• Saikosaponin A 对大鼠模型中类似创伤后应激障碍的行为、海马单胺能神经传递以及 NF-κB 炎症通路的影响

  近年来，创伤后应激障碍（PTSD）的治疗成为神经科学领域的重要研究课题。传统药物如选择性5-羟色胺再摄取抑制剂（SSRIs）联合认知行为疗法（CBT）的临床有效率仅为20-30%，且存在耐受性发展、副作用显著等瓶颈问题。这一现状促使研究者从天然产物中寻找新型治疗策略，而柴胡中的活性成分Saikosaponin A（SSa）因其独特的双重作用机制受到广泛关注。PTSD的核心病理特征涉及海马区神经可塑性改变和慢性神经炎症。临床影像学研究显示，PTSD患者的海马体积平均减少12-15%，其神经突触重构和神经发生调控存在系统性异常。同时，该疾病特有的炎症微环境特征表现为海马区促炎因子TNF-α、IL-

  来源：Behavioural Brain Research

  时间：2025-11-27

• 在视觉运动图谱学习过程中，时间分辨的功能连接性

  本研究由美国宾夕法尼亚大学工程学院生物工程系的多位学者共同完成，聚焦于人类大脑如何通过功能磁共振成像（fMRI）适应不同拓扑结构的统计学习任务。研究揭示了模块化图与晶格图在神经机制上的显著差异，为理解大脑动态网络重组提供了新视角。### 核心发现解读1. **神经可塑性与拓扑结构的动态适应** 实验采用15个抽象图形与15种手势响应的映射，通过随机游走生成两种拓扑结构（模块化图与晶格图）的序列。研究发现： - **视觉系统灵活性增强**：模块化图中，视觉皮层与顶叶、边缘系统等区域的动态重组能力显著提升，表现为反应时间缩短（平均提升30%），且这种灵活性随学习进程增强。 - **默认

  来源：NeuroImage

  时间：2025-11-27

• 轮班工作与特定脑区体积减少有关：一项纵向研究

  随着现代社会的24小时运作模式普及，轮班工作逐渐成为全球劳动力市场的重要组成部分。尽管这一职业模式为社会发展提供了连续性服务，但其对健康的影响逐渐引起关注。近年研究多聚焦于轮班工作与代谢疾病、神经退行性病变的关联，但关于轮班工作对大脑结构的具体影响仍存在知识空白。本研究基于英国生物银行的大规模数据，首次系统性地探讨了轮班工作对中老年健康人群脑结构的影响及其 reversibility（可逆性），为职业健康研究提供了新视角。### 研究背景与科学意义全球劳动力市场正经历双重变革：一方面，退休年龄延迟导致中老年从业者比例上升；另一方面，轮班工作制度覆盖率持续增长。欧洲地区轮班工作者占比从2010年

  来源：NeuroImage

  时间：2025-11-27

• 利用非笛卡尔采集方法和基于模型的隐式神经表征重建技术实现的高速全脑T2成像

  ### 基于隐式神经表示的快速全脑T2映射技术解读#### 1. 研究背景与意义T2磁共振成像（MRI）是评估组织水分含量和病理状态的重要工具，广泛应用于神经系统疾病（如多发性硬化症、阿尔茨海默病）、肿瘤和心肌病变的诊断。传统T2定量方法依赖多回波自旋回波（MESE）序列，但扫描时间长（可达数十分钟）、信噪比（SNR）低，且难以在活体中实现高分辨率全脑扫描。为此，本研究提出一种融合新型序列设计与深度学习的加速T2映射技术（INSTA），旨在解决扫描时间与精度之间的矛盾。#### 2. 技术核心与创新点**2.1 序列设计与物理模型结合** 研究团队开发了基于“T2准备-堆叠星形轨迹（SoS）

  来源：NeuroImage

  时间：2025-11-27

• 场景识别过程中个体差异在先验权重方面的神经机制

  该研究聚焦于揭示人类个体在感知决策过程中对先验知识与即时感官信息的整合机制，通过结合功能磁共振成像（fMRI）与机器学习方法，构建了预测个体先验依赖度的创新性框架。研究团队以场景识别任务为切入点，利用梯度生成对抗网络（GANSID）技术构建了从自然到非自然的连续梯度图像集，通过动态调节刺激的天然程度参数α（α=1.0为自然图像，α=0.0为随机生成图像），系统考察了不同自然性水平刺激对个体决策的影响差异。在方法学层面，研究团队创新性地融合了广义心理生理交互分析（gPPI）与连接体预测模型（CPM）。首先采用gPPI技术解耦心理任务与生理响应的交互效应，通过构建包含视觉皮层、前额叶皮层、海马体等

