Ирина Якутенко встала на защиту беременных, которых лишили тайленола.

Ну, не знаю. Мне однажды пришлось пить эти таблетки при гриппе, и ощущалось, что принимаю какую-то ужасную химическую гадость. В Америке, кстати, тайленол прописывают каждому (обезьянам, в том числе) в качестве панацеи от всего.

Нейропротез восстанавливает управление двумя руками при хронической тетраплегии

Разработан нейропротез, который помогает людям с параличом обеих рук (тетраплегией) управлять движениями в реальном времени. Система использует импланты с 64 электродами для записи активности мозга (ECoG) и два стимулятора (sFES) для активации мышц рук. Два участника смогли одновременно и независимо двигать обеими руками, выполняя задачи, например, манипуляции с предметами в домашней обстановке. Технология проста в настройке, стабильна и подходит для длительного использования. Она не только восстанавливает сложные движения, но и улучшает связь между мозгом и мышцами, что может помочь в реабилитации.

Struber, L., et al. (2025). Brain-controlled functional electrical stimulation restores bimanual object manipulation in chronic tetraplegia. https://www.researchsquare.com/article/rs-7598810/v1

Новый алгоритм улучшает распознавание ответов мозга на зрительные стимулы

Разработали алгоритм (multi-stimulus Generalized and Corrected Canonical Correlation Analysis) для улучшения работы интерфейсов мозг-компьютер (SSVEP-BCI), основанных на зрительных вызванных потенциалах. Он усиливает сигналы EEG, подавляя шумы, и учитывает изменчивость сигналов во времени и пространстве. Алгоритм использует оптимизированные шаблоны и взвешенные коэффициенты корреляции, что повышает точность распознавания и снижает потребность в калибровочных данных. Тесты на двух общедоступных наборах данных показали, что msGC3A превосходит существующие методы, обеспечивая более высокую скорость передачи информации.

Lv, Y., & Luo, T. (2025). Multi-stimulus generalized and corrected canonical correlation analysis for enhancing SSVEP detection. Applied Intelligence, 55, 977. https://link.springer.com/article/10.1007/s10489-025-06859-7

Реконструкция речи с помощью интерфейса мозг-компьютер

Диссертация посвящена разработке интерфейса мозг-компьютер (BCI) для непрерывной реконструкции речи с использованием стереоэлектроэнцефалографии (sEEG). В главе 2 представлен стандартизированный набор данных от 10 участников, подтверждающий возможность применения sEEG для исследований речи. В главе 3 изучено влияние методов пере参照ения на качество сигнала и декодирование в задачах речи и моторики. Глава 4 анализирует пространственную организацию речевой активности в разных типах тканей мозга (серое и белое вещество, корковые и подкорковые зоны). Опубликованы данные ещё 20 участников. В главе 5 исследованы акустические, артикуляционные и семантические аспекты речи с добавлением данных от пяти участников. Глава 6 описывает практическую BCI-систему, синтезирующую аудио с минимальной задержкой. В главе 7 обобщены выводы, обсуждаются вызовы и перспективы применения sEEG для создания речевых нейропротезов.

https://cris.maastrichtuniversity.nl/en/publications/on-the-neural-symphony-of-speech-decoding-speech-production-with-

Для эрудитов:

Прием Ендрассика — это метод усиления сухожильных рефлексов во время неврологического осмотра. Пациент сжимает руки или стискивает зубы, что увеличивает мышечный тонус и облегчает выявление рефлексов, таких как коленный. Используется для диагностики неврологических расстройств.

Литература:

Burke, D. (2012). Clinical uses of H reflexes and the Jendrassik maneuver. Muscle & Nerve, 45(5), 781-790.

Zehr, E. P., & Stein, R. B. (1999). Interaction of the Jendrassik maneuver with segmental presynaptic inhibition. Experimental Brain Research, 124(4), 474-480.

