XiaoMi-AI文件搜索系统
World File Search System信号的
MBrain：一种用于脑信号的多通道自监督学习框架
脑信号是理解人脑生理活动和疾病的重要定量数据。同时，快速发展的深度学习方法为更好地建模脑信号提供了广泛的机会，近年来吸引了大量研究投入。现有研究大多关注监督学习方法，但该方法需要高成本的临床标签。此外，侵入性（如SEEG）和非侵入性（如EEG）方法测得的脑信号的临床模式差异巨大，导致缺乏统一的方法。为了处理上述问题，本文提出研究脑信号的自监督学习（SSL）框架，可应用于预训练SEEG或EEG数据。直观地看，脑信号是由神经元放电产生的，会在人脑不同的连接结构之间传输。受此启发，我们提出MBrain来学习不同通道（即电极触点，对应不同的脑区）之间隐含的空间和时间相关性，作为统一建模不同类型脑信号的基石。具体来说，我们用一个图结构来表示空间相关性，该图结构是基于提出的多通道 CPC 构建的。我们从理论上证明优化多通道 CPC 的目标可以得到更好的预测表示，并在此基础上应用瞬时时间移位预测任务。然后，我们通过设计延迟时间移位预测任务来捕捉时间相关性。最后，提出替代判别学习任务来保留每个通道的特征。在 EEG 和 SEEG 大规模真实数据集上进行的大量癫痫检测实验表明，我们的模型优于几种最先进的时间序列 SSL 和无监督模型，并且有能力部署到临床实践中。
用于采集脑外伤监测的脉动光信号的头部模型
摘要：（1）背景：组织模型可以提供一种严格、可重复且方便的方法来评估光学传感器的性能。本研究描述了血管头部/脑模型的开发、特性和评估。（2）方法：该方法包括开发大脑和颅骨的模铸和 3D 打印解剖模型以及用于模拟大脑血液动力学变化的定制体外血液循环系统。将开发的模型的光学特性与文献值进行了比较。还加入了人工脑脊液来引起颅内压的变化。（3）结果：成功开发了一种新型头部模型，以模拟大脑和颅骨的解剖结构及其在近红外范围（660-900 nm）内的光学特性。所开发的循环系统模拟正常动脉血压值，平均收缩压为 118 ± 8.5 mmHg，舒张压为 70 ± 8.5 mmHg。同样，脑脊液循环允许颅内压在 5 至 30 mmHg 之间进行受控变化。成功获取了来自模型脑动脉的多波长脉动光信号（光电容积图 (PPG)）。结论：这种独特的头部模型技术为研究脑脉动光信号与颅内压和脑血流动力学变化之间的关系奠定了基础。
热休克蛋白 40/J 结构域蛋白家族成员对 p53 和癌症信号的调节。
摘要：热休克蛋白 (HSP) 是一种分子伴侣，可协助多种细胞活动，包括蛋白质折叠、细胞内运输、蛋白质复合物的组装或拆卸以及错误折叠或聚集蛋白质的稳定或降解。HSP40 也称为 J 结构域蛋白 (JDP)，是最大的家族，有超过 50 个成员，包含高度保守的 J 结构域，负责与 HSP70 结合并刺激 ATPase 活性作为辅助伴侣。肿瘤抑制基因 p53 (p53) 是人类癌症中最常见的突变基因，是与 HSP40/JDP 功能性相互作用的蛋白质之一。大多数 p53 突变都是错义突变，导致获得意想不到的致癌活性，称为功能获得 (GOF)，以及肿瘤抑制功能的丧失。此外，野生型 p53 (wtp53) 和突变型 p53 (mutp53) 的稳定性和水平分别对其肿瘤抑制和致癌活性至关重要。然而，wtp53 和 mutp53 的调节机制尚未完全了解。越来越多的报告表明 HSP40/JDPs 调节 wtp53 和 mutp53 的水平和/或活性。在这里，我们总结了与 HSP40/JDPs 与 p53 和癌症信号传导之间的联系相关的最新知识，以提高我们对肿瘤抑制 wtp53 和致癌 mutp53 GOF 活性调节的理解。
M/EEG 信号的对称正定矩阵上的 Sliced-Wasserstein
在处理脑电图或脑磁图记录时，许多监督预测任务是通过使用协方差矩阵来汇总信号来解决的。使用这些矩阵进行学习需要使用黎曼几何来解释它们的结构。在本文中，我们提出了一种处理协方差矩阵分布的新方法，并证明了其在 M/EEG 多元时间序列上的计算效率。更具体地说，我们定义了对称正定矩阵测度之间的 Sliced-Wasserstein 距离，该距离具有强大的理论保证。然后，我们利用它的属性和核方法将此距离应用于从 MEG 数据进行大脑年龄预测，并将其与基于黎曼几何的最新算法进行比较。最后，我们表明它是脑机接口应用领域自适应中 Wasserstein 距离的有效替代品。
基于生物信号的共同适应用户机器接口，用于电机控制
