XiaoMi-AI文件搜索系统
World File Search System于脑
实时评估基于脑电图的不同任务参与度
1 g.tec 医学工程有限公司，奥地利希德尔贝格 2 健康监测增强现实实验室 (ARHeMLab)，那不勒斯费德里科二世大学，那不勒斯，意大利 3 都灵理工学院电子与电信系 (DET)，意大利都灵 4 约翰内斯开普勒大学计算感知研究所，林茨，奥地利 5 约翰内斯开普勒集成电路研究所奥地利林茨大学 6 萨兰托大学创新工程系，意大利莱切 7 那不勒斯费德里克二世大学电气工程与信息技术系 (DIETI)，意大利那不勒斯 8 意大利那不勒斯费德里科二世大学管理卫生与创新中心 (CIRMIS)，那不勒斯费德里科二世大学跨部门管理中心9 大学数据与信号处理研究组西班牙加泰罗尼亚维多利亚中央大学，加泰罗尼亚，维多利亚 10 英国剑桥大学精神病学系，剑桥，英国 11 g.tec 医学工程西班牙 SL，巴塞罗那，西班牙 12 共同第一作者 ∗ 应联系的作者。
使用依赖性，未开发的双激酶信号定位于脑学习电路
研究文章|细胞/分子使用依赖性，未开发的双激酶信号定位于脑学习电路中https://doi.org/10.1523/jneurosci.1126-23.2024收到：2023年6月16日修订：2024年1月12日接受：2024年1月16日2024年1月16日，2024年1月16日版权所有©2024 The Copyright©2024 The Autor©/DIV>
关于脑电图识别中功能连接特征和riemannian流形的组合的研究
方法：在目前的工作中，我们引入了拉普拉斯矩阵，以将功能连接特征（即相位锁定值（PLV），Pearson相关系数（PCC），频谱相干（COH）和共同信息（MI）转换为半阳性运营商，以确保转换为正面的功能。然后，使用SPD网络来提取深空信息，并采用完全连接的层来验证提取特征的效果。，决策层融合策略用于实现更准确和稳定的识别结果，并研究了不同特征组合的分类性能的差异。更重要的是，还研究了应用于功能连接功能的最佳阈值。
MMCFormer：用于脑肿瘤分割的缺失模态补偿变换器
人类脑肿瘤，更具体地说是神经胶质瘤，是最危及生命的癌症之一，通常由神经胶质干细胞异常生长引起。实际上，磁共振成像 (MRI) 模态提供不同的对比度来阐明组织特性，提供有关大脑结构的全面信息以及检测肿瘤的潜在线索。因此，多模态 MRI 通常用于诊断脑肿瘤。然而，由于获取的模态集可能因临床部位而异，脑肿瘤研究可能会遗漏一两种 MRI 模态。为了以端到端的方式解决缺失信息，我们提出了 MMCFormer，一种新颖的缺失模态补偿网络。我们的策略建立在 3D 高效转换器块之上，并使用共同训练策略来有效地训练缺失模态网络。为了确保多尺度特征一致性，MMCFormer 在编码器的每个尺度上都使用全局上下文一致性模块。此外，为了传输特定于模态的表示，我们建议在瓶颈阶段加入辅助标记，以对完整和缺失模态路径之间的交互进行建模。最重要的是，我们包括特征一致性损失，以减少网络预测中的域差距并提高缺失模态路径的预测可靠性。在 BraTS 2018 数据集上进行的大量实验证明了我们的方法与竞争方法相比的优势。实现代码可在 GitHub 上公开获取。关键词：Transformer、缺失模态、分割、MRI、医学。
基于脑连接组的成像标记，用于识别有先兆和无先兆的偏头痛特征
偏头痛是一种神经系统疾病，直接影响全球超过 10 亿人 (1)。根据先兆症状是否完全可逆，偏头痛分为有先兆偏头痛 (MwA) 或无先兆偏头痛 (MwoA) (2)。根据头痛发作频率，偏头痛可分为发作性偏头痛和慢性偏头痛 (3,4)。在发作性偏头痛和慢性偏头痛的定义中，满足 MwoA 和/或 MwA 的诊断标准仍然是优先事项 (5)。约 30% 的偏头痛患者在头痛期 (称为前驱期) 之前会出现多种先兆症状，包括视觉、感觉、言语和/或语言、运动、脑干和视网膜症状 (2)。