XiaoMi-AI文件搜索系统
World File Search System图中
立体脑电图中事件相关因果关系区分名词短语和动词短语的句法处理
1 BioroBotics研究所和AI卓越，Sant'anna高级研究学院，Viale Rinaldo Piaggio 34，Pontedera 56025，意大利2 Iuss高级研究学院，Piazza della Vittoria Piazza della vittoria 15 ，米兰2016年，意大利4医学和外科部，帕尔马大学神经科学部门，通过乔瓦尼·巴蒂斯塔·格拉斯（Giovanni Battista Grassi）74，意大利帕尔马5人Humanitas临床研究所，Alessandro Manzoni 56神经病学研究所，通过Mondino 2，帕维亚 27100，意大利 8 贝尔塔雷利基金会转化神经工程主席，洛桑联邦理工学院工程学院和神经修复中心，生物技术校区，Chemin des Mines 9，日内瓦，GE CH 1202，瑞士 9 日内瓦大学基础神经科学系，生物技术校区，Chemin des Mines 9，日内瓦，GE CH 1202，瑞士 10 认知神经科学（ICoN）中心，Scuola Universitaria Superiore IUSS，Piazza Vittoria 15，帕维亚 27100，意大利 11 这些作者对这项工作做出了同等贡献。 ∗ 任何通信均应寄往作者。
脑电图中心理运动意象分类的稳定性取决于分类器模型的选择和实验设计，而不是信号预处理
心理运动意象 (MI) 是指在心理上执行运动任务（Milton 等人，2008 年，例如打网球或游泳）。此类任务可用于体育领域（Schack 等人，2014 年）或评估严重脑损伤患者的认知表现（Stender 等人，2014 年；Engemann 等人，2018 年），利用事件相关去同步 (ERD) 可靠地检测脑损伤患者的高级认知功能（Cruse 等人，2011 年、2012b 年）。可靠地检测健康人的 MI 任务表现对于诊断工具评估无法对任务做出公开反应的脑损伤患者的隐性意识是必不可少的。在一项关于心理 MI 的里程碑式研究（ Goldfine 等人，2011 ）中，作者证明，所有健康对照组的脑电活动都有意识地调节，并与活跃心理或静息状态的时间锁定在一起。但这些调节是不一致的。因此，我们得出结论，在测试健康人时，即在考虑患有严重脑损伤的患者之前，是否有可能可靠地区分心理 MI 范式中的活跃状态和静息状态，这一点值得担忧。从技术上讲，稳定的心理 MI 大脑状态的检测似乎高度依赖于所使用的信号处理、分类程序和统计分析，正如对心理 MI 数据的重新分析（ Henriques 等人，2016 ）中所报告的那样。因此，在这项工作中，我们重新审视了健康个体中 MI 范式的潜力，并研究了四个不同的研究问题（RQ）。我们首先研究定量分析 EEG 数据时的两个非常关键的问题：伪影的识别和剔除以及电极空间的选择。由经过培训的研究人员对 EEG 信号进行目视检查，并手动去除充满伪影的信号周期，是从记录中去除受污染通道（Cruse 等，2011、2012a）或尾迹（Cruse 等，2012b）的常用方法。这种伪影剔除方法可以应用于明显的伪影，如眨眼或运动，但肌源性活动往往与感兴趣的大脑活动（McMenamin 等，2010）混合在一起，因此无法用这种策略从信号中去除。独立成分分析（ICA）是分离肌源性和大脑活动的有力工具。ICA 将数据分解为独立成分，然后通过目视检查将其分类为肌源性或真正的大脑活动。然而，受过训练的专家的错误分类可能是导致 ICA 性能有限的原因（Olbrich 等人，2011 年）。大约三分之一的 EEG 分类研究使用手动伪影清除，然后不进行伪影清除，并且
从 TMS 激发的脑电图中提取脑连接特征