抽象的用户机器接口映射从用户测量的生物信号，以控制外部设备的控制命令。从生物信号到设备输入的映射由解码算法执行。对用户和解码器的改编（共同适应）提供了提高不同用户和应用程序接口的包容性和可用性的机会。用户学习会导致可靠的接口控制，可以跨环境和上下文概括。解码器适应性可以个性化接口，说明日常信号变异性并提高整体性能。共同适应创造了塑造用户和解码器系统以实现可靠且可推广的个性化接口的机会。但是，共同适应创建了一个两学习系统，并在用户和解码器之间进行动态交互。工程共同自适应接口需要新的工具和框架来分析和设计用户 - 码头交互。在本文中，我们回顾了自适应解码，用户学习和在用户机器接口中的共同适应，可用于运动控制的用户机器接口，脑中脑部脑部计算机，肌电和运动接口。然后，我们讨论了自适应接口的性能标准，并提出了一种设计用户decoder共同适应的游戏理论方法。
一种基于EEG信号的空间分布来增强SSVEP特征的方法
摘要：在本文中，我们提出了基于规范相关分析（CCA）的EEG信号的分类算法，并与自适应过滤整合。它可以增强大脑 - 计算机接口（BCI）拼写中的稳态视觉诱发电势（SSVEP）的检测。通过删除背景脑电图（EEG）活动，在CCA算法前采用了一种自适应过滤器来提高SSVEP信号的信噪比（SNR）。开发了整体方法是为了整合与多个刺激频率相对应的递归最小二乘（RLS）自适应过滤器。该方法由实际实验从六个目标记录的SSVEP信号和Tsinghua University的40个目标的公共SSVEP数据集中记录下来的SSVEP信号。比较了CCA方法的精度和基于CCA的集成RLS滤波器算法（RLS-CCA方法）。实验结果表明，与纯CCA方法相比，提出的基于RLS-CCA的方法显着提高了分类精度。尤其是当脑电图的数量较低时（三个枕发电极和五个非枕骨电极）时，其优势更为明显，精度达到91.23％，这更适合于高密度EEG不容易收集的可穿戴环境。
推进EEG信号的分析
electro encephalo图形（EEG）是一种非侵入性诊断工具，广泛用于神经外科领域。脑电图测量大脑的电活动，该活动提供了有关大脑功能的基本信息，并可以帮助诊断各种神经系统。在神经外科手术中，脑电图在手术过程中监测大脑，以确保患者的大脑功能保持稳定，并最大程度地减少神经系统并发症的风险。eeg也用于对被考虑接受脑部手术的患者的术前评估。这对帮助神经外科医生确定最佳外科手术方法至关重要，以最大程度地减少损害关键脑结构的风险。此外，EEG可用于监测手术后大脑的恢复，这可以帮助预测患者的预后并为治疗计划提供信息。近年来，脑电图的使用变得越来越复杂，并允许在手术过程中对大脑功能进行更精确和详细的监测。例如，高分辨率EEG技术可用于提供有关特定大脑区域活动的实时信息。此外，将来开发可穿戴和便携式设备将允许对大脑功能进行连续监控，从而提供有关患者病情的实时数据。
DNA损伤在肾小管上皮细胞损伤中的作用 使用脑电图信号的非线性动力学在相反的手移动下对主要手移动进行分类 与海上风电场集成的多源系统的强大双级计划方法考虑预测错误
包括急性肾脏损伤（AKI）和慢性肾脏疾病（CKD）在内的肾脏疾病的患病率正在增加。但是，大多数肾脏疾病的发病机理仍然不清楚，并且仍然缺乏有效的治疗方法。DNA损伤和相关的DNA损伤反应（DDR）已被确定为急性肾损伤和慢性肾脏疾病的常见发病机理。活性氧（ROS）诱导的DNA损伤是急性肾损伤和慢性肾脏疾病发病机理中最常见的DNA损伤类型之一。近年来，DNA损伤领域已经做出了一些发展。在此，我们回顾了急性肾脏损伤和慢性肾脏疾病中DNA损伤和DNA损伤反应的作用和发展。在这篇综述中，我们得出结论，关注DNA损伤和DNA损伤反应可能会为肾脏疾病提供有价值的诊断生物标志物和治疗策略，包括急性肾脏损伤和慢性肾脏疾病。
应用多任务转移学习：EA和优化子带正规CSP与具有小数据集的8通道EEG信号的组合
脑部计算机界面（BCI）技术提供了一种不依赖外围神经和肌肉的交流方式（Wolpaw等，2000）。全面的BCI系统涉及预处理，特征提取，信号分类和控制。这是一种直接将神经功能转化为外部产出的技术（Ramadan和Vasilakos，2017年）。最常用的脑电图（EEG）信号是事件相关的P300信号（Allison等，2020），稳态视觉引起的电势（Liavas等，1998）和运动成像（MI）信号（Pfurtscheller等人，1997年）。运动图像的最显着优势是其控制信号源自大脑的行动意图，因此不需要外部刺激（Abdulkader等，2015）。这种类型的BCI通常用于外部设备的运动控制，是当今最流行的BCI控制系统之一。但是，运动成像自发脑电图信号的信号噪声比率很低，并且受试者之间的特征有显着的单个差异。通常需要对传统的机器学习算法进行校准，以克服受试者之间的个体差异（Böttger等，2002; Saha等，2017），这一过程降低了BCI系统的效率。为了解决这一缺点，研究人员发现，使用转移学习算法来减少新用户，设备和任务的校准是有效的。近年来，转移学习使用了来自源域中的数据或信息，以帮助目标域通过使用源域（现有主题）数据来校准目标域（新主题）数据（Pan and Yang，2009）。最终，可以用带注释的几个或没有样本来判断目标域，这可以解决训练数据的基本分布与在某些条件下的测试数据之间的不匹配问题。