XiaoMi-AI文件搜索系统
World File Search System于脑
GABA能中的内神经多样性和组织对于脑器官中人类特异性功能神经网络至关重要
这项迷你综述调查了GABA能中间神经元对人诱导的多能干细胞（HIPSC）衍生的脑类器官的网络功能的重要性。提出的证据表明，GABA能中间神经元的丰度，多样性和三维皮质组织是负责创建同步神经元模式的主要要素。没有复杂的抑制作用，耦合的振荡模式无法达到足够的复杂性来传递构成生理网络功能的时空信息。此外，人类特异性的大脑网络功能似乎是由一个更复杂和相互连接的抑制结构介导的，与啮齿动物相比，这种抑制结构在更长的时间内保持发育能力。这表明啮齿动物模型无法捕获人脑网络的几种特征，这强调了需要在体外充分模仿生理人脑功能的类器官等模型系统。
基于脑电图的脑异常功能连接分析：一项系统综述研究
人们已经使用了多种成像方式和信号记录技术来研究大脑活动。脑电图等医疗设备技术的重大进步为高时间分辨率记录神经信息提供了条件。这些记录可用于计算不同大脑区域之间的连接。已证明大脑异常会影响不同大脑区域的大脑活动，并因此改变它们之间的连接模式。本文研究脑电图 (EEG) 功能连接方法，并探讨大脑异常对大脑功能连接的影响。本研究探讨了中风、抑郁症、情绪障碍、癫痫、注意力缺陷多动障碍 (ADHD)、自闭症和阿尔茨海默病等不同大脑异常对 EEG 记录功能连接的影响。我们讨论了不同大脑异常的基于 EEG 的指标和网络属性，以比较每种异常影响的连接。此外，还回顾了治疗和药物摄入对每种异常的 EEG 功能连接网络的影响。
基于迁移学习的深度 CNN 范式设计用于脑肿瘤分类 NEHA BHARDWAJ、MEENAKSHI SOOD、SS GILL
摘要：脑瘤是一种致命疾病，导致全球死亡。现有的用于检测脑瘤的神经影像学方法是侵入性的，并且存在观察者偏见。使用复杂人工智能技术的自动 CAD 框架减少了人为干预，可以有效处理大量数据。使用机器学习技术的自动 CAD 框架需要使用耗时且容易出错的手动特征提取程序。深度学习技术涉及自动特征提取；因此，可以快速获得可观的分类结果。然而，从头开始训练 DL 模型需要投入大量的时间、金钱和大量数据集，这在医学领域很难实现。因此，权衡是利用 VGG16、VGG19、AlexNet 等经过充分学习的模型来设计一种用于脑瘤分类的新框架。本文旨在通过迁移学习对预训练的 VGG16 架构进行微调，以开发基于 CNN 的深度学习框架，用于脑瘤检测。采用迁移学习技术的设计框架可以在更短的时间内以更少的数据获得更好的结果。使用迁移学习对脑 MRI 图像进行脑肿瘤二元分类，准确率达到 97%。训练和验证准确率分别为 100% 和 97%，共 30 个时期。分类损失低至 0.0059%，运行时间为 32ms/步，远低于现有模型。关键词：- 卷积神经网络、深度学习、计算机辅助诊断、分类、超参数调整、磁共振成像。
MES-CTNet：一种基于多域特征图的新型胶囊变压器网络，用于基于脑电图的情绪识别
摘要：由于脑电信号中蕴含了丰富的真实情绪数据，利用脑电信号进行情绪识别在人机交互领域引起了广泛关注。然而，传统的情绪识别方法在挖掘多域特征之间的联系和发挥其优势方面存在不足。在本文中，我们提出了一种基于多域特征的新型胶囊Transformer网络，用于基于EEG的情绪识别，称为MES-CTNet。该模型的核心由一个嵌入ECA（高效通道注意）和SE（挤压和激励）块的多通道胶囊神经网络（CapsNet）和一个基于Transformer的时间编码层组成。首先，结合多域特征的空频时间特性构建多域特征图作为模型的输入。然后，利用改进的CapsNet从多域特征图中提取局部情绪特征。最后利用基于Transformer的时间编码层全局感知连续时间片的情绪特征信息，得到最终的情绪状态。本文在DEAP和SEED两个不同情绪标签的标准数据集上进行了充分实验。在DEAP数据集上，MES-CTNet在情绪效价维度上取得了98.31%的平均准确率，在唤醒度维度上取得了98.28%的平均准确率；在SEED数据集上的跨会话任务上取得了94.91%的准确率，相比传统脑电情绪识别方法表现出了优异的性能。本文提出的MES-CTNet方法利用多域特征图，为基于脑电的情绪识别提供了更广阔的观察视角，显著提高了分类识别率，在脑电情绪识别领域具有重要的理论和实用价值。
基于脑启发前向的图神经网络...
