XiaoMi-AI文件搜索系统
World File Search System于脑
用于脑成像的正则化电通量体积积分方程
摘要 — 用于在频域中对生物组织进行建模的体积积分方程通常会在高介电常数对比度和低频下出现病态。这些条件故障严重损害了这些模型的准确性和适用性，并使其尽管具有众多优点但仍不切实际。在本文中，我们提出了一个电通量体积积分方程 (D-VIE)，当在生物兼容的单连接物体上计算时，它没有这些缺点。这种新公式利用仔细的光谱分析来获得体积准亥姆霍兹投影仪，该投影仪能够治愈两个病态源。特别是，通过材料介电常数对投影仪进行归一化允许对方程进行非均匀重新缩放，从而稳定高对比度故障和低频故障。数值结果表明这种新公式适用于真实的大脑成像。
基于脑电图的神经网络重度抑郁症和双相情感障碍检测：综述
精神障碍是重大的公共卫生挑战，因为它们是全球疾病负担的主要因素，并严重影响个人的社会和经济福利。本综合综述集中于两种精神障碍：重度抑郁症 (MDD) 和双相情感障碍 (BD)，过去十年中出现了值得关注的出版物。如今，使用生物标志物对精神障碍的表型表征需求很大。脑电图 (EEG) 信号可以为 MDD 和 BD 提供丰富的特征，然后它们可以提高对这些精神障碍的病理生理机制的理解。在本综述中，我们重点关注采用由 EEG 信号馈送的神经网络的文献。在使用 EEG 和神经网络的研究中，我们讨论了各种基于 EEG 的协议、生物标志物和用于检测抑郁症和双相情感障碍的公共数据集。我们最后进行了讨论并提出了宝贵的建议，这将有助于提高已开发模型的可靠性，并实现更准确、更确定的基于计算智能的精神病学系统。对于利用脑电图信号识别抑郁症和躁郁症的研究者来说，这篇评论将是一个结构化且有价值的起点。
用于脑磁图的人工神经网络
脑磁图 (MEG) 是一种尖端的神经成像技术，它以无与伦比的高时间和空间精度组合测量认知过程背后的复杂大脑动态。MEG 数据分析始终依赖于先进的信号处理以及数学和统计工具来完成各种任务，从数据清理到探测信号的丰富动态，再到估计表面级记录背后的神经源。与大多数领域一样，人工智能 (AI) 的激增导致机器学习 (ML) 方法在 MEG 数据分类中的使用增加。最近，该领域的一个新兴趋势是使用人工神经网络 (ANN) 来解决许多与 MEG 相关的任务。本综述从三个角度全面概述了 ANN 如何用于 MEG 数据：首先，我们回顾了使用 ANN 进行 MEG 信号分类（即大脑解码）的工作。其次，我们报告了使用 ANN 作为人脑信息处理的假定模型的工作。最后，我们研究了使用 ANN 作为解决 MEG 方法问题（包括伪影校正和源估计）的技术的研究。此外，我们评估了目前在 MEG 中使用 ANN 的优势和局限性，并讨论了该领域未来的挑战和机遇。最后，通过详细描绘该领域并为未来提供实用建议，本综述旨在为经验丰富的 MEG 研究人员和对该领域有兴趣使用 ANN 来增强对 MEG 人脑复杂动态的探索的新手提供有益的参考。
基于脑电图的疼痛生物标志物
疼痛是一种主观而复杂的症状，其预测、管理和治疗是临床研究中的重大挑战。为了应对这些挑战，寻找可靠、客观的疼痛生物标志物已成为疼痛研究的焦点。脑电图 (EEG) 是一种非侵入性临床工具，由于其时间分辨率、准确性和全面性，已成为评估与疼痛相关的脑区最广泛使用的方法。多通道脑电图 (EEG) 现在是疼痛生物标志物研究的主要技术。本综述讨论了脑电图生物标志物在疼痛研究中的现状和未来前景，并综合了脑电图记录作为疼痛感知可靠生物标志物的潜力的证据。这将有助于为未来疼痛的预测、诊断和干预研究和管理奠定更坚实的基础。
最新进展：基于脑电图的心理压力分类和识别模型
在过去的几十年中，研究人员和专业人员采用了许多方法来检测和测量精神压力，从主观方法（如问卷调查和面对面访谈）到客观方法（分别使用生理信号和神经成像设备，如唾液皮质醇和功能性磁共振成像（fMRI）。在这些方法中，脑电图（EEG）是专业人员和研究人员记录实时脑信号时最常用的非侵入性方法之一。本文通过比较和分析EEG数据收集的方法和协议，包括涉及两大类精神压力（急性和慢性）的电极和大脑区域的选择，强调了每项研究的最新进展。总结和讨论了EEG特征的选择、必要的信号预处理和处理技术以及这些研究中使用的分类模型。
