XiaoMi-AI文件搜索系统
World File Search System手部
基于感觉运动节律的脑机接口在中风后手部上肢康复中的应用：系统综述
摘要：脑机接口（BCI）在神经康复领域越来越受欢迎，而感觉运动节律（SMR）是一种可以被BCI捕捉和分析的脑振荡节律。先前的综述已经证明了BCI的有效性，但很少详细讨论BCI实验中采用的运动任务，以及反馈是否适合它们。我们重点研究了基于SMR的BCI中采用的运动任务以及相应的反馈，并在PubMed、Embase、Cochrane library、Web of Science和Scopus中搜索了文章，找到了442篇文章。经过一系列筛选，15项随机对照研究符合分析条件。我们发现运动想象（MI）或运动尝试（MA）是基于EEG的BCI试验中常见的实验范式。想象/尝试抓握和伸展手指是最常见的，并且有多关节运动，包括腕关节、肘关节和肩关节。在手抓握和伸展的MI或MA任务中存在各种类型的反馈。本体感觉以多种形式更频繁地使用。矫形器、机器人、外骨骼和功能性电刺激可以辅助瘫痪肢体运动，视觉反馈可以作为主要反馈或组合形式。然而，在恢复过程中，手部恢复存在许多瓶颈问题，例如弛缓性瘫痪或张开手指。在实践中，我们应该主要关注患者的困难，在机器人、FES或其他组合反馈的帮助下，为患者设计一个或多个运动任务，帮助他们完成抓握、手指伸展、拇指对握或其他动作。未来的研究应侧重于神经生理变化和功能改善，并进一步阐述运动功能恢复过程中神经生理的变化。
利用EEG Beta反弹跟踪模式进行手部运动想象智能分类技术
摘要：要在康复过程中应用基于 EEG 的脑机接口，需要在运动想象 (MI) 期间分离各种任务并将 MI 融入运动执行 (ME)。先前的研究侧重于基于复杂算法对不同的 MI 任务进行分类。在本文中，我们实现了智能、直接、易懂、省时且减少通道的方法来对 ME 与 MI 以及左手与右手 MI 进行分类。记录了 30 名执行运动任务的健康参与者的 EEG，以研究两项分类任务。对于第一项任务，我们首先基于 beta 反弹提出一种“跟进”模式。该方法的平均分类准确率为 59.77% ± 11.95%，对于手指交叉可高达 89.47%。除了时域信息外，我们还使用包括统计、小波系数、平均功率、样本熵和常见空间模式在内的提取方法将 EEG 信号映射到特征空间。为了评估其实用性，我们采用支持向量机作为智能分类器模型，采用稀疏逻辑回归作为特征选择技术，实现了 79.51% 的准确率。第二次分类也采用了类似的方法，准确率达到了 75.22%。我们提出的分类器表现出很高的准确率和智能性。所取得的成果使我们的方法非常适合应用于瘫痪肢体的康复。
使用残差 CNN-LSTM 神经网络进行基于 EEG 皮质源特征的手部运动解码
摘要 — 使用脑信号进行运动运动解码 (MKD) 对于开发用于康复或假肢设备的脑机接口 (BCI) 系统至关重要。表面脑电图 (EEG) 信号已广泛应用于 MKD。然而，来自皮质源的运动解码很少被探索。在这项工作中，已经探索了使用 EEG 皮质源信号进行手部运动解码以执行抓取和举起任务的可行性。特别是，利用了运动前 EEG 片段。提出了一种基于残差卷积神经网络 (CNN) - 长短期记忆 (LSTM) 的运动解码模型，该模型利用运动前大脑活动中存在的运动神经信息。在运动开始前 50 毫秒的各种 EEG 窗口用于手部运动解码。实际和预测手部运动之间的相关值 (CV) 被用作源域和传感器域的性能指标。在传感器和源域比较了所提出的深度学习模型的性能。结果证明了使用运动前 EEG 皮质源数据进行手部运动学解码的可行性。
回家的路上：亚急性 SCI 患者及其护理人员自我管理的 BCI-FES 手部治疗：可用性研究