患有 MwA 的患者比患有 MwoA 的患者发生缺血性中风和心血管疾病的风险更高 (6,7)。因此，针对先兆的特异性治疗可能有助于降低先兆相关血管事件的风险。无论是为了终止头痛发作还是为了防止下一次头痛发作，偏头痛先兆亚型的划分都应基于对疾病机制的理解（8）。皮质扩散性抑制 (CSD) 代表了偏头痛先兆的主要理论。CSD 的特征是去极化神经元和神经胶质细胞的增殖，正常离子梯度的破坏会导致神经系统症状（9）。有人认为 CSD 可能会激活和敏化三叉神经血管通路，而三叉神经血管通路在介导偏头痛发作中起关键作用（5,9）。然而，也有人认为 CSD 可以存在于偏头痛患者中，但处于静默状态，导致没有先兆表现（10）。根据先兆症状将偏头痛患者分为 MwA 和 MwoA 可能值得怀疑。因此，除了先兆症状表现之外，我们仍然需要其他确凿的证据来对偏头痛进行亚型划分，以及进一步了解偏头痛先兆的异质性及其潜在机制。据报道，神经影像学得出的脑结构连接 (SC) 和功能连接 (FC) 改变可提供对偏头痛病理生理学的实质性认识，并可能识别潜在的 MwA 判别特征 (11-18)。偏头痛患者的脑连接变异被解释为与 CSD 和三叉神经血管通路理论有关，这些理论被广泛认为是偏头痛的可能病理生理机制 (13,19-21)。与 MwoA 相比，MwA 检测到了脑 FC 增加和过度兴奋，这意味着更高的
基于脑电图的机器学习手势分类方法
- –“ ƒ– ‹…”‡…—'J™ˆŠƒ†'〜‡‡‡‡ - - - - •€‰„“ƒ×…--- ach〜j×eth - ›×找到势……”或基•…'Ž‡ - ‡Ž›'“”‰ƒǧ††找积•‹‰Žƒ‰ - ‰‡ - - ———›'•›• - ‡×‡‡…'' - •‡' - ‡•×'†'†' Žǡƒ†–š‡€“……” ˆ'ƒ…‡ƒ… - ”ƒ…›钓务cam •‡Ž‡… - ‹'ƒ†ŽV™的ˆ'“”ƒ…‡ƒ… - ”ƒ…›ƒ†‡ˆ ‹…‹‡…›'ˆ –ish•›•›• - •…''来–š•›• - ‡ǡ™‡ - •†–š‡！‡！‡‰‹招募–‡••‡•••••†ƒ•‡• - ƒ•ƒ•ƒ•ƒ•ƒˆ‡ƒ •‹‰ƒ学生‡''“•”“…‡••×‰ǡ™‡ƒ''''' –IS•™‡™‡†—CH‡†'''•• - - - ——— ——— —SH –š - '••‡Ž•… - ‡ - ‡‡ˆ‡… - ‡<‡<‡<〜‡<â€'''''–šâ€â€â€€â€âˆ'âˆ'—…... '“•”“……•••‡† - ו•••••••×™•™Š×………™……™‡”‡ - •••†—'†<<………•…€€ ǡ™Š…ach× - - ••†ƒ• - Ňˆ×™□‡ƒ - “或好‰ƒ车‰'“” - Š•ǡƒ›››› —“来'〜所有 - - - - - âƒ所有ƒ - “ƒ所有” - ™'“”ȋͳȋͳȍȋͳ届‰'”找”‡•'‡…–‹˜‡Ž›Ǥ '”'†—…‡† ƒš‹ — ƒ……—”ƒ…›ǡ ™Š‹…Š ‹• Š‹‰Š‡” –Šƒ –Š‡ ‡š‹•–‹ ‰ ‡–Š'†Ǥ
揭示大脑连接性：用于脑电图表示和功能连接性的比较分析
这项研究采用深度学习技术来提出一种令人信服的方法，用于通过图形嵌入来建模EEG运动成像分类中的大脑连接性。这项研究的引人入胜的方面在于其图形嵌入，深度学习和不同大脑连接性类型的结合，这不仅增强了分类精度，而且还丰富了对大脑功能的理解。该方法具有很高的精度，为大脑连接提供了宝贵的见解，并在理解神经系统状况方面具有潜在的应用。所提出的模型由两个不同的基于图的卷积神经网络组成，每种都利用不同类型的脑连接性，以增强分类性能并获得对大脑连接的更深入的了解。基于邻接的卷积神经网络模型（ADJ-CNNM），基于结构性大脑连接到嵌入空间信息，将其与先前的空间过滤方法区分开来，利用图表表示图表。在基准数据集-IV-2A上进行的广泛测试表明，ADJ-CNNM可以实现72.77％的精度，超过基线和最新方法。第二个模型是相位锁定值卷积神经网络模型（PLV-CNNM），它结合了功能连接性，以克服结构连通性限制，并确定不同大脑区域之间的连接。