考慮到只有少數微狀態地形圖，並且它們在持續時間約為100 ms的離散塊中交替，因此有必要討論這種交替的時間結構是否遵循某些規則。主要問題不僅在於微觀狀態的轉變是否是非隨機的，而且在於這種非隨機性是否在不同的時間尺度上是可觀測的。之前針對過渡概率的幾項清楚地證明了這些概率是非隨機的，但是精神**症患者的這些過渡偏好發生了改變。資訊在不同大腦狀態之間流動的時間過程對於確保對傳入刺激的感知、正確的認知處理和有意識的適當行動至關重要。腦電微狀態序列在六個二元尺度（從毫秒到幾秒）上表現出無標度的單分形動力學，表明腦電微狀態時間序列在不同時間尺度上的觀測顯示出完全的自相似性。因此，微狀態時間序列具有清晰的結構化時間組織，既不是隨機的，也不是預定的，更不能**。特定微狀態持續時間的變化代表了幾種神經精神疾病的關鍵標誌，表明微狀態持續時間的變化以及微狀態序列的無標度特性的最終變化可能是精神過程變化的特徵。
原文：
cm michel, t koenig - neuroimage **
「思影科技」
腦電微狀態現象學及其歷史 整理自思影科技
根據遠場理論，頭皮電位會受到容積傳導效應的影響，這種效應會帶來兩種嚴重的後果 第一，在給定頭皮位置的電極不僅可以檢測其到正下方區域的神經元活動，還可以同時記錄潛在的遠端源的活動。第二，乙個源的啟用將同時影響所有頭皮電極，導致這些電極上記錄的訊號之間產生內在相關性。利用多通道電極採集的資料可以確定電位...
pytorch 對小鼠的腦電資料進行睡眠狀態三分類
3.分類結果 本文採用pytorch框架，用實驗室採集到老鼠大腦資料來學習一波多分類。我的資料是26只老鼠的mat形式的腦電資料，每個老鼠有15個通道，每個老鼠在不同的睡眠狀態擷取30段資料，每一段資料長為10s。這裡採集的睡眠狀態有三種，分別是awake,rem,和sws 這裡為了更好的獲取時域和...
關於對來電狀態和去電狀態的區分
首先網上查到的那些說 沒有專門用於接收來電的action,所以，非去電即來電 這是不對的！同時在onreceive 方法中進行 狀態 的註冊也是有問題的，因為每個intent的到來，都會呼叫 onreceieve 方法，造成重複註冊 從而出現oncallstatechanged int state,...