Хорошо, что хотя бы Ленин с нами

Продолжим тестировать статистические способности Грока:

Scientists study the effect of substance A on P300 responses. The datasets are "before", "substance A", "after". P300 responses are very different across subjects because of the thickness of the skull. 3 subjects were tested, and the results were:

Subject 1 (thin skull)
before: 38 25 20 20 26 27 29 27 30 28
substance A: 34 46 36 47 42 33 47 30 49 42
after: 26 25 35 31 27 31 23 38 31 35

Subject 2 (thick skull)
before: 3.8 2.5 2.0 2.0 2.6 2.7 2.9 2.7 3.0 2.8
substance A: 3.4 4.6 3.6 4.7 4.2 3.3 4.7 3.0 4.9 4.2
after: 2.6 2.5 3.5 3.1 2.7 3.1 2.3 3.8 3.1 3.5

Subject 3 (very thick skull)
before: 0.38 0.25 0.20 0.20 0.26 0.27 0.29 0.27 0.30 0.28
substance A: 0.34 0.46 0.36 0.47 0.42 0.33 0.47 0.30 0.49 0.42
after: 0.26 0.25 0.35 0.31 0.27 0.31 0.23 0.38 0.31 0.35

Run statistics to test whether substance A has and affect on P300 responses.

To assess whether substance A affects P300 responses, we analyze the provided datasets ("before," "substance A," "after") for three subjects with varying skull thicknesses, which scale P300 amplitudes (Subject 1: thin skull, Subject 2: thick skull, Subject 3: very thick skull). The data show a consistent scaling factor (~10x reduction per skull thickness level), suggesting normalization is appropriate for comparison.

Data Normalization
To account for skull thickness, we normalize each subject’s P300 amplitudes by dividing by their "before" condition mean:

Subject 1: Mean "before" = 27 μV
Subject 2: Mean "before" = 2.7 μV
Subject 3: Mean "before" = 0.27 μV

Normalized Data (identical across subjects due to linear scaling):

Before: 1.41, 0.93, 0.74, 0.74, 0.96, 1.00, 1.07, 1.00, 1.11, 1.04
Substance A: 1.26, 1.70, 1.33, 1.74, 1.56, 1.22, 1.74, 1.11, 1.81, 1.56
After: 0.96, 0.93, 1.30, 1.15, 1.00, 1.15, 0.85, 1.41, 1.15, 1.30

Statistical Analysis
We use a repeated-measures ANOVA on the pooled normalized data (30 observations per condition) to test for differences across conditions, treating subjects as a within-subject factor. Mean Normalized Amplitudes: Before: 1.00 (SD = 0.21)
Substance A: 1.50 (SD = 0.24)
After: 1.12 (SD = 0.18)

ANOVA Results:
F(2, 58) = 29.73, p < 0.001, indicating significant differences between conditions.
Post-hoc pairwise t-tests (Bonferroni-corrected):
Before vs. Substance A: t(29) = -7.02, p < 0.001 (Substance A increases P300 amplitude).
Before vs. After: t(29) = -2.05, p = 0.15 (no significant difference).
Substance A vs. After: t(29) = 5.49, p < 0.001 (Substance A effect diminishes post-administration).

Conclusion
Substance A significantly increases P300 amplitudes compared to the "before" condition (p < 0.001), but the effect is not sustained in the "after" condition, which returns to baseline levels (p = 0.15). The small sample size (n=3) limits generalizability, and larger studies are recommended.

А вот здесь Грок явно не понял мою гениальную мысль:

I would convert each subject's data to z-scores and lump the subjects together. Could you please do this?

To assess whether substance A affects P300 responses, we convert each subject’s data to z-scores to standardize across varying skull thicknesses, which cause amplitude differences (Subject 1: thin skull, Subject 2: thick skull, Subject 3: very thick skull). We then pool the z-scores across subjects and perform statistical analysis to test for differences across conditions ("before," "substance A," "after").

Z-Score Conversion
Z-scores are calculated for each subject’s data using their respective means and standard deviations (SD) for each condition. The formula is:
z=x−μσz = \frac{x - \mu}{\sigma}z = \frac{x - \mu}{\sigma}
, where ( x ) is the raw value, μ\mu\mu
is the mean, and σ\sigma\sigma
is the SD for the subject’s condition.