  来源：NeuroImage

  时间：2025-11-27

• 与中国书法相关的专业技能功能连接变化及其与流畅体验的关联

  中国书法技能与沉浸式心流体验的神经机制研究一、研究背景与理论框架心流理论由Csikszentmihalyi于1975年提出，描述个体在技能与任务挑战平衡时产生的深度沉浸状态。传统研究多聚焦于人工任务中的挑战-技能平衡，但缺乏对真实世界技能积累如何塑造神经机制的探讨。本研究选择中国书法作为实验载体，因其兼具文化独特性和多模态认知需求：既涉及视觉-运动协调，又包含审美判断和抽象思维。Kai-Shu（楷书）作为基础规范字体，要求精确的笔画控制和结构对称性；Cao-Shu（草书）作为艺术化变体，需要高度动态的笔触调整和空间重组，这为考察技能迁移提供了天然对照。二、实验设计与创新性研究采用fMRI神经影

  来源：NeuroImage

  时间：2025-11-27

• 离线强化学习中的结果约束行为克隆技术

  离线强化学习中的分布外状态与动作约束方法研究当前强化学习在自动驾驶、医疗诊断、金融投资等需要避免实时交互的领域展现出重要价值。但传统离线强化学习面临两大核心挑战：一是训练数据无法完全覆盖状态空间导致的分布外（OOD）问题，二是缺乏实时交互引发的累计价值过估计问题。针对这些技术瓶颈，作者团队在行为克隆框架下创新性地提出结果约束机制，构建了RCBC算法体系，在D4RL基准测试中实现了性能突破。传统离线强化学习主要采用行为克隆（Behavior Cloning）和策略约束（Policy Constraint）两类方法。行为克隆通过最小化策略输出与行为数据的损失来直接复现原始策略，但难以处理分布外问题

  来源：Neural Networks

  时间：2025-11-27

• 通过自适应比特分配实现高效且精确的脉冲神经网络

  近年来，脉冲神经网络（SNN）因其类脑计算特性在低功耗AI领域备受关注。然而，传统二值化SNN在精度提升与资源消耗间存在显著矛盾。针对这一挑战，研究者提出了一种自适应比特分配策略，结合动态时空调整机制，实现了高精度与低开销的协同优化。### 核心贡献1. **自适应比特分配框架** 首次将权重比特宽度（Bw）、脉冲比特宽度（Bs）和时序长度（Tl）均参数化，通过端到端优化实现动态分配。例如，在ResNet34架构中，通过学习不同层的Bw/Bs/Tl组合，模型在ImageNet数据集上达到97.02%的精度，比特预算（Bit Budget）较基线降低45.81%。2. **时空自适应优化

  来源：Neural Networks

  时间：2025-11-27

• 纠正神经网络文献中对KART和UAT的常见误解

  神经网络理论中的经典定理常被误解，尤其在Kolmogorov-Arnold Representation Theorem（KART）和Universal Approximation Theorem（UAT）的应用层面。本研究通过重新梳理这两个定理的理论边界与实践条件，揭示了当前文献中存在的三大误区，并提出了多项创新性结论，为神经网络的架构设计提供了新的理论依据。首先，针对KART的常见误读，研究指出其原始表述仅适用于连续函数在紧集（如单位立方体）上的精确表示。尽管近年来的KAN（Kolmogorov-Arnold Networks）研究扩展了应用场景，但多数文献未明确区分原定理与后续修正版本。

  来源：Neural Networks

  时间：2025-11-27

• KnowFlow：通过知识流优化代理技术提升图学习能力

  图神经网络知识驱动设计框架的跨领域应用研究一、研究背景与问题提出图神经网络（GNN）作为处理非欧几里得数据的核心工具，已在社交网络分析、分子性质预测、异常检测等场景取得显著成效。然而，不同领域的应用存在三大核心差异：数据结构（如分子图与社交网络拓扑差异）、任务类型（节点分类与图分类的建模需求区别）以及领域知识（生物医药与金融风的特征工程差异）。传统GNN设计主要依赖领域专家隐性经验，存在三大技术瓶颈：知识获取的碎片化、设计过程的黑箱化、性能调优的高成本化。二、方法体系架构研究团队构建了"知识准备-动态应用"双循环框架（图1）。知识准备层采用多模态数据源，涵盖顶级会议论文（如NeurIPS、IC