用于脑肿瘤 MRI 图像分类的混合量子图神经网络
脑瘤是成人和儿童第十大致死原因。及早发现和治疗可显著提高存活率。深度学习的最新进展已显示出使用磁共振成像 (MRI) 扫描识别和分类脑瘤的前景。本文介绍了一种集成经典和混合量子启发式图神经网络进行肿瘤分类的新方法。经典图卷积神经网络 (GCNN) 分析医学成像数据中的复杂关系，而混合量子图神经网络 (QGNN) 利用量子计算原理来提高性能。先前的研究强调了脑成像数据的多样性所带来的挑战。本研究比较了各种分类方法，强调架构、训练技术和性能指标。目的是训练和评估从 MRI 扫描中识别脑瘤的模型。混合 QGNN 表现出与先进的经典 GCNN 相当的准确度和损失指标，训练期间准确度从 0.41（41%）提高到 0.64（64%），验证数据集中的准确度从 0.31（31%）提高到 0.52（52%），从而展示了其在区分正常和肿瘤图像方面的有效性。
基于脑电图的脑机接口中的用户身份保护
摘要 —脑机接口 (BCI) 在大脑和外部设备之间建立了直接的通信通路。脑电图 (EEG) 因其便利性和低成本而成为 BCI 中最受欢迎的输入信号。大多数基于 EEG 的 BCI 研究都集中在 EEG 信号的准确解码上；然而，EEG 信号也包含丰富的隐私信息，例如用户身份、情绪等，这些信息应该受到保护。本文首先揭示了基于 EEG 的 BCI 中的一个严重的隐私问题，即 EEG 数据中的用户身份很容易被学习，因此来自同一用户的不同 EEG 数据会话可以关联在一起，以更可靠地挖掘隐私信息。为了解决这个问题，我们进一步提出了两种方法将原始 EEG 数据转换为身份不可学习的 EEG 数据，即删除用户身份信息，同时保持主要 BCI 任务的良好性能。在来自五种不同BCI范式的七个EEG数据集上的实验表明，平均而言，生成的不可学习身份的EEG数据可以将用户识别准确率从70.01％降低到最多21.36％，极大地促进了基于EEG的BCI中的用户隐私保护。
b"作者姓名：Divyanshu Tak 1,2, ；Biniam A. Garomsa 1,2 ；Tafadzwa L. Chaunzwa 1,2,10 ；Anna Zapaishchykova 1,2, ；Juan Carlos Climent Pardo 1,2 ；Zezhong Ye 1,2, ；John Zielke 1,2 ；Yashwanth Ravipati 1,2 ；Sri Vajapeyam 4 ；Ceilidh Smith 2 ；Kevin X.Liu 4 ；Pratiti Bandopadhayay 4,5 ；Sabine Mueller 9 ；黄蒙德4,5,11; Tina Y. Poussaint 4,5；Benjamin H. Kann 1,2,5 * 作者隶属关系：1. 哈佛医学院麻省总医院医学人工智能 (AIM) 项目，美国马萨诸塞州波士顿 2. 哈佛医学院丹娜—法伯癌症研究所和布莱根妇女医院放射肿瘤学系，美国马萨诸塞州波士顿 3. 马斯特里赫特大学 CARIM & GROW 放射学和核医学系，荷兰马斯特里赫特 4. 波士顿儿童医院，美国马萨诸塞州波士顿 5. 丹娜—法伯癌症研究所，美国马萨诸塞州波士顿 6. 密歇根州立大学，美国密歇根州东兰辛 7. 费城儿童医院，美国费城 8. 宾夕法尼亚大学，美国宾夕法尼亚州 9. 加利福尼亚大学神经内科、神经外科和儿科系，美国旧金山 10. 纪念斯隆凯特琳癌症中心中心，纽约，美国 11. 哈佛医学院布莱根妇女医院放射科，马萨诸塞州波士顿。 * 通讯作者 通讯地址：Benjamin H. Kann，医学博士 医学人工智能 (AIM) 项目，麻省总医院布莱根，哈佛医学院，221 Longwood Avenue，Ste 442，波士顿，马萨诸塞州 02115，美国 电子邮件：Benjamin_Kann@dfci.harvard.edu 摘要 应用于脑磁共振成像 (MRI) 的人工智能 (AI) 有可能改善疾病的诊断和管理，但需要具有可泛化知识的算法，以便在各种临床场景中表现良好。到目前为止，该领域受到有限的训练数据和特定于任务的模型的限制，这些模型不能很好地应用于患者群体和医疗任务。基础模型通过利用自我监督学习、预训练和有针对性的适应，提出了一个有前途的范例来克服这些限制。在这里，我们介绍了脑成像自适应核心 (BrainIAC)，这是一种新颖的基础模型，旨在从未标记的脑 MRI 数据中学习广义表示，并作为各种下游应用适应的核心基础。我们在 48,519 个脑 MRI 上进行了广泛任务的训练和验证，证明 BrainIAC 优于局部监督训练和其他预训练模型，特别是在低数据设置和高难度任务中，允许在其他不可行的情况下应用。
