XiaoMi-AI文件搜索系统
World File Search System时间频率
耳鸣症状的基于学习的深度脑脑诊断
耳鸣是一种神经病理学现象，是由对外部声音的识别引起的，实际上并不存在。耳鸣的现有诊断方法是相当主观且复杂的医学检查程序。本研究旨在使用脑电图（EEG）信号的深度学习分析来诊断耳鸣，而患者执行了听觉认知任务。我们发现，在一项积极的奇怪任务中，可以使用EEG信号通过深度学习模型（EEGNET）在0.886的曲线下识别出耳鸣的患者。此外，使用宽带（0.5至50 Hz）EEG信号，对EEGNET卷积内核特征图的分析表明，Alpha活性可能在识别耳鸣患者中起着至关重要的作用。对脑电图信号的随后时间频率分析表明，与健康组相比，耳鸣组显着降低了刺激前α活性。在主动和被动奇数任务中都观察到了这些差异。与耳鸣组相比，在主动奇数球任务中，在主动奇数球任务中的目标刺激在健康组中的诱发theta活性显着更高。我们的发现表明，与任务相关的脑电图特征可以视为耳鸣症状的神经特征，并支持基于脑电图的深度学习方法诊断耳鸣的可行性。
使用深度学习架构和
摘要： - 心血管疾病是全球死亡的主要原因，心律不齐是一种特别致命的疾病。通过分析心电图数据对心律不齐的有效鉴定对于有效治疗至关重要。心律不齐。本研究提出了一种新型的方法，可以自动诊断心律不齐和窦性心律充血性心力衰竭。所提出的方法涉及利用带有比例图的多尺度滤波器库，该库利用了预处理的ECG数据和未加权的，未加权的，预先训练的卷积神经网络。时间频率纹理提供了来自单铅ECG记录的基本特征的两维表示。随后，专门为心律不齐分类设计的深度学习神经网络用于标记和分类特征数据的集合。本研究研究了深度学习模型从心电图数据分类心律不齐的功效。该研究探讨了不同的卷积神经网络体系结构使用多尺度滤波器库和基于比例图的表示如何工作。预先训练的网络产生的分类模型在概括方面既准确且比原始网络更有效。比较已经训练的模型和未经培训的模型表明，预先训练的网络，尤其是VGG16，在许多方面表现更好，例如准确性和精度。这表明有可能改善基于ECG的诊断，为高级，个性化的医疗保健解决方案铺平了道路。
表型组学方法揭示了对慢性高温的综合发育反应的种间差异
表型组学，即高维生物体表型分析，是一种量化复杂发育对高温反应的解决方案。'能量代理性状'（EPT）通过视频像素值波动来测量表型，即不同时间频率下的能量值谱。尽管它们已被证明可有效测量复杂且动态发育生物的生物学特性，但它们在评估不同物种的环境敏感性方面的效用尚未得到检验。利用 EPT，我们评估了三种淡水蜗牛胚胎的相对热敏感性，这三种蜗牛的发育事件时间存在显著差异。在 20°C 和 25°C 的两个温度下，每小时对 Lymnaea stagnalis、Radix balthica 和 Physella acuta 的胚胎进行视频拍摄，记录它们的胚胎发育过程。视频用于计算它们胚胎发育期间以及发育过程中各个生理窗口内的 EPT。发育过程中能量光谱的变化表明，不同物种之间的热敏感性存在明显差异，表明 R. balthica 胚胎的胚胎生理和行为总体敏感性相对较高，发育窗口特异性热响应反映了可观察生理的个体发育差异，以及温度引起的生理事件时间变化。EPT 可以比较高维光谱表型，为持续评估发育个体的敏感性提供了独特的能力。这种综合性和可扩展的表型分析是更好地了解不同物种早期生命阶段敏感性的先决条件。
使用时间
现代神经界面允许在脑电路中访问多达一百万个神经元的活动。但是，带宽极限通常在更大的空间采样（更多通道或像素）和采样的时间频率之间创造权衡。在这里我们证明，可以通过利用神经元之间的关系来获得神经元时间序列中的时空超分辨率，该神经元嵌入了潜在的低维数量人群动力学中。我们新颖的神经网络训练策略，通过时间（SBTT）进行选择性反向传播，从而从数据中学习了潜在动力学的深层生成模型，在这些数据中，观察到的一组变量在每个时间步骤都会发生变化。由此产生的模型能够通过将观测值与学习的潜在动态相结合来推断缺失样本的活动。我们测试SBTT应用于顺序自动编码器，并证明了电生理和钙成像数据中神经种群动态的有效和更高的表征。在电生理学中，SBTT可以准确推断界面带宽较低的神经元种群动力学，从而为植入的neu-roelectronic Interfaces提供了明显的动力节省的途径。在两光子钙成像的应用中，SBTT准确地发现了神经population活性的高频时间结构，从而大大优于当前的最新技术。最后，我们证明，通过使用有限的高带宽采样对预处理动力学模型，然后使用SBTT将这些模型适应这些模型以获取稀疏采样的数据，可以进一步提高性能。
