Conclusion:
This nationwide cohort study did not find evidence supporting an increased risk for autoimmune, atopic or allergic, or neurodevelopmental disorders associated with early childhood exposure to aluminum-adsorbed vaccines. For most outcomes, the findings were inconsistent with moderate to large relative increases in risk, although small relative effects, particularly for some rarer disorders, could not be statistically excluded.

Так — негативного эффекта вакцин. связанного с какими-то заболеваниями, нет. А есть положительный эффект на что-то? Могли бы тоже проанализировать.

https://www.acpjournals.org/doi/10.7326/ANNALS-25-00997

https://t.me/khokhlovAR/1033

Хотел прокомментировать, что, мол, Александр Панчин доказал, что микропластик нам не страшен, но тут позвонили с телевидения: почему молодеет Альцгеймер и деменция? Задумался.

Рука микропластика??

Плагиаторы, но какие-то жалкие

Вот, кстати, эта статья:

https://ikbvzhcr---sbspplwi-bsccljbcrq-ey.a.run.app/news/283211

«В перспективе эксперимент поможет астронавтам предотвращать головокружение, проблемы со сном и изменения когнитивных функций во время длительных миссий».

Ну да, канешна. Пусть они своему правительству такое заливают. Но нас на мякине не проведешь!

К тому же, Татьяна Черниговская уже давно и весьма убедительно доказала, что мозг — это приемник сигналов от вселенной. Если уже, зачем же тогда его туда посылать?

Доброе утро. И немного нейротехнологической романтики.

Из рубрики «Становимся умнее»

Матрица Ганкеля — упомянута в статье Александры Бернадотт

https://arxiv.org/html/2410.11844v1

В рабочий полдень

Ждал, что упомянут в песне ледяной душ, но это не случилось.

https://t.me/DmitryMKulish/1011

А вот с этой статьей (в виде препринта пока) советую ознакомиться всем:

Learning to operate a sensorized prosthetic hand assessed with a portable system based on computer vision, eye tracking and prosthetic sensors

https://osf.io/preprints/osf/nst9d_v1

Отличная работа Михаила Кнышенко, Гургена Согояна и их коллег.

Возвращение утраченных чувств (даже в том смысле, в котором вы подумали) — об этом можно мечтать.

А вот Юрий Матвиенко не только мечтает но и претворяет эти мечты в жизнь!

https://science.mail.ru/articles/5114-nejrorevolyuciya/#anchor175248364992678894

Сейчас стало модно (но это не надолго) публиковать статьи о том какой ИИ на самом деле плохой. Вот еще одна. Программисты страдают от ИИ.

https://arxiv.org/abs/2507.09089

А можно теперь будет говорить: "оборзел как чухонец"?

https://t.me/medvedev_telegram/598

Большой успех нейроботикса

https://t.me/neurobotics/90

Сергей Шумский создал искусственную психику

https://link.springer.com/article/10.1134/S0005117922060030

Ниже — разбор статьи Александры Бернадотт

Основная цель исследования

Главная задача, которую решают авторы статьи, — это определение точного количества независимых источников сигнала в мозге (так называемых "активных мозговых осцилляторов") при использовании неинвазивных интерфейсов мозг-компьютер (ИМК).[1][3][4] Точное знание количества этих источников имеет решающее значение для правильной интерпретации данных и повышения надежности ИМК.

Проблема

Неинвазивные ИМК, в частности те, которые используют электроэнцефалографию (ЭЭГ), регистрируют электрическую активность мозга с помощью датчиков, расположенных на поверхности головы. Сигналы, поступающие на эти датчики, представляют собой смесь сигналов от множества различных участков мозга. Чтобы эффективно использовать эти данные, например, для управления протезом или классификации мысленных команд, необходимо сначала "разделить" эти смешанные сигналы. А первым шагом к этому является понимание, сколько независимых источников их генерирует.

Предложенный метод

Для решения этой проблемы авторы предлагают использовать математический подход, который они называют "методом развертывания временных рядов" (Time Series Unfolding Method - TSMU).[3][5]

Ключевые аспекты этого метода:

1. Математическая модель сигнала: В основе метода лежит предположение, что сложные сигналы мозга, регистрируемые датчиками ИМК, можно представить в виде полигигармонического сигнала.[1][3] Это означает, что сигнал рассматривается как сумма нескольких простых синусоидальных волн (гармоник). Каждая такая волна соответствует одному "мозговому осциллятору" или источнику сигнала.

2. Анализ "развертывания": Метод TSMU анализирует временной ряд (последовательность данных ЭЭГ) и "разворачивает" его в многомерное пространство.[3] Анализируя геометрическую структуру этого развертывания, можно с высокой точностью определить, сколько гармоник (и, следовательно, сколько источников сигнала) необходимо для описания исходного сигнала.