  来源：Neural Networks

  时间：2025-11-27

• 基于频域伪标签动态混合监督和部分Dice约束的弱半监督心脏MRI分割方法

  心血管疾病（CVDs）作为全球主要死亡原因，其诊断效率与准确性直接影响患者生存质量。磁共振成像（MRI）凭借无创性、高分辨率和软组织对比优势，已成为心脏结构评估的核心手段。然而传统人工分割耗时且误差率高，亟需智能化解决方案。当前深度学习分割方法主要分为三类：完全监督式（依赖精细标注）、无监督式（性能受限）和弱监督半自动式（标注量少但效果稳定）。其中弱监督方法因符合实际标注资源稀缺的现状，成为近年研究热点。在弱监督框架下，现有方法主要围绕伪标签生成与监督策略展开创新。伪标签生成通常采用超像素分割结合 scribble 标记（如Li等2024），或基于多分支网络预测融合（如Wang等2023）。但

  来源：Neural Networks

  时间：2025-11-27

• 从“Gig”到“Genes”：西摩·莱文（Seymour Levine）在发育应激神经生物学领域留下的持久遗产

  Seymour "Gig" Levine的奠基性研究对神经生物学领域的影响如同普罗米修斯盗取的火种，持续照亮着早期生命经历与成年生理行为间复杂关联的探索之路。其开创性工作不仅颠覆了传统认知中基因决定论的固有范式，更构建起连接宏观行为观察与微观分子机制的理论框架，这种跨尺度的研究范式至今仍是神经发育生物学领域的核心方法论。在早期研究阶段，Levine团队通过系统性的行为观察与生理实验，揭示了母性行为与HPA轴发育的精密耦合机制。其标志性的"短暂分离-母性接触"实验范式（1957-1970年间完成）证明，仅有数分钟的母婴分离即可引发长期神经内分泌重构。这种看似微小的干预产生的持续性效应，促使学界重

  来源：Neurobiology of Stress

  时间：2025-11-27

• MC-HSTA：一种用于交通流预测的多源跨域混合时空注意力网络

  交通流预测是智能交通系统（ITS）中的关键技术，其核心目标是通过分析时空关联性实现未来交通状态的准确预测。当前主流方法主要分为网格化与图神经网络两类，前者通过规则网格划分城市区域并利用卷积神经网络提取局部空间特征，但难以捕捉复杂城市路网的非线性时空关系；后者将城市路网建模为图结构，通过图神经网络（GNN）实现全局关联性建模，显著提升了预测精度。然而，现有方法在数据稀缺场景下面临双重挑战：首先，跨域依赖建模不足导致知识迁移效率低下；其次，源域与目标域的数据分布差异（即领域偏移）严重制约模型泛化能力。针对上述问题，研究团队提出多源跨域混合时空注意力模型（MC-HSTA）。该模型创新性地将混合时空注

  来源：Neural Networks

  时间：2025-11-27

• 用于事件因果关系识别的多层次编码器架构

  事件因果识别研究中的多层级编码框架创新事件因果识别作为信息抽取领域的核心任务，其本质在于通过文本语义分析判断两个事件是否存在直接的因果关系。近年来随着深度学习技术的进步，研究者开始关注如何有效整合多维度文本信息。本文提出的多层级编码架构（MEA）通过系统性整合四个不同粒度的语义信息，在保持模型泛化能力的同时显著提升因果判断准确率。研究背景与问题定位事件因果识别（ECI）作为自然语言处理的重要分支，在金融风险预测、生物医学研究、智能客服系统等领域具有广泛应用价值。传统方法主要依赖特征工程，通过人工设计规则提取事件特征。虽然这类方法具有可解释性优势，但存在两大缺陷：首先，人工特征设计受限于特定领域

  来源：Neural Networks

  时间：2025-11-27

• 利用机器学习从心电图（ECG）中分类睡眠阶段：评估信号持续时间的影响

  这篇研究专注于利用单通道心电图（ECG）信号进行睡眠阶段分类，旨在为可穿戴设备开发提供理论支持。通过对比不同时间窗口（5分钟与30秒）和机器学习模型（神经网络、KNN、XGBoost、随机森林），研究揭示了ECG信号在睡眠监测中的潜力与局限。### 核心发现1. **时间窗口的关键作用** - **5分钟窗口**：使用ECG提取HRV和Poincaré图特征，神经网络模型准确率达67%。较长的信号窗口能够捕捉更稳定的生理波动，如深睡眠（N3）阶段的副交感神经主导特征。 - **30秒窗口**：缩短至30秒后，所有模型准确率骤降（神经网络仅40%）。短时信号丢失了深层次的心率变异性模