Subject 1 (thin skull)
Before: Mean = 27, SD = 5.46
Z-scores: 2.01, -0.37, -1.28, -1.28, -0.18, 0.00, 0.37, 0.00, 0.55, 0.18
Substance A: Mean = 40.6, SD = 6.67
Z-scores: -0.99, 0.81, -0.69, 0.96, 0.21, -1.14, 0.96, -1.59, 1.26, 0.21
After: Mean = 30.3, SD = 4.99
Z-scores: -0.86, -1.06, 0.94, 0.14, -0.66, 0.14, -1.46, 1.54, 0.14, 0.94

Subject 2 (thick skull)
Before: Mean = 2.7, SD = 0.55
Z-scores: 2.01, -0.37, -1.28, -1.28, -0.18, 0.00, 0.37, 0.00, 0.55, 0.18
Substance A: Mean = 4.06, SD = 0.67
Z-scores: -0.99, 0.81, -0.69, 0.96, 0.21, -1.14, 0.96, -1.59, 1.26, 0.21
After: Mean = 3.03, SD = 0.50
Z-scores: -0.86, -1.06, 0.94, 0.14, -0.66, 0.14, -1.46, 1.54, 0.14, 0.94

Subject 3 (very thick skull)
Before: Mean = 0.27, SD = 0.055
Z-scores: 2.01, -0.37, -1.28, -1.28, -0.18, 0.00, 0.37, 0.00, 0.55, 0.18
Substance A: Mean = 0.406, SD = 0.067
Z-scores: -0.99, 0.81, -0.69, 0.96, 0.21, -1.14, 0.96, -1.59, 1.26, 0.21
After: Mean = 0.303, SD = 0.050
Z-scores: -0.86, -1.06, 0.94, 0.14, -0.66, 0.14, -1.46, 1.54, 0.14, 0.94

The z-scores are identical across subjects for each condition, confirming that skull thickness scales amplitudes linearly without altering relative patterns.

Pooled Z-Scores
Pooling the z-scores across all subjects (30 observations per condition):
Before: Mean = 0.00, SD = 1.00
Z-scores: 2.01, -0.37, -1.28, -1.28, -0.18, 0.00, 0.37, 0.00, 0.55, 0.18 (x3 subjects)
Substance A: Mean = 0.00, SD = 1.00
Z-scores: -0.99, 0.81, -0.69, 0.96, 0.21, -1.14, 0.96, -1.59, 1.26, 0.21 (x3)
After: Mean = 0.00, SD = 1.00
Z-scores: -0.86, -1.06, 0.94, 0.14, -0.66, 0.14, -1.46, 1.54, 0.14, 0.94 (x3)

Statistical Analysis
We perform a repeated-measures ANOVA on the pooled z-scores to test for differences across conditions. Since z-scores have a mean of 0 and SD of 1 for each condition, the ANOVA tests for differences in distribution patterns.ANOVA Results:
F(2, 58) = 0.00, p = 1.00, indicating no significant differences between conditions. The identical z-score distributions across conditions suggest no systematic effect of substance A.

Conclusion
Using z-scores to standardize data across subjects, we find no significant effect of substance A on P300 responses (p = 1.00). The identical z-score patterns indicate that differences in raw amplitudes are due to skull thickness scaling, not substance A. The small sample size (n=3) limits power, and further studies are needed.

Но мне удалось Грок переубедить:

You did not understand me. I meant: for each subject, calculate z scores for "before", "substance A" and "after" combined together. This will give a good measure of how P300 changes under substance A. Similar to signal to noise ratio.

To evaluate the effect of substance A on P300 responses, we calculate z-scores for each subject by combining all conditions ("before," "substance A," "after") into a single dataset per subject to standardize across skull thickness variations. This approach measures P300 changes relative to each subject’s overall mean and standard deviation (SD), akin to a signal-to-noise ratio, and allows pooling for statistical analysis.

Z-Score Calculation
For each subject, we compute the mean and SD across all 30 observations (10 per condition: "before," "substance A," "after").

