XiaoMi-AI文件搜索系统
World File Search System动脑
低成本移动脑电图脑机接口的设计与验证
1 休斯顿大学电气与计算机工程系，休斯顿，TX 77004，美国 2 休斯顿大学非侵入性脑机接口系统实验室，美国国家科学基金会产学研合作研究中心，神经技术可靠进步与创新中心（IUCRC BRAIN），休斯顿大学，休斯顿，TX 77004，美国 3 休斯顿大学生物医学工程系，休斯顿，TX 77004，美国 4 吉赞大学电气工程系，吉赞 45142，沙特阿拉伯 5 休斯顿大学工业设计系，休斯顿，TX 77004，美国 6 德克萨斯大学麦戈文健康医学院物理医学与康复系，休斯顿，TX 77030，美国 7 康复与研究研究所（TIRR）纪念赫尔曼医院，休斯顿，TX 77030，美国jlcontreras-vidal@uh.edu (JLC-V.)
实时反馈是否会影响常规运动图像实践中的感觉运动脑电图模式？
美国面临其第一个非传染性但可预防的大流行2糖尿病（T2DM）[1]。大约有14％的成年人被诊断出患有该疾病，另外33％被诊断为糖尿病前期，多个利益相关者已致力于开发多级方法，以减缓糖尿病前期到T2DM的过渡率[2]。糖尿病预防计划（DPP）是一种基于证据的方法，在许多医疗保健和健康科学期刊中都被引用。虽然医生被视为护理人员，护士和高级实践注册护士（APRN）在整个护理连续性中都采用，以影响预防糖尿病和糖尿病前期糖尿病的发生率和结果。护士在医疗保健的主要提供者中，可以促进从临床实践到基于社区的环境的DPP等循证干预措施（EBI）的实施。但是，DPP在医疗保健中基本上仍然是未经充实的方法。似乎存在有关DPP及其在不同患者人群中其可扩展性的知识差异。The purpose of this educational manuscript is three-fold: (1) to provide background on the Diabetes Prevention Program, its use and scalability to real- world settings, (2) to address some of the challenges of DPP across cultures, and (3) to increase awareness of how policy supports and improves populations' access to the DPP and its translational delivery models – reducing the prevalence of prediabetes, and hence diabetes, in this 国家。
感觉运动脑 - 机器界面中的神经可塑性
1。简介。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。52 2。自然和人工感觉运动功能。。。。。。。。。。。。。。52 3。运动脑 - 机器界面。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。54 3.1。。。。在闭环运动脑 - 机界面中学习。。。。。。。。。。。。。。54 3.2。大脑区域。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。56 3.3。 神经特征。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。56 3.3。神经特征。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>57 3.4。 div>解码器。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>59 3.5。 div> 设备和控制环属性。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div>59 3.5。 div>设备和控制环属性。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>61 3.6。 div>反馈的形式。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>61 4。 div>神经假体的人造感觉。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>62 4.1。 div>人造感觉。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。62 4.2。 大脑区域是人为反馈的目标。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 62 4.3。 通过电刺激引起的神经活动模式。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 63 4.4。 学习使用人造感觉。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。62 4.2。大脑区域是人为反馈的目标。。。。。。。。。。。。。。。。。。。。。。。。。。。。。62 4.3。 通过电刺激引起的神经活动模式。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 63 4.4。 学习使用人造感觉。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。62 4.3。通过电刺激引起的神经活动模式。。。。。。。。。。。。。。。。。。。63 4.4。学习使用人造感觉。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。65 4.5。皮质适应电刺激。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。66 4.6。 感觉感知通过电刺激引起。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 68 5。 结论和未来的研究。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 6866 4.6。感觉感知通过电刺激引起。。。。。。。。。。。。。。。。。。。。。。。。。68 5。结论和未来的研究。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。68
识别核心 MRI 序列以实现可靠的自动脑部...