摘要：（1）背景：脑连接异常与精神疾病之间的关联性不断被研究并逐渐被认识到。脑连接特征在识别患者、监测精神健康疾病和治疗方面变得极其有用。利用基于脑电图（EEG）的皮质源定位以及能量景观分析技术，我们可以对经颅磁刺激（TMS）引起的脑电信号进行统计分析，以高时空分辨率获得不同脑区之间的连接。（2）方法：在本研究中，我们利用能量景观分析技术分析了在三个位置，即左侧运动皮层（49 名受试者）、左前额叶皮层（27 名受试者）和小脑后部或小脑蚓部（27 名受试者）施加TMS 后基于脑电图的源定位α波活动，以揭示连接特征。然后，我们进行两个样本 t 检验，并使用 (5 × 10 − 5 ) Bonferroni 校正 p 值案例来报告六个可靠稳定的特征。 (3) 结果：小脑蚓部刺激引发了最多数量的连接特征，而左运动皮层刺激引发了感觉运动网络状态。总共发现并讨论了 29 个可靠、稳定的连接特征中的 6 个。 (4) 结论：我们将以前的发现扩展到医疗应用的局部皮层连接特征，作为未来密集电极研究的基础。
心电图中人工智能的当前和未来使用
摘要：人工智能（AI）越来越多地用于心电图（ECG）来协助诊断，分层和管理。AI算法可以在以下领域帮助临床医生：（1）心律不齐，ST段变化，QT延长和其他ECG异常的解释和检测； （2）在有或没有临床变量的情况下整合的风险预测（预测心律不齐，心脏猝死，中风和其他心血管事件）； （3）实时监测来自心脏植入电子设备和可穿戴设备的心电图信号，并在根据时间，持续时间和情况发生重大变化时提醒临床医生或患者； （4）通过去除噪声/人工制品/干扰以及提取人眼看不到的噪声/伪像/干扰来提高ECG的质量和准确性（心率变异性，节拍到孔间隔间隔，小波转换，样品级别的分辨率等）。）; （5）治疗指导，协助患者选择，优化治疗，改善症状到治疗时间和成本效益（早期激活ST段升高患者代码梗塞的激活，预测对抗心律失常药物或心脏植入式设备的反应，从而减少了心脏毒素的风险，等等。）; （6）促进ECG数据与其他模式（成像，基因组学，蛋白质组学，生物标志物等）的整合。将来，随着越来越多的数据可用并开发了更复杂的算法，AI将在ECG诊断和管理中发挥越来越重要的作用。
基于生活事件的传记知识图中发现和解释关系：案例传记
2。如何向最终用户解释语义连接？如果系统无法向最终用户解释为什么连接可能很有趣，则发现有趣的连接是不够的。此问题与可解释的AI领域有关[11，12]。在我们的方法中，我们基于代表使用SPARQL构造查询的连接类型的预定义的形式，在我们的示例人员和地点之间预先计算两个实体之间的连接。这些预定义的连接及其解释可以使用层次搜索[13]，基于代表实体属性的层次结构的搜索[13]。这允许通过探索过程在单个实体之间找到偶然的连接，但同样重要的是在较大的实体组之间找到联系。3。在搜索连接时如何制定查询和查询结果。
通过二进制代码框嵌入在有向图中的传递性和循环性建模
对有针对性表示的有向图建模是在图形结构数据上执行机器学习的基本要求。几何嵌入模型（例如双曲线，锥体和盒子嵌入）在此任务中出色，表现出有针对性图的有用的电感偏差。然而，对包含周期和某些传递性元素的定向图进行建模，这是现实世界中常见的两种属性，这是具有挑战性的。框嵌入可以被认为是将图表示作为某些学到的超图上的交点，具有自然的感应性偏置，以建模传递性，但是（正如我们证明的）无法对周期进行建模。为此，我们提出了二进制代码框嵌入，其中博学的二进制代码选择了一个相交的图表。我们探索了几种变体，包括全局二元代码（相当于交叉点的联合）和每个vertex二进制代码（允许更大的灵活性）以及正则化方法。理论和经验结果表明，所提出的模型不仅保留了有用的传递性电感偏见，而且还具有足够的代表能力来模拟任意图，包括带有周期的图形。
使用机器检测脑电图中的癫痫发作
摘要 本研究使用健康受试者和癫痫患者的脑电信号记录公共数据集构建了三个时间复杂度较低的简单分类器，分别是决策树、随机森林和 AdaBoost 算法。首先对数据进行预处理，提取代表大脑活动的短波电信号。然后将这些信号用于选定的模型。实验结果表明，随机森林在检测脑电信号中是否存在癫痫发作方面准确率最高，为 97.23%，其次是决策树，准确率为 96.93%。表现最差的算法是 AdaBoost 评分准确率，为 87.23%。此外，决策树的 AUC 得分为 99%，随机森林为 99.9%，AdaBoost 为 95.6%。这些结果与时间复杂度更高的最先进的分类器相当。
拼图中的压力和认知指标评估......
