【摘 要】
:
空间记忆是日常生活中的必不可少的一项能力。先前的研究已经对空间记忆中的性别差异做了大量的探讨,实验的结果既有“显著性差异”又有“无性别差异”的发现,截至目前为止,针对空间记忆中性别差异而提出的假设仍然不能对所有出现的结果做出解释。本研究中,我们通过分析空间记忆中的性别差异及其与导航能力之间的行为相关性,以此探究导航过程中空间记忆阶段性别差异的产生机制。为此,我们招募了在校大学生作为志愿者,按照指示
论文部分内容阅读
空间记忆是日常生活中的必不可少的一项能力。先前的研究已经对空间记忆中的性别差异做了大量的探讨,实验的结果既有“显著性差异”又有“无性别差异”的发现,截至目前为止,针对空间记忆中性别差异而提出的假设仍然不能对所有出现的结果做出解释。本研究中,我们通过分析空间记忆中的性别差异及其与导航能力之间的行为相关性,以此探究导航过程中空间记忆阶段性别差异的产生机制。为此,我们招募了在校大学生作为志愿者,按照指示执行不同记忆负载量下的空间记忆任务,并使用功能磁共振成像(fMRI)扫描参与者的大脑神经激活数据。实验结果表明,青年男性组和青年女性组的空间记忆网络存在大部分的重叠,同时也发现了性别特异的激活区域。空间记忆任务中,青年男性更倾向于使用额叶皮层处理空间记忆信息,而女性以顶叶区域在内的分布网络激活更强。此外,还观察到当空间记忆任务的难度增加时,性别差异产生。为了进一步探究空间记忆与导航能力之间的性别相关性,我们将预定义的ROI,额上回(SFG)、额中回(MFG)、顶下小叶(IPL)和顶上小叶(SPL)中的神经表征与自我报告的导航能力联系起来。行为学结果表明,青年男性拥有比青年女性更优异的导航能力。神经激活的结果表明,在编码阶段,左侧IPL(lIPL)的空间记忆能力越强的男性具有更好的导航能力,女性则没有发现这种相关性。总的来说,我们的研究为青年受试者导航过程中的空间记忆阶段性别差异提供了新的证据,同时阐述了任务难度在空间记忆中的作用。
其他文献
监督学习通常需要大量标记样本训练模型。然而,在许多真实场景下,我们只有少量的已标记样本,以及大量的未标记样本,且标记的获取往往需要耗费大量的人力物力。主动学习通过有选择性地向专家查询对模型提升最有帮助的样本以减轻数据标注的代价,目的在于以尽可能少的代价获得性能尽可能高的模型。目前大多数现有的主动学习研究主要集中在样本选择策略上,尽管它们能够显著降低数据标注量,但数据采集的整体成本仍然较高,这其中有
推荐系统通过对互联网应用中的用户、物品、上下文信息等对象进行建模,自动为用户推荐其可能感兴趣的物品,可缓解互联网时代的信息过载问题。由于推荐算法的输入特征是由多个对象的one-hot或multi-hot编码组成的,特征稀疏且维度高,因而进行特征交叉对于捕捉有用信息十分有效。同时,这些对象亦可用异构图进行表示,例如用户和物品之间的二分图、物品之间的关系图等,图结构可直观地体现对象之间的联系。本文围绕
传统监督学习技术在很多领域任务取得了很好的应用效果,但监督学习假定模型具有足够充分的有标记数据来训练,并且数据标记准确可靠,该条件在很多现实任务中难以满足。在实际应用中,数据的收集和标注需要消耗高昂的成本,且人工标注的监督信息往往较为粗糙且包含噪声。弱监督学习是处理这类信息的一种主流学习方法。本文主要针对弱监督学习中标记数据缺失的问题,基于主动学习和半监督学习技术提升开集分类、深度学习和图网络学习
随着数据库技术在交通、娱乐等领域的普及应用,国内外学者们开始探究如何从多维数据中筛选出满足查询需求的关键数据。而Skyline查询作为当今信息技术领域中高效的检索方案之一,能够有效地筛选出符合用户所给出的多偏好查询需求的对象点集。由于移动设备及其配套服务与设施的快速普及,各类移动应用中产生了海量的空间文本数据。针对空间文本数据中复杂的属性构成,传统Skyline查询方法在有效性、通用性等方面存在着
智能电网作为对传统电网的重大改进,通过双向的电力流和信息流连接了系统的各个组成部分,在可靠性、可用性、效率、经济收益等多方面都优于传统电网。需求响应作为智能电网管理技术中重要的组成部分,可以降低峰值需求、平滑电力供需曲线、降低系统整体开销和提高系统稳定性。现有文献中的需求响应方案设计主要着眼于优化用户的负荷分布,对用户电器的能耗模式、用户满意度、公平性和用户的用电习惯等重要因素缺乏足够的重视。针对
数据不完整是web异构数据库、多关系数据库和时空数据库中普遍存在的问题。Skyline查询作为一种能够满足用户多目标决策需求的数据库操作,在多目标实时决策系统、数据挖掘、电子商务和推荐系统等领域中有着巨大的应用价值。目前非完整数据库中的Skyline查询存在着支配性丢失和结果集过小或不具参考性等问题,概率Skyline可以有效解决上述问题,因而研究非完整数据库中的概率Skyline查询具有重要的意
病理诊断是癌症确诊的“金标准”。近些年数字病理技术普及和计算机技术快速发展促进计算机辅助病理诊断的发展,目前已有很多病理图像分析相关研究通过计算机来实现,在本文中主要的研究内容为病理图像的细胞核检测以及组织分割。但是目前病理图像的分析大多基于卷积神经网络,没有考虑到病理图像的高阶一致性。基于目前研究方法中所存在的问题,本文提出了基于生成对抗网络的病理图像分析研究方法用于解决病理图像细胞核检测和组织
随着脑成像和机器学习技术的飞速发展,研究人脑如何编码信息成为了热点研究领域,越来越多的研究人员致力于利用机器学习来帮助理解人脑的工作原理。近年来,功能磁共振成像(fMRI)成为解码人脑的一项重要技术,其高分辨率特性能最大程度地捕捉到大脑某一时刻的活动信息。为了获得关于人脑的广泛性结论,汇总来自不同被试者的fMRI数据是必不可少的。而解剖结构和功能拓扑的多变性则进一步要求必须对不同的大脑活动表征空间
很多的研究者开始尝试拓展现阶段的智能设备的功能,使其够感知周边物体的运动,与用户进行隔空交互,甚至可以通过感知用户行为来获取用户的一些隐私信息。这些功能大多都是基于智能手机的距离感知实现的。随着科技的进步以及硬件的升级,使得商用智能设备,比如智能手机、移动终端、平板电脑、可穿戴设备等也可以发射和接收超声波信号。超声波可用于感知声源附近的运动,可以让用户在不影响使用的同时得到更好的体验,但是同时也隐
基于图的推荐算法能深入刻画推荐系统中的各类交互信息,其中,图卷积网络类方法因具有强大的特征表征能力而得到了越来越多的关注。推荐系统中普遍存在着异质和同质两类交互信息,已有的图卷积类推荐算法无法做到对两类交互信息的统一利用。此外,在显式评分的推荐系统中评分以边权的形式出现,而现有图卷积网络框架下的推荐系统无法对评分边权加以利用。针对现有图卷积网络类推荐系统中存在的问题,本文研究了如何针对推荐系统的特