XiaoMi-AI文件搜索系统
World File Search System失语
慢性失语症中唱歌的结构神经塑性效应
1认知大脑研究部门和音乐，思想，身体，身体和大脑的卓越中心，心理学和徽标系，医学院，赫尔辛基大学医学院，赫尔辛基大学，赫尔辛基00014，芬兰2号，健康与康复科学学院，昆士兰州研究中心，澳大利亚大学，Queeensland of Quel of Quel and Quel of Quel of Quel and Brisane Q.赫尔辛基和赫尔辛基大学医院，赫尔辛基00029，芬兰4 HUS HELSINKI医学成像中心，赫尔辛基大学医院，赫尔辛基大学医院，赫尔辛基00029，芬兰5号，ESPOO医院，ESPOO 00029，芬兰，芬兰6号，6个私人合唱团指挥家，Vantaa 01520，Neurolology，springly and Springer，Springly，71520 8马萨诸塞州阿默斯特的UMass Amherst生物医学工程系和应用生命科学研究所01655
镜像疗法治疗脑卒中后失语症的疗效及安全性
本研究将搜索 PubMed、Web of Science、Cochrane Library、EMBASE、Medline、中国知网 (CNKI)、万方、中国生物医学文献数据库 (CBM)，从建库至 2023 年 5 月 1 日，以确定任何符合条件的研究。出版语言或日期不受限制。我们将只纳入 MT 治疗中风后失语症的随机对照试验。两名研究人员将分别负责研究选择、数据提取和研究质量评估。西方失语症量表 (WAB) 和失语商 (AQ) 将被列为主要结果。波士顿诊断性失语症检查方法 (BDAE)、中国标准失语症检查 (CRRCAE) 将被列为次要结果。统计分析将采用 RevMan V.5.4 软件进行。纳入研究的偏倚风险将通过 Cochrane“偏倚风险”工具进行评估。将使用建议分级评估、发展和评价指南来评估结果证明的质量。
Haruna GS等。研究了Aloxan诱导的糖尿病白化病大鼠阳离子甲醇提取物的抗糖尿病潜力。 Clin J Dia Care Control 2024，6（1）：180049。 smita r和kochar是。儿童中的拉达：是时候重新思考了。 Clin J Dia Care Control 2024，6（1）：180045。 Mahmood Arifa和Sawai Ma。电纺纳米纤维在牙周炎治疗中的新兴作用。牙科和凹痕练习J 2025，7（1）：180095。 Joseph S等。医疗保健提供者中无菌非接触技术临床实践框架的知识，态度和实践：系统审查协议。 ADV护理患者护理INT J 2023，6（1）：180067。 Katikar M和Abhishek BP。将获得的童年失语症与发育语言障碍区分开来。 Acta Neurophysiol 2025，6（1）：180097。
糖尿病是一个严重的全球健康问题，其特征是高血糖，是由胰岛素的绝对或相对缺乏或细胞水平上的胰岛素抵抗引起的。这项研究的目的是研究白化大鼠中grandiflora的甲醇茎皮的抗糖尿病潜力。使用标准方法确定植物化学分析，α淀粉酶和α葡萄糖酶抑制活性以及葡萄糖浓度。二十只白化大鼠被随机分为五组四只大鼠，每组1是正常对照，用糖尿病诱导了组2，未接受治疗，用Glibenclamide诱导并用Glibenclamide诱导第4组，第4组和5组被诱导并用提取物进行100天和血液限制的次数（分别为100 mgkk-1），将所有次数切成三天的间隔。结果表明，不存在酚类，碳水化合物和单宁酸，类黄酮中等量，而类固醇，皂苷，萜烯，甘氨酸，蒽醌和心脏糖苷则没有。与A. grandiflora提取物相比，标准药物Glibenclamide（98.06％）和二甲双胍（96.77％）显示出更高的α淀粉酶抑制活性。样品的5.0mg浓度显示（79.53％）抑制作用。在30.0mg/ml的样品（98.70％）中具有显着（P <0.05）的抑制作用（p <0.05），而标准药物（Glibenclamide）（Glibenclamide）（84.88％）抑制蛋白和二甲双胍表现出（88.22％）抑制性活性（88.22％）。显着（p <0.05）在治疗组中血清葡萄糖的降低显着，而（第2组）在所有大鼠中均表现出持续的糖尿病状态，证实了甲醇提取物的抗糖尿病特性。
