XiaoMi-AI文件搜索系统
World File Search System内脑
从颅内脑电图解码言语产生过程中的发音轨迹
简介：语音脑机接口 (BCI) 是一种可以帮助神经系统障碍患者恢复交流能力的技术，旨在从脑信号合成语音。大多数研究都集中于直接解码文本或语音片段，如音素或单词。然而，目前尚不清楚语音生成过程是否在神经记录中以这种形式呈现。一种有趣的方法是模拟声道的行为，该行为已从多个大脑区域成功解码。声道由称为发声器官的不同生理结构组成（即下颌、软腭和嘴唇）。所有发声器官的位置和运动的组合决定了语音生成过程中听到的声音。最近的进展使得从这些发声器官的时间轨迹重建语音成为可能，使它们成为构建语音 BCI 的良好候选者。本研究将探讨从微创脑电图解码发声轨迹的可能性。材料与方法：通过这项工作，我们将系统地评估从神经信号中解码发声轨迹，从而评估构建以发声轨迹为中间表示的语音 BCI 的可行性。我们计划使用 Verwoert 等人 [2] 提出的 SingleWordProductionDutch (SWPD) 数据集，其中 10 位参与者读出单个单词，同时测量立体定向脑电图 (sEEG) 和音频数据。结果：我们使用 Gao 等人 [1] 提出的模型从音频中提取发声轨迹。从 sEEG 记录中提取高伽马功率，其中包含有关语音过程的高度本地化信息。图 1 显示了 SWPD 数据集中植入其中一名受试者的 sEEG 电极的位置，以及来自一次记录的发声轨迹。我们训练一个线性回归模型，直接从神经数据预测发音轨迹，并通过与实际轨迹的相关性来评估重建。
人类颅内脑电图研究进展、指南和良好实践
a 法国马赛艾克斯—马赛大学 INSERM、INS、系统神经科学研究所 b 法国普罗旺斯地区艾克斯—马赛大学、CNRS、LPL c 美国加利福尼亚州洛杉矶南加州大学信号与图像处理研究所 d 意大利国家研究委员会神经科学研究所，意大利帕尔马 e 德国波鸿鲁尔大学心理学系、认知神经科学研究所、Universitätsstraße 150 号，波鸿 44801 f 北京师范大学认知神经科学与学习国家重点实验室和 IDG/麦戈文脑研究中心，北京市海淀区新街口外大街 19 号，100875，中国 g 美国圣地亚哥加利福尼亚大学拉霍亚分校认知科学系 h 美国德克萨斯大学戴尔医学院神经病学系奥斯汀，美国德克萨斯州奥斯汀 i 德克萨斯大学奥斯汀分校神经科学研究所，美国德克萨斯州奥斯汀 j 德克萨斯大学奥斯汀分校穆迪传播学院言语、语言和听力科学系，美国德克萨斯州奥斯汀 k 梅奥诊所生理学和生物医学工程系，美国明尼苏达州罗彻斯特 l 宾夕法尼亚大学心理学系，美国宾夕法尼亚州费城 m 加利福尼亚大学伯克利分校心理学系和海伦·威尔斯神经科学研究所，美国加利福尼亚州 94720 n 加利福尼亚大学伯克利分校海伦·威尔斯神经科学研究所，美国 o 日内瓦大学医学院临床神经科学系，瑞士日内瓦 p 马克斯·普朗克经验美学研究所神经科学系，德国法兰克福 Grüneburgweg 14，邮编 60322 q 纽约大学神经病学系格罗斯曼医学院，纽约东 32 街 145 号 828 室，邮编 10016，美国 r 梅奥诊所神经外科系，罗彻斯特，MN 55905，美国 s 荷兰奈梅亨拉德堡德大学 Donders 大脑、认知和行为研究所 t 荷兰奈梅亨拉德堡德大学医学心理学系，Donders 医学神经科学中心 u 美国印第安纳州布卢明顿印第安纳大学心理与脑科学系、神经科学和认知科学项目 v 荷兰乌得勒支大学脑中心神经病学和神经外科系 w 神经回路和认知实验室，欧洲神经科学研究所哥廷根 - 由德国哥廷根大学医学中心和马克斯·普朗克学会联合发起 x 德国灵长类动物中心感知与可塑性小组，莱布尼茨灵长类动物研究所，德国哥廷根 y 加州大学拉霍亚分校神经科学研究生项目，美国新罕布什尔州汉诺威市 z 达特茅斯学院心理与脑科学系，美国新罕布什尔州 aa 俄勒冈大学人体生理学系，美国 