XiaoMi-AI文件搜索系统
World File Search System失语
机器学习在脑电图诊断原发性进行性失语症中的应用：一项初步研究
1 马德里康普顿斯大学信息学院计算机架构与自动化系，马德里 28040，西班牙； carlosmoralrubio@gmail.com（CM-R.）; jayala@ucm.es (JLA) 2 马德里康普顿斯大学神经生理学系、神经科学研究所、圣卡洛斯医院（IdISCC），马德里 28040 西班牙； pbalugo@gmail.com （PB）； adefraile@gmail.com (AF-P.) 3 马德里康普顿斯大学圣卡洛斯临床医院（IdISCC）神经病学系、神经科学研究所，马德里 28040，西班牙； vanesa.pytel@gmail.com（副总裁）； lucia_28028@hotmail.com （左至右）； cristinadelgado1409@gmail.com（CD-A.）; alfonso.delgado.alvarez@hotmail.com（AD-Á.）; matiasguiu@gmail.com (JM-G.) * 通信地址：jordimatiasguiu@hotmail.com 或 jordi.matias-guiu@salud.madrid.org;电话：+34-676933312 † Jordi A. Matias-Guiu 和 José Luis Ayala 作为资深作者对本书做出了同等贡献。
失语症治疗相关脑部变化的综述
许多研究都调查了针对失语症患者一系列语言问题的干预措施所带来的大脑变化。我们力求整合这些研究的结果，以检验 (1) 干预的重点（即音系、语义、正字法、句法或节奏旋律）是否决定了大脑的哪些区域发生变化；以及 (2a) 最一致的变化是发生在语言网络内部还是外部，以及 (2b) 这些变化是否与语言结果的个体差异有关。我们考虑了 32 项研究的结果，其中涉及 204 名独特患者。关于 (1)，治疗相关变化的位置并不明显取决于目标语言处理类型。然而，有证据表明节奏旋律训练对右半球的影响比语言训练更大。关于 (2)，我们观察到语言恢复不仅与左半球传统语言相关结构和右半球同源区域的变化有关，还与更多的内侧和皮层下变化（例如楔前叶和基底神经节）有关。虽然很难得出有力的结论，因为缺乏关于这一主题的系统大规模研究，但本综述强调需要采取综合方法来研究语言干预如何影响大脑。未来的研究需要侧重于更大的样本，保留受试者特定信息（例如病变效应），以应对中风引起的失语症固有的异质性。此外，全脑连接模式的恢复相关变化需要更多的研究，以提供与治疗相关的大脑可塑性和语言恢复的全面神经解释。
一种预测中风后失语症恢复的机器学习方法：一项初步研究
中风后失语症的潜在恢复情况差异很大，康复结果难以预测。此次跨学科合作以收集的大量中风后失语症患者行为和大脑变量数据为基础，绘制了与语言领域治疗相关的康复过程，并研究了神经可塑性的基础。在这项初步研究中，我们根据收集到的数据子集创建并测试了一个预测框架，并开发了机器学习算法，该算法将一组复杂的大脑和行为特征作为输入，以对参与者对治疗的反应进行分类和预测。我们开发了随机森林模型，使我们能够对这些特征的重要性进行排序。然后，我们比较了不同特征集的贡献并讨论了它们的生理含义。我们的初步结果表明了我们框架的潜力，因此，这项研究朝着预测个性化康复结果迈出了重要的第一步。