1 德国慕尼黑工业大学伊萨尔右医院放射肿瘤学系 2 德国慕尼黑德国放射治疗联盟 (DKTK)，慕尼黑合作伙伴网站 3 德国慕尼黑亥姆霍兹中心放射医学研究所 (IRM)、放射科学系 (DRS) 4 德国慕尼黑工业大学信息学系 5 德国慕尼黑工业大学 TranslaTUM - 转化癌症研究中心 6 瑞士苏黎世大学医院放射肿瘤学系 7 德国马格德堡大学医院放射肿瘤学系 8 德国耶拿弗里德里希-席勒大学耶拿大学医院放射治疗和放射肿瘤学系 9 瑞士苏黎世大学医院定量生物医学系 10德国慕尼黑工业大学伊萨尔右医院神经放射学系 11 德国慕尼黑工业大学伊萨尔右医院神经外科系 12 德国海德堡大学医院放射肿瘤学系 13 德国海德堡国家放射肿瘤学中心 (NCRO) 海德堡放射肿瘤学研究所 (HIRO) 14 德国哥廷根大学医学中心放射肿瘤学系 15 瑞士阿劳州立大学 KSA-KSB 放射肿瘤学中心 16 德国富尔达综合医院放射肿瘤学系 17 德国基尔石勒苏益格-荷尔斯泰因大学医学中心放射肿瘤学系 18 德国弗莱堡大学医学中心放射肿瘤学系 19 德国癌症联盟（DKTK），弗莱堡合作伙伴网站，德国弗莱堡 20 塞浦路斯欧洲大学德国肿瘤中心放射肿瘤学系，塞浦路斯利马索尔 21 法兰克福和德国北部 Saphir 放射外科中心，德国盖斯特罗 22 法兰克福大学医院神经外科系，德国法兰克福 23 法兰克福工业大学医学人工智能和信息学研究所
在家尝试一下：使用大规模低成本移动脑电图通过睡眠和冥想预测年龄
图 4：四名受试者的纵向大脑年龄∆预测，他们有 (A) 多次连续冥想或 (B) 睡眠记录。选择了四名拥有超过 50 次良好信号质量记录的受试者。使用在 MMD 或 AMUSeD 上训练的模型来预测他们的大脑年龄。蓝点表示单次记录的大脑年龄∆预测值。为确保受试者的匿名性，我们仅为每个受试者提供 50 个随机抽样的记录，并在记录日期中添加随机抖动δ∼N（0，20 天）。尽管如此，我们仍使用所有可用的会话来拟合线性模型（红线），以显示每个受试者的趋势。密度图总结了预测年龄的分布（蓝色边际图）。尽管所有受试者都存在明显的差异，但从跨会话的线性模型获得的斜率（红线）接近于零，表明平均大脑年龄随时间保持稳定。这表明提出的大脑年龄指标同时捕捉了“特征”和“状态”类信息。
英国非精英（草根）运动脑震荡指南
本文件包含一般医疗信息，但不构成医疗建议，不应依赖此类信息。本指南也不能替代合格执业医师或医疗保健提供者提供的医疗建议。您不得依赖本指南替代向合格执业医师或医疗保健提供者寻求医疗建议。特别是，如果您对特定医疗问题有任何疑问或担忧，您应立即咨询合格执业医师或医疗保健提供者。如果您认为自己可能患有某种疾病，应立即就医。您绝不应因为本指南中包含的信息而延迟寻求医疗建议、忽视医疗建议或停止治疗。
使用移动脑电图和眼动追踪捕捉现实世界中的认知事件
移动大脑和身体成像 (MoBI；Gramann 等人，2011) 研究方法的出现提供了前所未有的机会，可以脱离人工实验室环境，直接在现实环境中研究认知过程 (De Vos、Gandras 和 Debener，2014；Gramann、Jung、Ferris、Lin 和 Makeig，2014；Makeig、Gramann、Jung、Sejnowski 和 Poizner，2009)。在过去十年中，传感器微型化技术取得了进展，提高了研究级身体和神经成像硬件的便携性 (Mcdowell 等人，2013)，从而允许在实验室外长时间记录大脑数据 (Hölle、Meekes 和 Bleichner，2021)。更确切地说，移动 EEG 和移动眼动追踪 (ET) 开辟了新的研究途径，可以更好地了解人们在现实世界中的思维和行为方式。利用此类移动研究方法所带来的激动人心的前景激发了人们对开发新型信号处理方法的兴趣（Reis、Hebenstreit、Gabsteiger、von Tscharner 和 Lochmann，2014 年）。总之，这些发展使得人们能够直接在自然环境中研究人类认知（Ladouce、Donaldson、Dudchenko 和 Ietswaart，2017 年），以解决广泛研究领域的基础和应用问题，例如体育科学（Park、Fairweather 和 Donaldson，2015 年）、建筑（Djebbara、Fich 和 Gramann，2019 年）和城市规划（Birenboim、Helbich 和 Kwan，2021 年）、神经人体工程学（Gramann 等人，2021 年；Dehais、Karwowski，
利用优化的深度学习模型，根据感觉运动脑活动直接重建语音