  来源：Neurobiology of Sleep and Circadian Rhythms

  时间：2025-11-27

• 溶血磷脂酸衍生物是一种新型的治疗候选药物，适用于具有前颗粒蛋白缺乏症的小鼠额颞叶痴呆模型

  该研究聚焦于肿瘤微环境中NADPH氧化酶（NOX）的功能及其对免疫细胞行为的调控机制。研究团队通过构建多组学实验体系，包括基因编辑小鼠模型、药物干预实验及多组学测序分析，揭示了NOX在肿瘤免疫抑制中的关键作用，并首次证实抑制NOX活性可有效激活抗肿瘤免疫应答。### 一、研究背景与科学问题肿瘤微环境（TME）普遍存在免疫抑制特征，这已成为限制抗肿瘤免疫治疗疗效的主要障碍。NOX家族酶作为活性氧（ROS）的主要来源，在多种病理生理过程中发挥关键作用。既往研究多关注NOX在氧化应激反应中的作用，但其在肿瘤免疫微环境中的功能尚未完全阐明。特别是NOX是否通过调控免疫细胞代谢或功能状态来维持肿瘤免疫抑

  来源：Neurobiology of Aging

  时间：2025-11-27

• 在欺骗攻击下确保离散时间马尔可夫跳跃系统的事件触发控制：以直流电机设备为例

  离散时间马尔可夫跳变系统在欺骗攻击下的事件触发控制方法研究（一）研究领域背景随着工业自动化与智能控制系统的广泛应用，基于马尔可夫跳变模型（Markov Jump System, MJS）的动态系统控制逐渐成为研究热点。这类系统能有效描述具有随机结构突变特性的工程对象，典型应用场景包括电力网络、机器人运动控制、工业机器人等复杂动态系统。然而，在开放网络环境下，系统面临日益严重的网络安全威胁，特别是欺骗攻击（Deception Attack）这类通过发送虚假控制指令获取敏感信息的行为，对传统控制策略构成严峻挑战。（二）研究核心问题与创新点1. **双重挑战应对**：研究同时面临系统动态不确定性和网

  来源：Neural Networks

  时间：2025-11-27

• 跨领域检索中的中心相似性联合学习

  广东工业大学计算机科学与技术学院的研究团队在跨域图像检索领域提出了创新方法——中央相似性联合学习（CSJL）。该方法针对现有技术存在的两大核心问题展开突破性研究：其一，传统方法过度追求域层面的特征对齐，而忽视了不同类别在跨域环境中的语义关联性；其二，现有哈希编码技术对多源语义信息的整合不足，导致跨域检索时语义结构完整性受损。通过构建包含三个关键组件的协同优化框架，CSJL实现了跨域检索性能的显著提升。在问题背景方面，当前图像检索系统普遍面临"数据异构性"的严峻挑战。以电商平台应用场景为例，产品数据库通常采用专业设备拍摄的高质量图像（背景纯净、光线可控），而用户端查询图像则多来自手机拍摄（背景复

  来源：Neural Networks

  时间：2025-11-27

• OOPS：基于异常值检测和二次规划的结构化剪枝方法，用于大型语言模型

  Jiateng Wei|Siqi Li|Jingyang Xiang|Jiandang Yang|Jun Chen|Xiaobin Wei|Yunliang Jiang|Yong Liu浙江大学网络系统与控制研究所，杭州，310027，中国摘要大型语言模型（LLMs）的庞大模型规模和资源消耗限制了它们在许多场景中的部署和应用。结构化剪枝为这一挑战提供了解决方案。根据剪枝后是否需要重新训练，LLMs的结构化剪枝方法可分为两类：无需重新训练的和需要重新训练的。无需重新训练的方法通常会导致性能显著下降，而需要重新训练的方法可能需要大量的计算资源。为了解决这些限制，我们提出了一个名为OOPS（基于异常

  来源：Neural Networks

  时间：2025-11-27

• Hermite型神经网络运算符：基于导数信息的框架在功能性神经成像与信号处理中的应用

  该研究提出了一种结合Hermite插值与Kantorovich积分的神经网络算子框架，旨在解决非均匀采样、噪声干扰及信号微分结构建模的难题。通过构建HNN（Hermite型神经网络算子）和HKNN（Hermite-Kantorovich型神经网络算子），研究团队实现了对信号梯度、曲率等微分特征的显式建模，并在神经影像学领域开展了验证。**核心创新点与理论框架** 传统神经网络在近似函数时主要依赖信号值本身，而该研究首次系统性地将一阶导数（梯度）和二阶导数（曲率）信息整合到神经网络架构中。具体而言，HNN通过局部泰勒展开捕捉信号的微分特征，在隐藏层神经元中显式引入信号值及其导数；而HKNN则采

  来源：Neural Networks

  时间：2025-11-27

知名企业招聘：