松鼠控

继续发松鼠

DSC02031

DSC02032

评论

发表评论

此博客中的热门博文

如何画出漂亮的图

图片
    题目其实是个标题党。我一直都在尝试各种方法把paper中图片做的更漂亮，但效果总是不理想。而读paper时经常能看到让人眼前一亮的图。比如最近Journal of neuroscience一篇关于视觉系统 随机共振 的研究。     所谓随机共振，就是当一个非线性系统在加入少量噪声时的工作效果要比完全没有噪声时好。人的神经系统就是个典型的非线性系统。上图是原文中的一个figure。要注意的是最上面的原始图像两个斜杠之间的细节。斜杠中的斜杠是阈下的，通常很难被知觉到，但如果加入适当的噪声，就可以清晰地看到斜杠中间的细节 (中图)。     初看到这幅图，我的感觉这是对随机共振效应的最好的演示。因为之前对随机共振的介绍都是理论或者语言描述，从来没有给过这样直观的演示。但说实话，很难看出如何只加入噪声就可以把第一幅图像变成第二幅图像的样子。我自己用MATLAB对原始图像加随机噪声，完全得不到这种效果。当然我自己的图像处理水平有限，电脑显示器也比较低级。不知道哪位高手可以实现。OR, 这其实只是个示意图？ Schwarzkopf, D., Silvanto, J., & Rees, G. (2011). Stochastic Resonance Effects Reveal the Neural Mechanisms of Transcranial Magnetic Stimulation Journal of Neuroscience, 31 (9), 3143-3147 DOI: 10.1523/JNEUROSCI.4863-10.2011
阅读全文

12平均律vs.自然律 频率vs.音高

图片
字母表示 7 种琴键音。从 A 到下一个 A 占用 8 个白键，俗称“八度音” octave 。国际标准 A 音为 440 Hz。钢琴上有许多 A 音，它们是：27.5，55，110，220，440，880…… Hz。请注意，每增加一个八度，用 Hz 为单位的频率增加为 2 倍。物理学中把 octave 说成是“倍频程”。钢琴调音师会把那种倍数关系拉开一些。1000 Hz 以上会拉得很开。在 500 Hz 以下，调音师人工调音中，倍数关系还是比较好的，非常接近 2 倍。 钢琴键盘上相邻的 7 个白键和 5 个黑键组成“十二半音”。相邻的白键和黑键之间，音高关系是半音。两个白键相邻，中间没有黑键的，也是半音的关系。两个白键相邻，中间有黑键的，白键之间是全音的关系。两个半音是一个全音。半音是全音的一半。 请注意，从 Hz 数值看，半音之间是 2 开 12 次方根的关系，也就是 1.059463 倍的关系。把它自乘 12 次，应该等于 2 。 在音乐家的听觉中，平均律并不好。他们更喜欢自然律： C 　D 　E 　F 　G 　A 　B 　C 264 297 330 352 396 440 495 528 它们之间有一种和谐悦耳的关系，也就是简单的比例关系，例如 C 与 G —— 2 : 3 、 E 与 A —— 3 : 4 、 G 与 B —— 4 : 5 、 ...
阅读全文

看电影时，脑区间动态联系的跨被试相似性

图片
人在看电影时，大脑如何做反应？一方面，外部的感觉信息实时的输入达到脑中；另一方面大脑会自动生成对故事线的预测，并与输入的信息进行匹配。那么，如果使用功能磁共振实时记录大脑的脑活动，我们会看到什么？ 对于观看电影这类复杂刺激的脑成像数据，分析起来还是有很多挑战。相比于常规使用的心理学任务，对电影刺激很难确定某一心理活动具体发生的时间。因此也就无法用简单的模型去测量某些具体时间点对应的心理过程诱发的脑活动。但是好在很多脑区的激活模式是直接受输入的刺激调控的，因此在看同样的电影时不同人在这些脑区产生的激活模式是相似的。因此可以用测量不同被试激活时间序列的相似性来找到参与加工电影刺激的脑区。最早一篇显示被试间激活相似性的研究在2004年发表在Science上。我曾经在2010年的一篇 博客 中介绍过。 这种被试间相关性分析的方法如上图A所示。在标准化空间上大脑的每一个位置，可以做不同被试看电影时的时间序列的相关。这样就可以得到一张大脑中每个地方相似性的统计图。这类的研究已经有很多，大多发现在看电影时大脑里负责视觉加工的很多区域的激活模式存在很高的被试间相似性。而在负责高级认知任务的脑区，激活模式的被试间相似性并不高。这可能是因为这些区域并没有参与电影加工；但也可能是因为不同人对电影的理解和主观感受不同，所以局部激活的模式也没有太大的相似性。 大脑里的不同脑区负责加工不同层次的信息。它们之间并不是独立的工作的，而是实时的互相传递着各种信息。这也是我们为什么要研究脑区间的连通性，特别是动态连通性的原因。动态连通性在静息态数据处理中是用得比较多。通常可以使用滑窗 (sliding window)的方法计算每一个小时间窗口 (比如说30s)内两个脑区的功能连通性。经过一系列的滑窗，不同窗口之间连通性的变化可能反映了脑区间功能联系的动态变化。但连通性的测量指标 (比如相关系数)很容易受到噪声的影响，特别是功能磁共振信号中的头动、呼吸等生理噪声。另外，哪怕是完全无意义的随机信号，采用滑窗法也会计算出功能连通性的"变化"。那么如何才能说明滑窗间的“变化”是有意义的？这在静息态数据上是个难题。而对于看电影的数据，关于动态连通性的功能意义的疑问似乎可以在一定程度上解决。因为如果连个脑区间的动态功能联系真的是与对电影的理解有关，那么不同被的动态联系也可能是相似的。基于此我们...
阅读全文