工业中的过程控制（Huang et al., 2023; Liu et al., 2023; Zhang R. et al., 2023）。受益于信号处理和深度学习（DL）的进步，BCI 的一个突出子集是脑电图 (EEG)（Gao and Mao, 2021; Zhao et al., 2022; Li H. et al., 2023）。EEG 技术主要用于识别和分类运动想象 (MI) 信号，这对中风患者等行动障碍者来说是一种重要的辅助手段。EEG 的高精度、实时响应和成本效益使其有别于其他神经成像技术，如脑磁图和功能性磁共振成像（Huang et al., 2021; Mirchi et al., 2022; Tong et al., 2023）。传统的 MI-EEG 分类算法采用空间解码技术，利用从头皮记录的多通道 EEG 数据来识别运动意图 (Xu et al., 2021)。为了对来自多通道 MI-EEG 的信号进行分类，已经提出了各种方法，有效地捕捉它们的时间、频谱和空间特征 (Tang et al., 2019; Wang and Cerf, 2022; Hamada et al., 2023; Li Y. et al., 2023)。鉴于 EEG 信号的节律性和非线性特性，已经提出了几种利用小波调制和模糊熵的特征提取技术。 Grosse（Grosse-Wentrup and Buss，2008）介绍了一种结合公共空间模式 (CSP) 进行空间滤波和降低维数的方法，并辅以滤波器组技术将空间细化信号划分为多个频率子带。同样，Malan 和 Sharma（2022）开发了一个基于双树复小波变换的滤波器组，将 EEG 信号分离为子带。将 EEG 信号分割成这些子带后，通过 CSP 从每个子带得出空间特征，随后采用监督学习框架进行细化。Fei 和 Chu（2022）提出了一种利用相空间和小波变换的多层孪生支持向量机。尽管这些方法具有潜力，但它们忽略了电极之间的拓扑关系，因此需要进一步优化以提高 MI 分类准确性。认识到神经科学对脑网络动力学和神经信号传播机制的日益重视，图卷积网络 (GCN) 已被引入用于解码 EEG 信号（Wang 等人，2021；Du G. 等人，2022；Gao 等人，2022）。然后 Kipf 和 Welling（2016）将图论和深度学习结合起来以捕捉节点之间的关系。巧合的是，Hinton（2022）提出的神经传递领域的一个突破性概念前向-前向 (FF) 机制正在引起人们的关注。该机制提供了一种有效的方法来处理神经网络中的序列数据，而无需存储神经活动或暂停以进行错误传播。我们的研究旨在将 FF 机制与 GCN 相结合，用于基于 EEG 的 BCI，从而在运动意象分类方面取得重大进展。在研究中，我们提出了一种创新的 F-FGCN 框架用于 MI 分类。我们研究的突出贡献如下：
统一卷积稀疏变换器用于脑电图原始数据的疾病诊断、监测、药物开发和治疗效果预测
简单总结：脑电图为大脑活动提供了宝贵的见解，具有多种医疗用途，包括诊断、监测、药物发现和治疗评估。我们提出了一种人工智能模型，该模型经过独特优化，通过直接处理原始数据来分析脑电图信号。该模型通过空间通道注意和稀疏变压器编码等专用组件捕获脑电图中复杂的空间和时间模式。经过广泛评估，我们的模型在检测脑部疾病和分类精神药物方面表现出很高的准确性。通过自动学习原始脑电图数据的表示，它可以很好地适应疾病、受试者和任务。该模型的端到端学习能力和任务多功能性构成了一个强大且广泛适用的自动脑电图分析解决方案。我们相信它有潜力显著推进基于脑电图的诊断和个性化医疗。
基于脑电信号的情绪识别中时间窗长度的研究
摘要 本研究旨在利用机器学习技术和便携式无线传感设备 EPOC+，对情绪识别中使用不同长度的时间窗口 (TW) 进行比较分析。本研究以个体在情绪刺激过程中提取的脑电信号数据集为基础，以熵为特征，评估不同分类器模型在不同 TW 长度下的性能。进行了两种类型的分析：被试间和被试内。在五种监督分类器模型中比较了准确率、曲线下面积和 Cohen's Kappa 系数等性能指标：K最近邻 (KNN)、支持向量机 (SVM)、逻辑回归 (LR)、随机森林 (RF) 和决策树 (DT)。结果表明，在两种分析中，所有五种模型在 2 至 15 秒的 TW 中均表现出较高的性能，其中 10 秒 TW 在被试间分析中尤为突出，5 秒 TW 在被试内分析中尤为突出；此外，不建议使用超过20秒的TW。这些结果为研究情绪时EEG信号分析中选择TW提供了有价值的指导。
超越模仿未被充分表现的情绪：利用情绪子空间约束进行深度数据增强以实现基于脑电图的情绪识别