电子游戏对压力和认知系统的影响因游戏风格而异，且各不相同。由于重复性，这种媒体对中枢神经系统的影响非常显著。如今，电子游戏已成为不同年龄段人类生活的重要组成部分，因此，评估它们对压力因素、认知和行为的影响（好坏）有助于理解这些游戏的性质并控制其对人类的影响。因此，本研究旨在从神经心理学、生物化学和电生理学角度研究益智游戏对玩家压力和认知指标的影响。共有 44 名参与者参与研究，并随机分配到对照组和实验组。我们的干预措施是观看（对照组）和玩游戏（实验组）。使用酶联免疫吸附测定法测量唾液生物标志物（皮质醇和 α-淀粉酶）。使用脑电图对注意力和压力进行电生理评估。使用节奏听觉连续加法测试对心理健康、心理疲劳、持续注意力和反应时间进行了神经心理学评估。所有测试均在干预前后进行。研究结果表明，玩完游戏后唾液皮质醇和α-淀粉酶显著减少。玩完游戏后注意力水平显著提高。玩游戏后心理健康和持续注意力显著提高。可以得出结论，益智类电脑游戏可以加强和增强玩家的感知认知系统，抑制压力系统。因此，可以有目的地将它们用作积极的认知治疗方法。关键词：益智游戏、脑电图、PASAT、压力、认知
使用深度学习去除脑电图中的眼部伪影
摘要 —EEG 信号是复杂的低频信号。因此，它们很容易受到外界因素的影响。EEG 伪影去除在神经科学中至关重要，因为伪影会对 EEG 分析结果产生重大影响。在这些伪影中，眼部伪影的去除最具挑战性。在本研究中，通过开发基于双向长短期记忆 (BiLSTM) 的深度学习 (DL) 模型，提出了一种新颖的眼部伪影去除方法。我们通过结合 EEGdenoiseNet 和 DEAP 数据集创建了一个基准数据集来训练和测试所提出的 DL 模型。我们还通过在不同 SNR 水平下用 EOG 污染地面真实干净的 EEG 信号来增强数据。然后使用通过小波同步压缩变换 (WSST) 获得的高度局部化时频 (TF) 系数将 BiLSTM 网络馈送到从增强信号中提取的特征。我们还将基于 WSST 的 DL 模型结果与传统 TF 分析 (TFA) 方法，即短时傅里叶变换 (STFT) 和连续小波变换 (CWT) 以及增强原始信号进行了比较。首次提出的基于 BiLSTM 的 WSST-Net 模型获得了 0.3066 的最佳平均 MSE 值。我们的结果表明，与传统 TF 和原始信号方法相比，WSST-Net 模型显著提高了伪影去除性能。此外，所提出的 EOG 去除方法表明，它优于文献中许多传统和基于 DL 的眼部伪影去除方法。索引词 —EEG、眼部伪影、深度学习、LSTM、BiLSTM、WSST、STFT、CWT。