多变量病变症状映射，以预测从失语症中恢复的轨迹
中风后失语症的人倾向于在某种程度上恢复其语言；但是，可靠地预测长期将发生的恢复的性质和程度仍然充满挑战。这项研究的目的是定量预测语言结果的第一年，从多个语言的多个领域和中风后多个时间点恢复。我们招募了217名失语症患者，急性左半球缺血或出血性中风，并使用快速的Aphinia电池急性电池评估了他们的语音和语言功能，然后在势利点最多获得纵向后续数据，最多三个时间点：1个月（n = 102）（n = 102），3个月（n = 98）（n = 98）（n = 98）和1年（n = 74）（n = 74）。我们使用支持矢量回归来使用急性临床成像数据，人口统计学变量和初始失语症的严重程度作为输入来预测每个时间点的语言结果。我们发现，可以使用这些模型来预测长期（1年）失语症的60％的差异，并具有有关病变位置的详细信息，重要的是有助于这些预测。在1个月和3个月的时间点上的预测基于病变位置的准确性较小，但在模型中包括初始APHA SIA的严重性时，在1年时间点的预测中达到了可比的准确性。语言的特定子域除了总体严重程度外，还具有不同的准确性，但通常相似的准确性。我们的发现证明了使用支持矢量回归模型具有带有一方面的交叉验证的可行性，以对长期恢复失语症进行个性化预测，并提供有价值的神经解剖基线，以在此基准上建立未来模型，并将未来的模型纳入超出神经解剖学和人际预测因素以外的信息。
数字语音治疗解决方案用于失语症患者...
使用自动语音处理工具（包括自动语音识别（ASR））在过去几年中变得越来越流行。当相应的从业者使用时，此类工具在诊断和治疗方面提供了宝贵的帮助（例如，Middag，2012年；另请参见Van de Sandt-Koenderman，2011年），另一方面，另一方面，有助于更自动的医疗保健（Hönig和Nöth，2016年）。因此，使用内部ASR引擎，虚拟治疗师进行失语治疗（VirTheA）似乎是第一个使用ASR自动化为命名的语义练习的系统（Pompili等，2011）。该系统在欧洲葡萄牙语者的提名测试方面表现出了令人鼓舞的结果，这些葡萄牙语者具有不同类型的失语症，特别是高词验证率 - 平均82％的准确性（Abad等，2013）。它经历了各种评估和变化，并被SLT从业人员积极看待（Pompili等，2020）。Ballard及其同事（2019年）根据开源ASR引擎提出了一个针对澳大利亚英语的系统，在图片命名任务中达到了平均准确性的75％。Barbera
人工智能 (AI) 如何应用于失语症康复：范围审查
摘要背景：近年来，人工智能（AI）已在我们的日常生活中变得司空见惯，并进入了许多不同的领域，包括健康和康复。虽然关于人工智能在不同领域的应用的研究有所增加，但关于人工智能是否以及如何用于失语症康复的信息却很少。目的：本次范围界定审查的目的是描述和了解人工智能目前如何用于失语症（PWA）患者的康复。我们的次要目标是确定人工智能是否以及如何被整合到用于失语症康复的增强和替代沟通（AAC）设备或应用程序中。方法：使用 Arksey 和 O'Malley (2005) Levac 及其同事 (2010) 的框架，我们确定了研究问题：人工智能（AI）如何用于失语症（PWA）患者的语言康复？然后，我们选择了搜索词并搜索了六个数据库，结果找到了 663 项研究。根据纳入标准，保留了 28 项合适的研究。然后，我们绘制图表、整理和总结数据，以得出四个主要主题：（1）用于失语症/失语症综合征的分类或诊断或用于原发性进行性失语症 (PPA)/PPA 变体的分类或诊断的 AI；（2）用于失语症治疗的 AI；（3）用于创建词汇化模型的 AI；（4）用于对失语错误进行分类的 AI。结果：保留的文章均未将 AI 纳入失语症康复背景下的 AAC 设备或应用。大多数文章（n=17）使用 AI 对失语症综合征进行分类或将 PWA 与健康对照组或痴呆症患者区分开来。另一部分文章（n=7）使用 AI 尝试增强失语症治疗干预。最后，两篇文章使用人工智能创建了词汇化模型，另外两篇文章使用人工智能对 PWA 话语中的不同类型的失语进行分类。