3. Применение к данным ИМК: Эффективность предложенного подхода демонстрируется на примере анализа реальных данных, записанных с помощью неинвазивного ИМК, разработанного одним из авторов.[3] Например, в статье указывается, что для анализа данных ИМК временной ряд с высокой точностью размещается в восьмимерном пространстве, что, согласно их модели, соответствует 4 активным осцилляторам (источникам).[3]

Давайте разберем конкретный алгоритм анализа ЭЭГ-сигналов, который предлагается в этой статье. Процесс можно разложить на четыре ключевых шага.

Шаг 1: Исходные данные и теоретическая модель

Входные данные: Берется временной ряд с одного канала ЭЭГ. Это просто последовательность значений напряжения, измеренных через равные промежутки времени (например, x(t_1), x(t_2), x(t_3), ...).

Основное допущение (модель): Авторы предполагают, что этот сложный и, на первый взгляд, хаотичный сигнал ЭЭГ на самом деле можно представить как полигигармонический сигнал. Это означает, что он является суммой нескольких (неизвестного нам количества M) простых синусоидальных волн, плюс некоторый случайный шум.

Сигнал ЭЭГ ≈ Синусоида_1 + Синусоида_2 + ... + Синусоида_M + Шум

Каждая синусоида представляет собой один "активный мозговой осциллятор" — например, группу нейронов, работающую на определенной частоте. Цель анализа — найти число M.

Шаг 2: Построение матрицы Ганкеля

Это ядро метода. Одномерный временной ряд преобразуется в многомерную матрицу, чтобы раскрыть его скрытую структуру.

Выбирается параметр L (длина окна): Это размер "взгляда" на данные. L должно быть достаточно большим, чтобы захватить динамику интересующих нас сигналов. В статье указывается, что L должно быть больше, чем предполагаемое количество источников M, но меньше, чем общее количество точек в ряду.

Формируется матрица: Из исходного ряда x(t) строится матрица Ганкеля H размером L на N-L+1 (где N - общее число точек в ряду).

Первый столбец: [x(t_1), x(t_2), ..., x(t_L)]

Второй столбец: [x(t_2), x(t_3), ..., x(t_{L+1})]

Третий столбец: [x(t_3), x(t_4), ..., x(t_{L+2})]

... и так далее.

Теперь вместо одномерной "ленты" данных у нас есть многомерный объект — матрица H. Каждый ее столбец — это как бы "моментальный снимок" состояния сигнала в окне L.

Шаг 3: Анализ матрицы с помощью сингулярного разложения (SVD)

Это главный вычислительный этап. SVD — это мощный математический инструмент, который позволяет проанализировать "важность" различных направлений (компонент) в данных, представленных матрицей.

Применение SVD: К построенной матрице Ганкеля H применяется сингулярное разложение. SVD раскладывает матрицу H на три другие матрицы, но нас интересует только одна из них — та, что содержит сингулярные числа (σ).

Анализ сингулярных чисел: Сингулярные числа — это упорядоченный по убыванию набор положительных значений (σ_1 ≥ σ_2 ≥ σ_3 ≥ ...). Каждое число показывает "энергию" или "значимость" соответствующей компоненты сигнала.

Сигнал: Компоненты, соответствующие реальным синусоидам (нашим мозговым осцилляторам), будут иметь большие сингулярные числа.

Шум: Компоненты, соответствующие случайному шуму, будут иметь маленькие, примерно одинаковые сингулярные числа.

Если построить график этих чисел, обычно видна резкая "ступенька" или "локоть": сначала идут несколько больших значений, а затем резкий спад до "пола" из маленьких значений. Количество сингулярных чисел до этого спада — это то, что мы ищем. Это число (k) называется эффективным рангом матрицы.

Шаг 4: Интерпретация результата и получение ответа

Это финальный шаг, где математический результат переводится в физический смысл.

Ключевое свойство: Математически доказано, что каждая чистая синусоидальная волна в исходном сигнале порождает два значимых сингулярных числа в матрице Ганкеля. (Грубо говоря, одно для синусной части, другое для косинусной, которые вместе описывают амплитуду и фазу).

Вычисление количества источников: Если на шаге 3 мы определили, что у нас есть k значимых сингулярных чисел, то количество исходных сигналов (мозговых осцилляторов) M вычисляется очень просто:

M = k / 2

Конкретный пример из статьи:
В своей работе авторы анализируют реальный ЭЭГ-сигнал. Они строят матрицу Ганкеля, применяют SVD и обнаруживают 8 больших, отчетливо выделяющихся сингулярных чисел.

k = 8

Следовательно, количество источников M = 8 / 2 = 4.

Вывод: Они заключают, что данный сегмент активности мозга с высокой точностью описывается моделью из четырех независимых источников-осцилляторов.