摘要背景：恢复手部功能是四肢瘫痪患者的首要任务，然而诊所以外获得专门治疗的机会有限。在这里，我们介绍了一种基于脑机接口 (BCI) 的手部治疗系统，该系统使用消费级脑电图 (EEG) 设备结合功能性电刺激 (FES)，并评估其在职业治疗师 (OT) 和脊髓损伤 (SCI) 患者及其家人中的可用性。方法：用户：8 名亚急性 SCI 患者（6 名男性，2 名女性，年龄 55.4 ± 15.6 岁）及其护理人员（3 名男性，5 名女性，年龄 45.3 ± 14.3 岁）；4 名 OT（4 名女性，年龄 42.3 ± 9.8 岁）。用户活动：研究人员培训 OT；OT 随后教护理人员为 SCI 患者设置系统以进行手部治疗。手部治疗包括尝试移动（AM）一只手以降低 8-12 Hz 频段 EEG 感觉运动节律的功率，从而激活 FES，引起腕部屈曲和伸展。技术：消费级可穿戴 EEG、多通道 FES、定制 BCI 应用。地点：医院内的研究空间。评估：佩戴时间、BCI 准确度、BCI 和 FES 参数可重复性、问卷、焦点小组和访谈。结果：有效性：BCI 准确度为 70-90%。效率：平均佩戴时间从初始课程的 40.5 分钟减少到最后一次训练课程（N = 7）的 27 分钟，在最后一次自我管理课程（N = 3）中下降到 14 分钟。BCI 和 FES 参数在各个课程中保持稳定。满意度：根据 QUEST 问卷的测量，SCI 用户和护理人员对该系统的平均满意度为 3.68 ± 0.81（最高 5 分）。实施 BCI-FES 技术的主要推动因素是“看到手在动”、“为所爱的人做一些有用的事情”、良好的计算机知识水平（脊髓损伤患者和护理人员）、“积极参与治疗”（OT），而主要障碍是设置的技术复杂性（所有组）和“缺乏临床证据”（OT）。结论：BCI-FES 有潜力被 SCI 或中风患者用作家庭手部治疗，只要它易于使用并提供支持。操作 BCI 的知识可以从研究人员转移到治疗师、用户和护理人员。试验注册于 2017 年 12 月 6 日在 NHS GG&C 注册；clinictrials.gov 参考编号 NCT03257982，网址：https://clinicaltrials.gov/ct2/show/NCT03257982。
国家健康与护理卓越研究所
感谢您的评论。无需采取行动。英国过敏协会的措辞主要集中在疾病的物理实体上，并没有足够强调许多湿疹患者所经历的潜在心理影响。慢性手部湿疹可能会对人的身心健康产生重大影响。手部湿疹不仅仅是与这种疾病相关的可见和令人痛苦的身体症状，例如手部干燥、发痒、发红和开裂。慢性手部湿疹可能造成的心理影响可能会影响日常生活的许多其他方面。受手部湿疹影响的成年人可能因为他们所从事的工作而不得不改变职业或工作角色，这可能会导致收入损失和从事他们所培训和/或学习过的职业的能力。由于手是身体可见的部分，因此存在社会耻辱感以及个人焦虑和尴尬感的问题。回避社交场合会导致孤独和社会孤立。对于一些人来说，这种疾病的慢性性质可能会导致抑郁症，需要药物治疗和其他干预措施，这会给医疗保健系统带来成本影响。
国家患者安全目标® 将于 2024 年 1 月对医院计划生效
根据美国疾病控制与预防中心的数据，每年有数百万人在医疗机构接受护理、治疗和服务时感染疾病。因此，医疗相关感染 (HAI) 是影响所有类型医疗机构的患者安全问题。解决 HAI 问题的最重要方法之一是改善医护人员的手部卫生。遵守世界卫生组织 (WHO) 和/或美国疾病控制与预防中心 (CDC) 的手部卫生指南将减少工作人员向患者传播传染性病原体，从而降低 HAI 发病率。为确保遵守这一国家患者安全目标，组织应通过提供手部卫生政策、培养手部卫生文化、监控合规性并提供反馈的综合计划来评估其对 CDC 和/或 WHO 指南的遵守情况。
医学和生物学中的力学 - AMS Acta