eeg揭示了自然语音聆听期间慢性失语症的大脑网络改变
（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此预印本版的版权持有人于2023年3月10日发布。 https://doi.org/10.1101/2023.03.10.532034 doi：Biorxiv Preprint
使用脱节后的慢性触觉失语症中的语言障碍相关的结构性断开
摘要：我们报告了异构性纯和原始C 120耗油管的第一个实验表征，[5,5] C 120 -D 5D（1）和[10,0] C 120 -D 5H（10766）。这些新分子代表迄今为止分离的最高纵横比所有分子，例如，先前最大的空笼子富勒特管为[5,5] C 100 -D 5D（1）。与C 60 -C 90富勒烯研究的三十年相比，20个碳原子的增加代表了巨大的飞跃。此外，[10,0] C 120 -D 5H（10766）FullerTube具有源自C 80 -D 5H的端盖，是一种新的FullerTube，其C 40端率尚未通过实验隔离。对各向异性极化性和UV -VIS的理论和实验分析将C 120异构体I分配为[5,5] C 120 -D 5D（1）富勒图管。C 120异构体II匹配A [10,0] C 120 -D 5H（10766）FullerTube。这些结构分配得到了拉曼数据的进一步支持，显示了[5,5] C 120 -D 5D（1）的金属特征和C 120 -D 5H（10766）的非金属特征。STM成像揭示了一个管状结构，其纵横比与[5,5] C 120 -D 5D（1）富集管一致。具有不适合晶体学的微克量，我们证明了DFT各向异性极化性，可通过长期接受的实验分析（HPLC保留时间，UV-VIS，Raman和STM）增强，可以协同使用（带有DFT）（带有DFT）来降低选择，预测，预测，预测，分配C 120 FullerTube cantube untertube cantube untertube结构。从数学上可能的IPR C 120结构中，这种各向异性极化范式非常有利地将管状结构与碳烟灰区分开。识别异构体I和II是令人惊讶的，即，2个纯化的异构体，用于两个广泛区分特征的可能结构。这些金属和非金属C 120富勒伯异构体为基础研究和应用开发打开了大门。
预测失语症患者的严重程度 - AphasiaBank
摘要 — 语言病理学家需要准确评估失语症 (PWA) 患者的严重程度，以设计和提供最佳治疗方案。目前，严重程度由经验丰富且训练有素的临床医生手动评估，而这越来越少，需要花费大量时间资源。通过分析三种话语引出方法的记录，本研究结合自然语言处理 (NLP) 和机器学习 (ML) 来预测 PWA 的严重程度，包括分数和严重程度级别。通过从 PWA 任务中设计语言特征，非结构化 k 均值聚类呈现不同的失语症类型，显示所选特征的有效性。我们开发了回归模型来预测严重程度分数以及按级别（轻度、中度、重度和非常严重）对严重程度进行分类，以帮助临床医生轻松计划和监控治疗过程。我们最好的 ML 回归模型使用深度神经网络，平均绝对误差 (MAE) 为 0.0671，均方根误差 (RMSE) 为 0.0922。我们的最佳分类模型使用随机森林，总体准确率为 73%，轻度准确率最高为 87.5%。我们的结果表明，使用 NLP 和 ML 是一种准确且经济有效的方法来评估 PWA 的严重程度，从而帮助临床医生确定康复程序。