证和共享一个预训练的脑龄模型来覆盖人类的大部分年龄范围。为了实现这一目标，我们在从 35,683 名

背景：经颅磁刺激（TMS）是一种有效的治疗难治性抑郁症的治疗方法。TMS可能诱发与抑郁症相关的异常回路的功能连接改变。脑电图（EEG）“微观状态”是指假设代表大规模静息网络的地形图。典型的微状态最近被提出作为重度抑郁症（MDD）的标志物，但目前尚不清楚它们在经颅磁刺激后是否会改变或如何改变。方法：对49例MDD患者在基线时和每日经颅磁刺激6周后进行静息脑电图检测。采用极性不敏感的修正k-means

脑部疾病的异质性是精准诊断/预后的一个挑战。作者描述并验证了一种名为Smile-GAN（SeMI-supervised cLustEring-Generative Adversarial Network），的半监督深度聚类方法，它研究了与正常大脑结构对比的神经解剖学异质性，从而通过神经影像特征识别疾病亚型。当应用于来自T1加权MRI的区域体积时（两项研究；2832名参与者；8146次扫描），包括认

摘要背景：ADHD的EEG研究历来都集中于EEG频谱或者事件相关电位上。本研究中，我们探讨了一种替代性框架——EEG微状态（MS）作为一种检查ADHD大尺度皮层动态性的新方法，MS是重复出现地形图模式的聚类。方法：使用k-means聚类，我们通过比较两个数据集中的成人ADHD患者和神经正常的控制组的MS分段，研究ADHD患者静息态EEG的时空动态性。数据集1包含66名ADHD患者和66名控制组被试

什么是人工智能？人工智能（AI）一词没有严格的定义。广义上说，人工智能指的是旨在模仿人类智能的计算机系统，其目标是执行人类可以完成的任何任务（图1）。人工智能通常被认为是计算机科学的一个子领域，但它与其他几个研究领域密切相关，包括数据科学和机器学习，以及统计学。人工智能在科学领域的大部分前景来自于它在大型数据集中发现（或“学习”）结构的能力，以及使用这种结构来做出预测甚至执行任务的能力。这种人工智

在全球范围内，每年有近1000万新发痴呆病例，其中阿尔茨海默病（AD）最为常见。需要新的措施来改善对各种病因导致认知障碍的个体的诊断。作者报告了一个深度学习框架，该框架以连续方式完成多个诊断步骤，以识别具有正常认知（NC）、轻度认知障碍（MCI）、AD和非AD痴呆（nADD）的人。作者展示了一系列能够接受常规收集的临床信息的灵活组合的模型，包括人口统计、病史、神经心理学测试、神经影像学和功能评估。

《本文同步发布于“脑之说”微信公众号，欢迎搜索关注~~》阿尔茨海默病是全球范围内痴呆症的主要原因，随着人口老龄化，其发病率负担日益加重，可能超过诊断和管理能力。目前的方法综合了病史、神经心理测试和MRI来识别可能的病例，但有效的做法仍然存在差异，缺乏敏感性和特异性。该研究报告了一种可解释的深度学习策略，其以MRI、年龄、性别和精神状态测试分数的多模态信息作为输入，可以描述独特的阿尔茨海默病特征。我

摘要目前关于强迫症（OCD）的功能连接的知识是基于小规模的研究，限制了研究结果的普遍性。此外，大多数研究只关注预定义的区域或功能网络，而不是关注整个大脑的连接。在这里，我们调查了强迫症患者和健康对照（HC）之间静息状态功能连接的差异，使用对来自1024名强迫症患者和1028名HC患者的28个独立样本的数据进行巨型分析。我们在区域和网络水平上评估了全脑功能连接的组间差异，并通过机器学习分析研究了功能