简历 Erik Fransén
被引次数最多的 5 篇出版物 A. Egorov，B. Hamam，E. Fransén，M. Hasselmo，A. Alonso：内嗅皮层神经元中的分级持续活动。Nature 420：173-178，2002 年。被引次数 WoS：509 L. Giocomo，E. Zilli，E. Fransén，M. Hasselmo：亚阈值振荡的时间频率与内嗅网格细胞空间频率成比例。Science 315：1719-22，2007 年。被引次数 WoS：252 CT Dickson，J. Magistretti，MH Shalinsky，E Fransén，ME Hasselmo，Alonso A. Ih 在内嗅皮层 II 层神经元亚阈值振荡起搏中的特性和作用。J. Neurophysiol. 83: 2562-2579, 2000. 引用次数 WoS: 256 E. Fransén , B. Tahvildari, A. Egorov, M. Hasselmo, A. Alonso: 内嗅皮质第五层神经元的分级持续细胞活动的机制。神经元 49: 735-746, 2006. 引用次数 WoS: 176 E. Fransén , A. Alonso, M. Hasselmo: 模拟毒蕈碱激活钙敏感非特异性阳离子电流 I NCM 在延迟匹配任务中内嗅神经元活动中的作用。神经科学杂志 22: 1081-1097, 2002. 引用次数 WoS: 108
临床神经生理学
目的：尽管高清经颅直流电刺激 (HD-tDCS) 的电生理机制尚不清楚，但它已被证明可以改善慢性创伤性脑损伤 (TBI) 患者的认知能力。方法：患有 TBI 的退伍军人接受针对前辅助运动区 (pre-SMA) 的主动阳极 (N = 15) 与假性 (N = 10) HD-tDCS。在基线和干预完成后，同时进行 Go-NoGo 任务和脑电图 (EEG)。结果：我们发现在主动 HD-tDCS 干预后，在覆盖 pre-SMA 的额中线电极中，Go 期间的 θ 事件相关频谱扰动 (ERSP) 和试验间相位相干性 (ITPC) 增加，但在假性治疗后没有发现。我们还发现在主动 HD-tDCS 之后，额中线和左后区域之间的 Go 期间 θ 相位相干性增加。主动 HD-tDCS 后，左侧中央区域的 alpha-theta ERSP 后期增加。值得注意的是，仅在主动组中，额中线区域较低的基线 theta ERSP/ITPC 预示着干预后 Go 表现的更多改善。结论：慢性 TBI 对 HD-tDCS 调制的反应存在局部和区域间振荡变化。意义：这些发现可能指导未来的研究利用 EEG 时间频率指标不仅测量干预效果，还选择可能对治疗反应最佳的候选人。2022 年国际临床神经生理学联合会。由 Elsevier BV 出版，保留所有权利。
提高时间序列域适应性的可传递性和可区分性
无监督的域适应性在将知识从标记的源域转移到未标记的目标域，在时间序列应用中起关键作用。现有的时间序列域适应方法要么忽略频率特征，要么平等地处理时间和频率特征，这使得充分利用这两种功能的优势变得具有挑战性。在本文中，我们深入研究了可传递性和可区分性，这是传递表示学习中的两个至关重要的特性。可以洞悉频率特征在特定域内更具歧视性，而时间特征则在跨域上显示出更好的可传递性。基于发现，我们提出了一个dversarial co-co-co-n n etworks（acon），以通过协作学习方式在三个方面通过协作学习方式来增强可转移的表示：（1）考虑到时代的多个过度差异，提出了多个频率频率特征学习，以增强频率特征的辨别能力； （2）提出了时间域互助学习，以增强源域中时间特征的可区分性，并提高目标域中频率特征的可传递性； （3）域对抗学习是在时间频率特征的相关子空间中进行的，而不是原始特征空间，以进一步增强这两个特征的可传递性。在广泛的时间序列数据集和五个常见范围内进行的广泛实验证明了ACON的最新性能。代码可从https://github.com/mingyangliu1124/acon获得。
