Лебедев про мозг

Пигарев опять оказался прав. И мы конкретно этот момент обсуждали с Владимиром Алиповым. https://t.me/neuronovosti/9068

⚡️4 октября в 15:00 🎥 приглашаем вас в Музей Криптографии на показ научно-популярного фильма «Чувственный контакт» режиссёра Юлии Киселёвой! ▌О фильме: Алексей Транцев и Алексей Мутин потеряли руки в результате несчастного случая. Несмотря на это, спустя годы они освоили управление бионическими протезами и ведут обычную жизнь. Однако больше всего герои мечтают вновь почувствовать прикосновения — ощутить тепло, холод, влажность и даже касания близких. Учёные пытаются решить этот вопрос, создавая систему, позволяющую передавать искусственные ощущения от искусственных конечностей. Но удастся ли им воплотить мечту героев в реальность? Обсудим вместе: Зрители получат уникальную возможность пообщаться с авторами фильма и поделиться своими впечатлениями после просмотра. А также на собственном опыте прочувствовать каково это управлять бионический кистью, благодаря интерактиву под присмотром констукторов-разработчиков Музей Криптографии, Москва 4 октября, 15:00 Участие бесплатное, необходима регистрация ✌Увидимся на показе

И вот вы видите очередного &удака. Обычно я так и комментировал. Но мне сказали, что нужно быть более толерантным. Типа, если тебе это кажется хренью, это ничего не значит. Но вот что интересно — попытка быть толерантным не прокатывает. Тут же тебе припишут поддержку маргинальных идей и т.п. Выиграть невозможно.

На горизонте (в зените?) нейромаркетинга появилась новая звезда. https://t.me/devinotelecom_official/22

In the lab

И неформально

Более официально

Заслуженные деятели науки

«Европейские лидеры — ничтожные дегенераты» Я бы сюда еще добавил деятелей из European Journal of Applied Physiology. Слово для них найдено! https://t.me/medvedev_telegram/607

Красивый интерьер. Лермонтов о чем-то таком мечтал.

Можно сказать, традиционное видео

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. Пока он час говорил, я не мог не заметить, что ненерировал 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

Интернет тел — дискуссия

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, потерей веса, снижением качества жизни и риском не заметить опасности (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

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 одной, 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 дела 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 поля 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.

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.

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

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.

А вот здесь Грок явно не понял мою гениальную мысль: 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.

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 NormalizationTo 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.