PLV-CNNM在1-51 Hz频率范围内达到75.10％的总体精度。此外，在考虑整个8-30 Hz频段时，该模型的精度为84.3％。在首选的8–30 Hz频带中，分别以α，µ和β为α，90.2％和85.8％的个人精度，为91.9％，90.2％和85.8％的单个精确度，分别为91.9％，90.2％和85.8％。值得注意的是，PLV-CNNM在运动成像任务期间揭示了不同的大脑区域之间的牢固连接，包括额叶和中央皮层以及中央和顶叶皮层。这些发现为大脑连接模式提供了宝贵的见解，从而丰富了对大脑功能的理解。此外，该研究还对各种大脑连通性建模方法进行了全面的比较分析。
揭示大脑连接：用于脑电图表征学习的图嵌入以及结构和功能连接的比较分析
本研究采用深度学习技术，提出了一种通过图嵌入对 EEG 运动意象分类中的大脑连接进行建模的引人注目的方法。本研究引人注目的地方在于它结合了图嵌入、深度学习和不同的大脑连接类型，不仅提高了分类准确性，而且丰富了对大脑功能的理解。该方法具有很高的准确性，为了解大脑连接提供了宝贵的见解，并在理解神经系统疾病方面具有潜在的应用价值。所提出的模型由两个不同的基于图的卷积神经网络组成，每个模型都利用不同类型的大脑连接来提高分类性能并更深入地了解大脑连接。第一个模型是基于邻接的卷积神经网络模型 (Adj-CNNM)，它利用基于结构性大脑连接的图形表示来嵌入空间信息，使其有别于以前依赖于受试者和任务的空间过滤方法。在基准数据集 IV-2a 上进行的大量测试表明，Adj-CNNM 的准确率达到 72.77%，超越了基线和最先进的方法。第二个模型是锁相值卷积神经网络模型（PLV-CNNM），它结合功能连接来克服结构连接限制，并识别不同大脑区域之间的连接。PLV-CNNM 在 1-51 Hz 频率范围内的总体准确率达到 75.10%。在以运动图像数据分类（包括 α 、µ 和 β 波）而闻名的 8-30 Hz 频带中，α 、µ 和 β 的个体准确率分别达到 91.9%、90.2% 和 85.8%。此外，当考虑整个 8-30 Hz 频带时，该模型的表现令人钦佩，准确率达到 84.3%。值得注意的是，PLV-CNNM 揭示了运动想象任务期间不同大脑区域之间的稳健连接，包括额叶和中央皮质以及中央和顶叶皮质。这些发现为大脑连接模式提供了宝贵的见解，丰富了对大脑功能的理解。此外，该研究还对各种大脑连接建模方法进行了全面的比较分析。
用于脑功能障碍分析的可解释脑图对比学习框架
在本文中，我们提出了一个可解释的脑图对比学习框架，旨在通过无监督的方式学习脑图表征，以用于疾病预测和病因分析。我们的框架包含两个关键设计：首先，我们利用可控的数据增强策略来扰动不重要的结构和属性特征以生成脑图。然后，考虑到健康和患者脑图的差异较小，我们引入硬负样本评估来加权对比损失的负样本，这可以学习更具判别性的脑图表征。更重要的是，我们的方法可以观察到显著的大脑区域和连接以用于病因分析。我们在三个真实的神经影像数据集上进行了疾病预测和可解释分析实验，以证明我们框架的有效性。
使用可解释的人工智能来获得基于脑电图信号的有效癫痫检测模型
摘要：癫痫病是一种影响全球5000万个人的疾病，会对他们的生活质量产生重大影响。癫痫发作，一种短暂的发生，其特征是表现范围，包括运动功能和意识的改变。这些事件对受影响的人的日常生活施加了重新限制，经常导致社会孤立和心理困扰。在响应中，通过EEG信号分析，采用机器学习和深度学习方法来检测和预防癫痫发作。本研究提出了一种减少简单分类器所需的特征和渠道数量的方法，利用可解释的人工智能（XAI）检测癫痫发作。所提出的方法通过在时间域分析中仅利用六个特征和五个通道，其准确性，精度，召回和F1得分超过95％，其时间窗口为1 s。该模型证明了数据库中包含的患者队列中的强大概括，这表明在简单模型中的特征降低（没有深度学习）足以进行癫痫发作检测。该研究强调了属性和渠道数量大量减少的潜力，主张培训具有战略性选择的电极的模型，从而支持开发有效的移动应用程序以进行癫痫发作检测。