脑机接口 (BCI) 技术的发展对于帮助因严重运动瘫痪而失去说话能力的人实现交流至关重要。一种越来越受关注的 BCI 控制策略采用从神经数据进行语音解码。最近的研究表明，直接神经记录和高级计算模型相结合可以提供有希望的结果。了解哪些解码策略可以提供最佳和直接适用的结果对于推动该领域的发展至关重要。在本文中，我们优化并验证了一种解码方法，该方法基于语音重建，该语音重建直接从语音生成任务期间来自感觉运动皮层的高密度皮层脑电图记录中进行。我们表明 1) 专用机器学习优化重建模型是实现最佳重建性能的关键；2) 重建语音中的单个单词解码可达到 92-100% 的准确率（偶然水平为 8%）；3) 从感觉运动大脑活动直接重建可以产生可理解的语音。这些结果强调了模型优化以实现最佳语音解码结果的必要性，并强调了基于感觉运动皮层重建的语音解码为开发下一代 BCI 通信技术所提供的潜力。
执行和想象的抓握动作可以从分布式非运动脑区的低维表示中解码
中尺度区域，不能捕捉到运动系统的全部信息内容。在这项工作中，我们记录了 8 名癫痫患者的颅内脑电图，包括除中央沟内或相邻电极接触外的所有电极接触。我们表明，执行运动和想象运动可以从非运动区域解码；将所有非运动接触组合成一个低维表示形式，为黎曼解码器提供了足够的信息，使其达到 0.83 ± 0.11 的曲线下面积。此外，通过在执行运动上训练我们的解码器并在想象运动上进行测试，我们证明这两种情况之间存在在 beta 频率范围内共享的分布信息。通过将来自所有区域的相关信息组合成一个低维表示形式，解码器能够在没有初级运动皮层信息的情况下实现较高的解码结果。这种表示形式使解码器对扰动、信号非平稳性和神经组织退化更具鲁棒性。我们的结果表明，超越运动皮层可以为更强大、更多功能的脑机接口开辟道路。
为健康用户提供主动脑机接口
脑机接口 (BCI) 的研究和开发持续增长。特别是，BCI 专利申请在最近几年呈指数级增长（Greenberg 等人，2021 年）。然而，对于不同类型的 BCI，情况有所不同：侵入式和非侵入式、主动和被动式，尤其是在健康用户的可能使用方面。侵入式 BCI 提供最佳性能，甚至可以提供对运动决策形成的早期阶段的访问，与通常的输入设备相比实现更快的交互（Mirabella 和 Lebedev，2017 年），但它们具有高风险和成本，并且不太可能在不久的将来供健康用户使用。现有的非侵入式 BCI 具有较低的带宽、速度和准确性，这就是为什么在脑/神经-计算机交互路线图中，只有被动式，而不是主动式 BCI 被视为健康用户的潜在技术（BNCI Horizon 2020, 2015；Brunner 等人，2015 年）。被动式 BCI 使用“不以自愿控制为目的的大脑活动”（Zander 和 Kothe，2011 年）。由于它们不要求用户的注意，因此其较低的交互速度是可以接受的（Current Research in Neuroadaptive Technology，2021 年）。相比之下，主动式 BCI 的用户通过有意识地控制自己的大脑活动来明确地控制应用程序（Zander 和 Kothe，2011 年）1。这些 BCI 必须与手动输入设备（键盘、鼠标、触摸屏）和新兴的非接触式替代品（基于语音、手势和凝视）竞争，因为它们在人机交互 (HCI) 中发挥着同样的作用（Lance 等人，2012 年；van Erp 等人，2012 年）。尽管已经宣布了一些尝试，希望通过推进大脑传感器技术来大幅提高非侵入式 BCI 的性能（最引人注目的是 Facebook 计划实现“直接从大脑”快速输入文本— Constine，2017 年），但脑电图 (EEG) 仍然是唯一广泛使用的技术，其性能仍然低于机电输入设备所提供的性能。例如，据报道，非侵入式异步“脑开关”（一种需要低假阳性率但只能检测一个离散命令的 BCI）的平均激活时间约为 1.5 秒（Zheng 等人，2022 年）。此外，虽然一些非医疗主动 BCI 使用完善的非侵入式 BCI 范例——运动想象 BCI、P300 BCI、稳态视觉诱发电位 (SSVEP) BCI 和代码调制视觉诱发电位 (c-VEP) BCI——但许多项目依赖于基于学习到的变化 EEG 节律的更不精确的控制（Nijholt，2019 年；Prpa 和 Pasquier，2019 年；Vasiljevic 和 de Miranda，2020 年）。由于性能低下，主动 BCI 仍然主要供无法使用其他输入的人（例如瘫痪者）负担得起。尽管如此，为健康人开发主动 BCI 的尝试仍在继续。在本意见中，我简要概述了它们目前开发的应用领域，然后尝试弄清楚这些尝试的动机以及近期的前景。