附近闪烁频率下的稳态视觉诱发电位之间的局部相互作用
稳态视觉诱发电位 (SSVEP) 被广泛用于指示人类脑电图 (EEG) 研究中自上而下的认知处理。通常，会呈现两个以不同时间频率 (TF) 闪烁的刺激，每个刺激都会在其闪烁频率下在 EEG 中产生不同的反应。然而，在存在竞争性闪烁刺激的情况下，EEG 中的 SSVEP 反应如何仅由于感觉相互作用而受到调节尚不清楚。我们之前已经在从清醒猴子记录的局部场电位 (LFP) 中表明，当两个重叠的全屏光栅以不同的 TF 反相时，存在不对称的 SSVEP 反应抑制，较低 TF 的抑制更大，这进一步取决于光栅的相对方向（平行光栅的抑制和不对称性比正交光栅更强）。在这里，我们首先在男性和女性人类 EEG 记录中证实了这些影响。然后，我们在比之前研究更广的范围内绘制了一个刺激（目标）对竞争刺激（掩码）的反应抑制。令人惊讶的是，我们发现抑制在低频下通常并不强，而是根据目标 TF 系统地变化，表明两个竞争刺激之间存在局部相互作用。这些结果在人类 EEG 和猴子 LFP 和皮层电图 (ECoG) 数据中都得到了证实。我们的结果表明，多个 SSVEP 之间的感官相互作用比以前显示的更复杂，并且受到局部和全局因素的影响，强调需要谨慎解释涉及 SSVEP 范式的研究结果。
研究文章端到...
在运动成像脑部计算机界面（MI-BCI）的研究中，传统的脑电图（EEG）信号识别算法在提取EEG信号特征和提高分类精度方面似乎是不可能的。在本文中，我们讨论了基于多类MI-EEG信号的新分步提取和模式分类的新分步方法的解决方案。首先，通过自动编码器将所有受试者的训练数据合并并扩大，以满足大量数据的需求，同时由于脑电图数据的随机性，不稳定和个人变异性，从而降低了信号识别的不良效果。第二，提出了具有基于注意力的浅卷积神经网络的端到端共享结构。浅卷积神经网络（SCNN）和双向长期记忆（BILSTM）网络分别用于提取EEG信号的频率空间域特征和时间序列特征。十，将注意力模型引入了特征融合层，以动态权重这些提取的时间频率空间域特征，这极大地有助于降低特征冗余性和提高分类精度。最后，使用BCI竞争IV 2A数据集的验证测试表明，分类准确性和KAPPA系数达到82.7±5.57％和0.78±0.074，这可以强烈证明其在分类准确性和降低分数中的优势中的优势在同一互为中，并且在同一内部crovential di di di di di di di di di di di di di di di di di di oferiention n di di di of riention di di;
使用自调节优化卡尔曼滤波器对时变脑网络进行建模
脑网络是复杂的动态系统，其中不同区域之间的定向相互作用在感觉、认知和运动过程的亚秒级尺度上发展。然而，由于神经信号及其未知噪声成分的高度非平稳性质，动态脑网络建模仍然是当代神经科学的主要挑战之一。在这里，我们提出了一种基于卡尔曼滤波器创新公式的新算法，该算法经过优化，可在未知噪声条件下跟踪快速发展的定向功能连接模式。自调节优化卡尔曼滤波器 (STOK) 是一种新型自适应滤波器，它嵌入自调节记忆衰减和递归正则化，以确保高网络跟踪精度、时间精度和对噪声的鲁棒性。为了验证所提出的算法，我们在现实替代网络和真实脑电图 (EEG) 数据中与经典卡尔曼滤波器进行了广泛的比较。在模拟和真实数据中，我们都表明 STOK 滤波器估计定向连接的时间频率模式具有显著优越的性能。STOK 滤波器的优势在真实 EEG 数据中更加明显，其中该算法从大鼠的颅脑 EEG 记录和人类视觉诱发电位中恢复了动态连接的潜在结构，与已知生理学高度一致。这些结果确立了 STOK 滤波器是模拟生物系统中动态网络结构的强大工具，有可能对大脑功能产生的网络状态的快速演变产生新的见解。