ab Hal ı c ı o ğlu 加州大学拉霍亚分校数据科学研究所，美国圣地亚哥 ac 加州大学拉霍亚分校卡弗里大脑与思维研究所，美国圣地亚哥 ad 中国科学院心理健康重点实验室，北京 ae 中国科学院大学心理学系，北京 af 里昂神经科学研究中心，EDUWELL 团队，INSERM UMRS 1028, CNRS UMR 5292, Université Claude Bernard Lyon 1, Université de Lyon, Lyon F-69000, France ag NatMEG, 卡罗林斯卡学院, 斯德哥尔摩, 瑞典
使用扩展的块项张量回归根据颅内脑活动预测手指运动和共同激活
每年，全球有多达 50 万患者因脊髓损伤、脑干中风和肌萎缩侧索硬化症 (ALS) 而陷入瘫痪 [1]。脑机接口 (BCI) 能够绕过断开的神经通路来取代丢失或受损的身体部位的功能，这使得它们被推广为这些患者的解决方案。通常，BCI 系统由几个组件组成：从记录的大脑活动中提取信号特征，并将结果翻译（“解码”）为控制外部设备（如机械臂或手）的命令。BCI 控制手部肌肉的功能性电刺激 (FES) [2, 3] 和假手、外骨骼或其他效应器 [4, 5, 6, 7] 已经取得了非凡的成果。
颅内脑膜瘤的体积测量
虽然误差百分比与线性体积估计无关，但较小的肿瘤在平面测量中表现出较大的误差指数。这部分是由于手动勾勒肿瘤边缘时包括了周围的体素，使得小病变在比例上受到附近组织的包含的影响更大。这种影响在多参数分割中得到了校正。在 T1CE 图像中，由于 DICOM 查看器软件上的信号插值，肿瘤与周围结构之间的界面在肉眼下可能变得略宽。因此，信号强度在肿瘤-实质界面处减弱，使得难以精确定义界限。多参数 VBM 不是
利用机器学习解码颅内脑电图
颅内脑电图 (iEEG) 和神经生理学的进步使得人们能够以高保真时间和空间分辨率研究以前无法接近的大脑区域。对 iEEG 的研究揭示了丰富的神经代码，这些代码服务于健康的大脑功能，但在疾病状态下会失效。机器学习 (ML) 是一种人工智能，是一种现代工具，可以更好地解码复杂的神经信号并增强对这些数据的解释。迄今为止，许多出版物已将 ML 应用于 iEEG，但临床医生对这些技术及其与神经外科的相关性的认识有限。本研究回顾了 ML 技术在 iEEG 数据中的现有应用，讨论了各种方法的相对优点和局限性，并研究了神经外科临床转化的潜在途径。从 3 个数据库中确定了 107 篇研究人工智能在 iEEG 中的应用的文章。这些文章中的 ML 临床应用分为 4 个领域：i) 癫痫发作分析、ii) 运动任务、iii) 认知评估和 iv) 睡眠分期。审查显示，监督算法在研究中最常用，并且经常利用公开可用的时间序列数据集。我们最后提出了未来工作和潜在临床应用的建议。
等离子体P-TAU217预测常染色体显性阿尔茨海默氏病的体内脑病理学和认知
摘要 - 本文解决了使用增强的对象检测方法检测行人的问题。尤其是，本文考虑了在自主驾驶场景中的闭塞行人检测问题，在这种情况下，准确性和速度之间的性能平衡至关重要。现有的作品着重于独立于身体部位语义的独特人的学习表示。为了实现实时表现以及可靠的检测，我们引入了一个基于身体部位的行人检测体系结构，通过计算有效的约束优化技术将身体部位融合在一起。我们证明我们的方法显着提高了检测准确性，同时添加可忽略的运行时开销。我们使用现实世界数据集评估了我们的方法。实验结果表明，所提出的方法的表现优于现有的行人检测方法。
利用耳内脑电图进行注意力状态分类