The z-score formula is:
z=x−μσz = \frac{x - \mu}{\sigma}z = \frac{x - \mu}{\sigma}
, where ( x ) is the raw amplitude, μ\mu\mu
is the mean, and σ\sigma\sigma
is the SD across all conditions for the subject.

Subject 1 (thin skull)
Combined mean = 31.30 μV, SD = 8.28
Before: Z-scores: 0.80, -0.76, -1.37, -1.37, -0.64, -0.52, -0.28, -0.52, -0.16, -0.40
Substance A: Z-scores: 0.33, 1.78, 0.57, 1.90, 1.30, 0.21, 1.90, -0.16, 2.14, 1.30
After: Z-scores: -0.64, -0.76, 0.45, -0.04, -0.52, -0.04, -0.99, 0.81, -0.04, 0.45

Subject 2 (thick skull)
Combined mean = 3.13 μV, SD = 0.83
Before: Z-scores: 0.80, -0.76, -1.37, -1.37, -0.64, -0.52, -0.28, -0.52, -0.16, -0.40
Substance A: Z-scores: 0.33, 1.78, 0.57, 1.90, 1.30, 0.21, 1.90, -0.16, 2.14, 1.30
After: Z-scores: -0.64, -0.76, 0.45, -0.04, -0.52, -0.04, -0.99, 0.81, -0.04, 0.45

Subject 3 (very thick skull)
Combined mean = 0.313 μV, SD = 0.083
Before: Z-scores: 0.80, -0.76, -1.37, -1.37, -0.64, -0.52, -0.28, -0.52, -0.16, -0.40
Substance A: Z-scores: 0.33, 1.78, 0.57, 1.90, 1.30, 0.21, 1.90, -0.16, 2.14, 1.30
After: Z-scores: -0.64, -0.76, 0.45, -0.04, -0.52, -0.04, -0.99, 0.81, -0.04, 0.45

The z-scores are identical across subjects, confirming that skull thickness scales amplitudes linearly, and combining conditions captures relative changes effectively.

Pooled Z-Scores
Pooling z-scores across all subjects (30 observations per condition):
Before: Mean = -0.50, SD = 0.76
Substance A: Mean = 1.11, SD = 0.83
After: Mean = -0.61, SD = 0.64

Statistical Analysis
We perform a repeated-measures ANOVA on the pooled z-scores to test for differences across conditions: ANOVA Results: F(2, 58) = 44.47, p < 0.001, indicating significant differences.
Post-hoc t-tests (Bonferroni-corrected): Before vs. Substance A: t(29) = -8.21, p < 0.001 (Substance A increases P300 amplitude).
Before vs. After: t(29) = 0.55, p = 1.00 (no difference).
Substance A vs. After: t(29) = 7.87, p < 0.001 (effect diminishes post-administration).

Conclusion
Substance A significantly increases P300 amplitudes (p < 0.001), with z-scores showing a clear elevation in the "substance A" condition compared to "before" and "after." The effect is not sustained in the "after" condition, which returns to baseline (p = 1.00). The z-score approach effectively normalizes skull thickness effects, highlighting substance A’s impact. The small sample size (n=3) suggests caution, and larger studies are needed.

Бионический протез руки, который может «считывать» сигналы мозга и двигаться независимо от тела 👀

ФП

Решил поинтересоваться у Гугла, что это за академик Панченко такой, но поисковик сегодня явно в каком-то игривом настроении.

Благодаря ИИ жить становится лучше, жить становится веселее.

Из рубрики «Философские притчи»

Однажды в одной лаборатории работал ученый по фамилии Трудоголиков. Он работал без выходных, приходил на работу рано, а уходил очень поздно. А еще в той лаборатории числился другой ученый, по фамилии Лентяев. Лентяев вообще не ходил на работу, утверждая, что он выполняет все задачи на удаленке, но на самом деле вел совершенно праздный образ жизни.

Трудоголиков посвятил всего себя науке, но популярностью пользовался Лентяев — и у женщин, и у мужчин, с которыми он заводил полезные знакомства, выдавая себя за ученого.

У Трудоголикова было 300 научных публикаций и очень высококий индекс Хирша, а у Лентяева этого не было.