近年来，使用脑电图 (EEG) 识别情绪引起了广泛关注。尽管取得了进展，但有限的 EEG 数据限制了它的潜力。因此，生成对抗网络 (GAN) 被提出来模仿观察到的分布并生成 EEG 数据。然而，对于不平衡的数据集，GAN 仅通过模仿代表性不足的少数情绪就难以产生可靠的增强。因此，我们引入了情绪子空间约束的生成对抗网络 (ESC-GAN) 作为现有框架的替代方案。我们首先提出 EEG 编辑范式，将参考 EEG 信号从代表性良好的情绪子空间编辑到代表性不足的情绪子空间。然后，我们引入多样性感知和边界感知损失来约束增强子空间。在这里，多样性感知损失通过扩大样本差异来鼓励多样化的情感子空间，而边界感知损失将增强子空间限制在决策边界附近，而识别模型可能在此受到攻击。实验表明，ESC-GAN 提高了基准数据集 DEAP、AMIGOS 和 SEED 上的情感识别性能，同时防止了潜在的对抗性攻击。最后，所提出的方法为在情感子空间约束下编辑 EEG 信号开辟了新途径，促进了无偏且安全的 EEG 数据增强。
使用依赖性，未开发的双激酶信号定位于脑学习电路
成像脑学习和记忆电路激酶信号传导是一个巨大的挑战。基于相的激酶（SPARK）生物传感器的基于相的活性报告剂允许对体内多种相互作用激酶的回路定位研究，包括蛋白激酶A（PKA）（PKA）和细胞外信号调节激酶（ERK）信号。在精确映射的果蝇脑学习/记忆力中，我们发现PKA和ERK信号差异富集在不同的Kenyon细胞连接节点中。我们发现，增强正常电路活性会诱导电路定位的PKA和ERK信号传导，从而在新的突触前和突触后结构域内扩大激酶功能。活性诱导的PKA信号传导与先前选择性ERK信号节点的广泛重叠，而活性诱导的ERK信号在新的连接节点中产生。我们发现，肯尼因细胞中的靶向突触传输阻滞提升了基线ERK信号通常高的肯尼恩细胞中的电路 - 定位ERK诱导，这表明侧向和反馈抑制。我们发现通路链接的孟-PO（人类SBK1）丝氨酸/苏氨酸激酶的过表达，以改善学习获取和记忆巩固导致可分离的Kenyon细胞电路连接节点中的PKA和ERK信号急剧增强，从而揭示了同步和未提到的信号启动的潜在。最后，我们发现一种机械诱导的表现性癫痫发作模型（易于震惊的“爆炸敏感”突变体）具有强烈升高的电路定位的PKA和ERK信号传导。两性在所有实验中均使用，除了半合基因唯一的癫痫发作模型。过度兴奋，学习增强和表皮性癫痫模型具有相当升高的相互作用激酶信号传导，这表明使用依赖性诱导的共同基础。我们得出的结论是，PKA和ERK信号调制在与学习/记忆潜力有关的癫痫发作易感性基础的使用依赖性空间电路动力学中进行了局部协调。
MRI 或 18F-FDG PET 用于脑年龄差距评估
大脑年龄与实际年龄的偏差，即所谓的大脑年龄差距 (BAG)，与阿尔茨海默病 (AD) 等神经退行性疾病有关。在这里，我们比较了 MRI 衍生的（萎缩）或 18 F-FDG PET 衍生的（大脑代谢）BAG 与认知正常个体 (CN) 和主观认知衰退 (SCD) 或轻度认知障碍 (MCI) 个体的认知表现、神经病理学负担和疾病进展之间的关联。方法：训练机器学习管道从阿尔茨海默病神经影像学计划的 185 张匹配的 T1 加权 MRI 或 18 F-FDG PET CN 扫描中估计大脑年龄，并在来自影像开放获取和德国神经退行性疾病中心 - 纵向认知障碍和痴呆研究的外部测试集中进行验证。 BAG 与 CN、SCD 受试者和 MCI 受试者的认知能力和 AD 神经病理学指标相关。最后，比较认知稳定和衰退个体的 BAG，随后用于预测疾病进展。结果：MRI（平均绝对误差，2.49 岁）和 18 F-FDG PET（平均绝对误差，2.60 岁）均能很好地估计年龄。在 SCD 阶段，基于 MRI 的 BAG 与脑脊液中的 β-淀粉样蛋白 1-42 (A b 1-42 ) 显着相关，而 18 F-FDG PET BAG 与记忆能力相关。在 MCI 阶段，两种 BAG 均与记忆和执行功能表现以及脑脊液 A b 1-42 相关，但只有 MRI 衍生的 BAG 与磷酸化 tau 181 /A b 1-42 相关。最后，MRI 估计的 BAG 比 18 F-FDG PET 估计的 BAG 更能预测 MCI 到 AD 的进展（曲线下面积分别为 0.73 和 0.60）。结论：可以通过 MRI 或 18 F-FDG PET 可靠地估计年龄。MRI BAG 反映 SCD 和 MCI 中的 AD 认知和病理标志物，而 18 F-FDG PET BAG 主要对早期认知障碍敏感，可能构成大脑年龄相关变化的独立生物标志物。