摘要 — 完全在耳内的脑电图 (入耳式 EEG) 为不引人注目的连续生理和认知状态监测开辟了令人兴奋的途径。这项工作提出了基于在警觉任务实验中使用的舒适的双耳入耳式 EEG 仪器记录的数据对注意力状态进行精确分类的技术。我们记录了来自多个受试者的头皮和耳内 EEG 信号，并表明入耳式 EEG 提供了相当的分类准确度。我们的工作是共模空间滤波技术首次应用于从不受束缚的受试者的稀疏电极获取的信号。我们在对注意力和静息状态进行分类时展示了 90-95% 的准确率（带有 30 个电极的头皮 EEG）和 70-75%（耳道和耳甲内有 5 个电极的入耳式 EEG）。我们还展示了我们的方法对于低功耗片上分类来说是轻量级的，具有少量学习的能力。可穿戴、连续健康传感器的必要性在于适应资源受限的应用，并适应受试者之间的差异和不同的环境条件。这项研究表明，未来系统级芯片 (SoC) 集成对于能够进行闭环认知状态监测和神经反馈的用户通用和便携式设备具有可行性。索引术语 —BCI、入耳式脑电图、认知状态监测、警觉任务
迈向无处不在的脑电图，耳内脑电图与前额脑电图的相关性
摘要：近年来，可穿戴式脑电图 (EEG) 在临床和研究之外的广阔应用前景推动下越来越受欢迎。连续脑电图的普遍应用需要不显眼的外形，以便终端用户轻松接受。在此过程中，可穿戴式脑电图系统已从整个头皮转移到前额，最近又转移到耳朵。本研究的目的是证明新兴的耳部脑电图提供与现有的前额脑电图相似的阻抗和信号特性。在阻抗分析后，使用装有三个定制电极和一个前额电极 (Fpx) 的通用耳机从十名健康受试者获取了睁眼和闭眼阿尔法范式的脑电图数据。入耳式电极阻抗的受试者间变异性在 10 Hz 时为 20 k Ω 至 25 k Ω。信号质量相当，入耳式电极的 SNR 为 6，前额电极的 SNR 为 8。所有入耳式电极在睁眼状态下的 Alpha 衰减都很明显，并且遵循前额电极功率谱密度图的结构，入耳位置 ELE（左耳上）和 ERE（右耳上）与前额位置 Fp1 和 Fp2 之间的 Pearson 相关系数分别为 0.92。结果表明，就阻抗、信号特性和信息内容而言，入耳式 EEG 是已建立的前额 EEG 的非侵入式替代方案。
顶骨内脑膨出
脑膨出是脑实质通过颅底或颅顶骨性缺损突出[1]。脑膨出可能是先天性疾病（类似于神经管缺损），也可能是后天事件导致的，如感染、创伤、肿瘤和医源性原因[2,3]。据估计，每 3,000-10,000 个活产婴儿中就有 1 个是先天性脑膨出[4]。人们提出了许多脑膨出的分类系统，但最被接受的是 Matson [5] 的分类系统，该系统根据脑膨出的位置分为：基底、枕骨、凸面和闭锁。这些病变通常位于中线，从鼻部到枕部，四分之三的脑膨出发生在后部[6]。如果缺损仅占据硬脑膜和内板，而颅骨外板完整，则实质疝会发生在板内空间，称为板内脑膨出 [7]。尤其是偏离中线的顶叶脑膨出非常罕见，仅占所有脑脊髓畸形的 1% 和脑膨出的 10% [2,8]。我们在此报告
基于高阶张量分解的头皮到颅内脑电图投影检测发作间期癫痫样放电
摘要。目的。发作间期癫痫样放电 (IED) 发生在两次癫痫发作之间。IED 主要通过颅内记录捕获，通常在头皮上不可见。本研究提出了一种基于张量分解的模型，将头皮脑电图 (sEEG) 的时频 (TF) 特征映射到颅内脑电图 (iEEG) 的 TF 特征，以便以高灵敏度检测头皮上的 IED。方法。采用连续小波变换提取 TF 特征。将来自 iEEG 记录的 IED 段的时间、频率和通道模式连接成四向张量。采用 Tucker 和 CANDECOMP/PARAFAC 分解技术将张量分解为时间、频谱、空间和节段因子。最后，将来自头皮记录的 IED 和非 IED 段的 TF 特征投影到时间分量上进行分类。主要结果。模型性能通过两种不同的方法获得：受试者内和受试者间分类方法。我们提出的方法与其他四种方法进行了比较，即基于张量的空间分量分析方法、基于 TF 的方法、线性回归映射模型以及非对称对称自动编码器映射模型，然后是卷积神经网络。我们提出的方法在受试者内和受试者间分类方法中均优于所有这些方法，分别实现了 84.2% 和 72.6% 的准确率。意义。研究结果表明，将 sEEG 映射到 iEEG 可提高基于头皮的 IED 检测模型的性能。此外，基于张量的映射模型优于基于自动编码器和回归的映射模型。