Но вот недавно Трудоголиков послал свои тезисы на конференцию в Париже. Отбор работ производил искусственный интеллект (ИИ). Так вот этот ИИ заметил, что у Трудоголикова очень много научных работ и в каждой — тщательный статистический анализ. Следовательно, у него было очень большое множество множественных сравнений. ИИ применил соответствующую коррекцию к тезисам Трудоголикова, и их пришлось отклонить из-за сомнений в результатах статистики.

Затем ИИ разослал свои выводы во все базы данных, а там тоже были ИИ, которые понимали, что множественные сравнения — это очень плохо; они выдают фейковые результаты и тормозят развитие науки. И эти ИИ начали статьи Трудоголикова отзывать — одну за другой. Так и не осталось ни одной статьи. Все это было отмечено в Retraction Watch, где Трудоголиков стал абсолютным лидером по отозванным статьям. А директор института, в котором работал Трудоголиков, очень заботился о репутации. Поэтому Трудоголикова уволили.

Никаких таких проблем не было у Лентяева. Он не делал никаких множественных сравнений. Кроме тезисов, посланных в Париж, у него была только одна статья в "Молодежном вестнике Воронежского университета", но там не было статистического анализа, потому что все и так было очевидно.

В результате тезисы Лентяева приняли на конференцию в Париже, где он принялся гулять вокруг Эйфелевой башни и прочих монмартов.

А Трудоголиков вышел ночью в открытое поле и обратил взгляд на звезды. Их расположение было статистически недостоверным. И на самом деле со звездами когда-то случилась примерно такая же история. Но это уже сюжет из другого романа.

Длительная потеря обоняния после COVID-19

Ранее мы сообщали о работах Марины Морозовой, Михаила Лебедева и их коллег, в которых они примененяли нейроинтерфейсы и ольфакторный нейрофидбек с использованием анализа ЭЭГ и дыхательных циклов.

Новое исследование, проведенное в рамках инициативы RECOVER при поддержке NYU Langone Health и опубликованное 25 сентября в JAMA Network Open, показывает, что гипосмия может сохраняться годы после COVID-19. В исследовании с 3535 участниками тест UPSIT (40 запахов) показал, что 80% людей, заметивших проблемы с обонянием после COVID-19, имели низкие результаты через два года, причем 23% страдали тяжелой гипосмией или аносмией. Среди инфицированных без жалоб 66% также показали нарушения, как и 60% неинфицированных.
Гипосмия связана с депрессией, снижением качества жизни и риском не заметить опасность (например, утечку газа), а также может указывать на ранние стадии болезней Паркинсона или Альцгеймера. Авторы, включая Леору Хорвиц, рекомендуют включать тестирование обоняния в постковидный уход и изучать методы восстановления, такие как витамин А и обонятельная тренировка.

https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2839325

Интернет тел — дискуссия

https://m.sobaka.ru/lifestyle/technology/177098

Умер Джон Серл. Я его видел очно один раз примерно так в 2003 году. Он выступал примерно час, утверждая, что если мы серьезно поработаем, то сможем понять, откуда берется сознание. Точнее, откуда — вроде понятно: из мозга. Но каким образом — нужно обмозговать и выяснить. Он не учел того, что вокруг одни лентяи. Так ничего и не выяснили за 20 лет.

Пока он час говорил, я не мог не заметить, что генерировал он, в основном, какую-то демагогию. Но все же Серл — знаменитый автор аргумента китайской комнаты. Впрочем, китайская комната — весьма вредная вещь, как и любые проталкивания идеализма.

В результате он пострадал от демократов. Это, кстати, жестокие и беспощадные товарищи.

https://en.wikipedia.org/wiki/John_Searle

Можно сказать, традиционное видео

Красивый интерьер. Лермонтов о чем-то таком мечтал.

«Европейские лидеры — ничтожные дегенераты»

Я бы сюда еще добавил деятелей из European Journal of Applied Physiology. Слово для них найдено!

https://www.tgoop.com/medvedev_telegram/607

Заслуженные деятели советской науки

Более официально