手部接收感觉刺激并执行运动指令，这些指令整合到日常任务的各种功能操作中。手指运动笨拙低效、力量协调性和力量较差、患手运动控制感觉缺陷是患者最常见的现象。因此，我们的研究团队开发了一系列手部功能控制训练系统，以探索执行功能任务时的力量模式特征，并对功能姿势下的手指力量控制进行训练和评估。通过互动游戏提高患者的积极性，同时整合视觉和听觉反馈以获得更好的干预效果。对于腕管综合征患者，他们在不同任务需求中以更大的手指力量抓握，与较弱的成对手指相关性和特定手指上的力量变化较大相关。此外，还开发了定制设计的计算机化评估和再教育生物反馈原型，用于分析手部抓握表现并监测训练对感觉障碍且无运动缺陷的中风患者的手部协调性的影响。最后，对轻度认知障碍患者的训练显著提高了手部灵活性和认知功能，这与先前的研究结果一致，即精细运动表现可以区分认知障碍患者和健康人。
常见多区域中尺度流形中的区域化动力学代表了一系列人类手部运动
人类的手在动物界中独一无二，拥有无与伦比的灵活性，从复杂的抓握到精细的手指个体化。大脑如何表示如此多样化的动作？我们使用皮层脑电图和降维方法评估了人类“抓握网络”中尺度神经动力学，以了解一系列手部动作。令人惊讶的是，我们发现抓握网络同时表示手指和抓握动作。具体而言，表征多区域神经协方差结构的流形在该分布式网络的所有运动中都得以保留。相反，该流形中的潜在神经动力学令人惊讶地特定于运动类型。将潜在活动与运动学对齐可以进一步发现不同的子流形，尽管运动之间的关节协同耦合相似。因此，我们发现，尽管在分布式网络层面上保留了神经协方差，但中尺度动力学被划分为特定于运动的子流形；这种中尺度组织可能允许在一系列手部动作之间进行灵活切换。
常见多区域中尺度流形中的区域化动力学代表了一系列人类手部运动
人类的手在动物界中独一无二，拥有无与伦比的灵活性，从复杂的抓握到精细的手指个体化。大脑如何表示如此多样化的动作？我们使用皮层脑电图和降维方法评估了人类“抓握网络”中尺度神经动力学，以了解一系列手部动作。令人惊讶的是，我们发现抓握网络同时表示手指和抓握动作。具体而言，表征多区域神经协方差结构的流形在该分布式网络的所有运动中都得以保留。相反，该流形中的潜在神经动力学令人惊讶地特定于运动类型。将潜在活动与运动学对齐可以进一步发现不同的子流形，尽管运动之间的关节协同耦合相似。因此，我们发现，尽管在分布式网络层面上保留了神经协方差，但中尺度动力学被划分为特定于运动的子流形；这种中尺度组织可能允许在一系列手部动作之间进行灵活切换。
根据丘脑底核和皮层活动，帕金森病静止性震颤可与自愿手部运动相区分
目的：通过分析脑活动来区分帕金森病静止性震颤和不同的自主手部运动。方法：我们重新分析了 6 名帕金森病患者的丘脑底核的脑磁图和局部场电位记录。数据是在停用多巴胺药物（Med Off）和服用左旋多巴（Med On）后获得的。使用梯度提升树学习，我们将时间段分类为震颤、握拳、前臂伸展或无震颤静止。结果：单独的丘脑底核活动不足以区分四种不同的运动状态（平衡准确度平均值：38%，标准差：7%）。相比之下，皮质和丘脑底核特征的组合可以实现更准确的分类（平衡准确度平均值：75%，标准差：17%）。与仅基于丘脑底活动的分类相比，添加单个皮质区域平均可将平衡准确度提高 17%。在大多数患者中，信息量最大的皮质区域是感觉运动皮质区域。Med On 和 Med Off 下的解码性能相似。结论：只要除了丘脑底活动外还监测皮质信号，电生理记录就可以区分几种运动状态。意义：通过结合皮质记录、皮质下记录和机器学习，自适应深部脑刺激系统可能能够特异性地检测震颤并对几种运动状态做出充分反应。2023 年国际临床神经生理学联合会。由 Elsevier BV 出版这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。