b"作者姓名：Divyanshu Tak 1,2, ；Biniam A. Garomsa 1,2 ；Tafadzwa L. Chaunzwa 1,2,10 ；Anna Zapaishchykova 1,2, ；Juan Carlos Climent Pardo 1,2 ；Zezhong Ye 1,2, ；John Zielke 1,2 ；Yashwanth Ravipati 1,2 ；Sri Vajapeyam 4 ；Ceilidh Smith 2 ；Kevin X.Liu 4 ；Pratiti Bandopadhayay 4,5 ；Sabine Mueller 9 ；黄蒙德4,5,11; Tina Y. Poussaint 4,5；Benjamin H. Kann 1,2,5 * 作者隶属关系：1. 哈佛医学院麻省总医院医学人工智能 (AIM) 项目，美国马萨诸塞州波士顿 2. 哈佛医学院丹娜—法伯癌症研究所和布莱根妇女医院放射肿瘤学系，美国马萨诸塞州波士顿 3. 马斯特里赫特大学 CARIM & GROW 放射学和核医学系，荷兰马斯特里赫特 4. 波士顿儿童医院，美国马萨诸塞州波士顿 5. 丹娜—法伯癌症研究所，美国马萨诸塞州波士顿 6. 密歇根州立大学，美国密歇根州东兰辛 7. 费城儿童医院，美国费城 8. 宾夕法尼亚大学，美国宾夕法尼亚州 9. 加利福尼亚大学神经内科、神经外科和儿科系，美国旧金山 10. 纪念斯隆凯特琳癌症中心中心，纽约，美国 11. 哈佛医学院布莱根妇女医院放射科，马萨诸塞州波士顿。 * 通讯作者 通讯地址：Benjamin H. Kann，医学博士 医学人工智能 (AIM) 项目，麻省总医院布莱根，哈佛医学院，221 Longwood Avenue，Ste 442，波士顿，马萨诸塞州 02115，美国 电子邮件：Benjamin_Kann@dfci.harvard.edu 摘要 应用于脑磁共振成像 (MRI) 的人工智能 (AI) 有可能改善疾病的诊断和管理，但需要具有可泛化知识的算法，以便在各种临床场景中表现良好。到目前为止，该领域受到有限的训练数据和特定于任务的模型的限制，这些模型不能很好地应用于患者群体和医疗任务。基础模型通过利用自我监督学习、预训练和有针对性的适应，提出了一个有前途的范例来克服这些限制。在这里，我们介绍了脑成像自适应核心 (BrainIAC)，这是一种新颖的基础模型，旨在从未标记的脑 MRI 数据中学习广义表示，并作为各种下游应用适应的核心基础。我们在 48,519 个脑 MRI 上进行了广泛任务的训练和验证，证明 BrainIAC 优于局部监督训练和其他预训练模型，特别是在低数据设置和高难度任务中，允许在其他不可行的情况下应用。
原创文章 基于脑电图的情绪状态分类降维技术的比较分析
摘要：目的：本研究旨在评估各种降维方法（包括主成分分析 (PCA)、拉普拉斯评分和卡方特征选择）对脑电图 (EEG) 数据集分类性能的影响。方法：我们应用了降维技术，包括 PCA、拉普拉斯评分和卡方特征选择，并使用线性回归、K 最近邻 (KNN) 和朴素贝叶斯分类器评估了它们对 EEG 数据分类性能的影响。对模型的分类准确性和计算效率进行了评估。结果：我们的研究结果表明，所有降维策略通常都能提高或保持分类准确性，同时减少计算负荷。值得注意的是，PCA 和 Autofeat 技术可提高模型的准确性。结论：使用降维技术可以通过减少计算需求而不影响准确性来增强 EEG 数据分类。这些结果表明，这些技术有可能应用于既需要计算效率又需要高精度的场景。本研究中使用的代码可在https://github.com/movahedso/Emotion-analysis找到。