소스 정보
- 저장소
- hiyenwong/ai_collection
- 최근 소스 활동
- 2026년 7월 7일 08:26
- 감지된 SKILL.md 언어
- 중국어
- 스타
- 2
- 포크
- 0
설치 방법
기본적으로 소스를 먼저 확인하는 Prompt가 선택됩니다. 직접 명령으로 전환하거나 로컬 사본을 다운로드할 수도 있습니다.
소스 파일 검토
설치 여부를 결정하기 전에 SKILL.md와 SkillsMP에 표시된 보조 파일을 읽어 보세요.
메뉴
기본적으로 소스를 먼저 확인하는 Prompt가 선택됩니다. 직접 명령으로 전환하거나 로컬 사본을 다운로드할 수도 있습니다.
설치 여부를 결정하기 전에 SKILL.md와 SkillsMP에 표시된 보조 파일을 읽어 보세요.
Codex 또는 Claude로 설치 이 Prompt를 복사해 Codex, Claude 또는 다른 어시스턴트에 붙여 넣으면 Skill 페이지를 검토하고 설치를 진행할 수 있습니다.
직접 명령은 검토 Prompt를 거치지 않습니다. 실행하기 전에 소스를 확인하세요.
npx skills add https://github.com/hiyenwong/ai_collection --skill seizure-suppression-hub-stimulation명령은 한 줄로 유지됩니다. 복사하기 전에 가로로 스크롤해 전체 내용을 확인하세요.
로컬 사본을 원하시나요? SkillsMP에서 현재 제공할 수 있는 파일을 다운로드하세요.
Graph-native Python reimplementation of the Information Dynamics of Music (IDyOM) model that represents predictive memories as explicit graph objects for musical expectation modeling and network analysis.
Physics-aware end-to-end deep reinforcement learning methodology for quadcopter control with actuator dynamics modeling.
Reinforced Dreamer methodology for asymmetric reinforcement learning using latent guidance to improve world model representations and behaviors in model-based RL.
SOC 직업 분류 기준
SKILL.md 표시 중
| name | seizure-suppression-hub-stimulation |
| description | Seizure Suppression via Brain Network Hub Stimulation |
一种基于网络控制理论的癫痫抑制平台，通过识别癫痫脑网络枢纽并进行最优电刺激，实现与直接刺激癫痫发作区（SOZ）相当的抑制效果。
read - 读取神经信号数据exec - 运行 Python 分析脚本web_fetch - 获取论文详细内容癫痫抑制的挑战：
解决方案：
平台架构：
1. 系统识别模块
- 重建神经动力学代理模型
- 高预测性能用于模型预测框架
2. 控制策略模块
- 基于网络控制理论
- 计算最优刺激参数
- 实现精准神经刺激
关键概念：
# 癫痫脑网络枢纽识别
import networkx as nx
def identify_epileptic_hub(brain_network, soz_nodes):
"""
识别癫痫脑网络枢纽
参数：
- brain_network: 全脑功能网络
- soz_nodes: 癫痫发作区节点列表
返回：
- hub_nodes: 枢纽节点列表
"""
# 计算节点中心性
centrality = nx.betweenness_centrality(brain_network)
# 找到与 SOZ 高度连接但非 SOZ 的节点
hub_candidates = []
for node in brain_network.nodes():
if node not in soz_nodes:
# 计算与 SOZ 的连接强度
soz_connectivity = sum(
brain_network[node][soz].get('weight', 1)
for soz in soz_nodes
if brain_network.has_edge(node, soz)
)
hub_candidates.append((node, centrality[node], soz_connectivity))
# 排序选择枢纽
hub_candidates.sort(key=lambda x: x[1] * x[2], reverse=True)
return [c[0] for c in hub_candidates[:3]]
# 1. 系统识别
class SystemIdentification:
def __init__(self, neural_data):
self.data = neural_data
def fit_surrogate_model(self):
# 使用动力学系统建模
# 高预测性能重建神经动力学
pass
# 2. 控制策略
class ControlStrategy:
def __init__(self, surrogate_model, hub_nodes):
self.model = surrogate_model
self.hubs = hub_nodes
def compute_optimal_stimulation(self):
# 基于模型预测框架
# 计算最优刺激参数（位置、强度、时序）
pass
# 3. 癫痫抑制
def suppress_seizure(neural_signals, brain_network, soz_nodes):
# 识别枢纽
hubs = identify_epileptic_hub(brain_network, soz_nodes)
# 系统识别
sys_id = SystemIdentification(neural_signals)
surrogate = sys_id.fit_surrogate_model()
# 控制策略
control = ControlStrategy(surrogate, hubs)
stimulation_params = control.compute_optimal_stimulation()
return stimulation_params
User: 枢纽刺激与直接刺激 SOZ 有什么区别？
Agent: 根据 arXiv:2406.09989：
SOZ 刺激：
- 直接作用于癫痫发作区
- 效果确切但风险较高
- 可能影响重要功能区
枢纽刺激：
- 作用于网络关键节点
- 与 SOZ 刺激效果相当
- 可选择更安全的刺激位置
研究发现：枢纽刺激与 SOZ 刺激在抑制癫痫动力学方面表现相当。
User: 网络控制理论如何应用于癫痫治疗？
Agent: 网络控制理论应用于癫痫治疗：
1. 能控性分析：
- 识别哪些节点可控制网络状态
- 枢纽节点通常具有高能控性
2. 最优控制：
- 计算最小能量控制输入
- 实现从癫痫状态到正常状态的转移
3. 反馈控制：
- 闭环监测神经活动
- 实时调整刺激参数
该平台提供了神经刺激验证的通用工具。
brain-network-controllability - 脑网络可控性seizure-risk-forecasting - 癫痫风险预测tms-eeg-biomarkers - TMS-EEG 生物标志物