XiaoMi-AI文件搜索系统
World File Search System用脑
利用脑磁共振图像和临床数据训练深度学习算法，预测放射冠梗塞患者的运动结果
早期准确预测长期运动恢复程度对于制定针对性脑卒中患者的康复策略具有重要意义。使用临床参数和脑磁共振图像作为输入，我们开发了一种深度学习算法，以提高对放射冠 (CR) 梗塞患者长期运动结果的预测准确性。使用脑磁共振图像和 CR 梗塞后不久获得的临床数据，我们开发了一种综合算法来预测患者发病后 6 个月的手部功能和步行结果。为了开发和评估该算法，我们回顾性招募了 221 名 CR 梗塞患者。综合改良 Brunnstrom 分类预测模型验证集的曲线下面积为 0.891，95% 置信区间为（0.814–0.967），综合功能性步行类别预测模型的曲线下面积为 0.919，95% 置信区间为（0.842–0.995）。我们证明了使用患者的临床数据和 CR 梗塞后不久获得的脑磁共振图像训练的综合算法可以促进对长期手部功能和行走结果的准确预测。未来的努力将致力于寻找更合适的输入变量，以进一步提高深度学习模型在临床应用中的准确性。
基于卷积自动编码器的深度学习方法利用脑部 MRI 诊断阿尔茨海默病
摘要 — 快速准确地诊断阿尔茨海默病 (AD) 对患者的治疗至关重要，特别是在疾病的早期阶段。虽然基于神经影像的计算机辅助诊断在帮助临床医生尽早发现疾病方面具有巨大的潜力，但仍有一些技术障碍需要克服。本研究通过整合监督预测和无监督表示，提出了一种使用卷积自动编码器的端到端疾病检测方法。2D 神经网络基于预先训练的 2D 卷积自动编码器，用于捕获结构性脑磁共振成像 (MRI) 扫描中的潜在表示。在 OASIS 脑 MRI 数据集上进行的实验表明，该模型在使用单个切片的准确性方面优于许多传统分类器。索引词 — 阿尔茨海默病、深度学习、图像分类、自动编码器、MRI、神经影像
TSMG：使用脑电图识别人类学习风格的深度学习框架
摘要：教育理论声称，将学习风格纳入与学习相关的活动可以提高学业成绩。识别学习方式的传统方法主要基于问卷和在线行为分析。这些方法在识别方面是高度主观的，并且不准确。脑电图（EEG）信号具有在学习风格的测量中使用的显着潜力。本研究使用EEG信号设计了一种基于学习的认识模型，通过使用非重叠的滑动窗口，一维时空卷积，多尺度特征提取，全球平均池池，全球平均池和小组投票机制来识别人们的学习风格；该模型被命名为TSMG模型（时间空间 - 群体 - 全球模型）。它解决了处理可变长度的脑电图数据的问题，并且与普遍的方法相比，对学习样式的识别的准确性将近5％，同时将计算成本降低了41.93％。提出的TSMG模型还可以识别其他领域中的可变长度数据。作者还制定了一个包含学习样式处理维度的特征的EEG信号（称为LSEEG数据集）的数据集，该功能可用于测试和比较识别模型。该数据集也有利于脑电图技术的应用和进一步开发以识别人们的学习方式。
胞质雄性不育的分子基础和水稻中的生育能力 预先查看证明 使用脑电图beta/alpha 评估认知能力下降 生物。 Pharm。公牛。常规文章RSK抑制会引起... 光学量子计算机的新时代 文学
摘要细胞质男性不育（CMS）是一种母体遗传的性状，会导致花粉和花药发育中的功能障碍。cms是由核和线粒体基因组之间的相互作用引起的。通过线粒体基因组编码的引起CMS的基因的产物会影响线粒体功能和核基因的调节，从而导致雄性不育。相反，核基因组中生育基因（RF基因）的修复剂抑制了引起CMS的基因的表达并恢复男性生育力。同种质CMS系通常是由于核取代而繁殖的，这会导致去除功能性RF基因，并允许在线粒体中表达引起CMS的基因。CMS/ RF系统是理解植物中线粒体和核基因组的遗传相互作用和合作功能的绝佳模型，并且也是杂交种子生产的农艺上重要特征。在这篇评论文章中，描述了CMS，CMS相关的线粒体基因，RF基因的花粉和花药表型以及引起花粉流产的机制及其对水稻的农艺应用。
使用脑波测量值可以在家中进行的痴呆预测测试
这项研究旨在首先在家中测试痴呆症的社会问题，而无需去医院，可以通过简单地将传感器附加到头部并在15分钟内进行评估，而无需去医院，就可以做出与医生诊断相似的预测。这使我们能够满足想要检查自己和家人的潜在痴呆症患者的需求。从技术上讲，这是一种新的大脑测试技术，它将大脑连接到计算机，称为大脑计算机接口，并根据从100多个测试实验中获得的大数据来处理大脑的统计，因此不必进行医生的访谈或大脑成像测试。
引用本文：Martin K.-C. Yeh，Yu Yan，Yanyan Zhuang＆Lois Anne DeLong（2021）：使用脑电图测量结果识别程序混乱
摘要在本文中，我们提出了一项实验研究，其中使用脑电图（EEG）设备来测量程序员的认知负载，因为他们试图预测C代码片段的输出。我们的目标是查看摘要中的特定模式是否引起了更高水平的认知负载，并且收集到的EEG数据是否可以提供比绩效指标更详细的见解。我们的结果表明，尽管认知负载可能对代码理解绩效的影响，但其他人为因素（例如忘记某些编程规则或误读要求他们要做的事情的趋势）也可能发挥作用，尤其是对于新手程序员而言。我们得出的结论是：（1）不同类型的代码模式可以以不同的方式影响程序员的认知过程，（2）单独进行自我报告的数据或脑电波活动，是程序员对所有类型的代码smpets and coppories and coption and coption and copsimens and condiques and condiques and condiques andiques sange sance的可靠指标，（3）像我们这样的测试对于识别新手程序员的重要学习差距可能很有用，而新手程序员的重要学习差距又可以利用来改善编程工具和教学策略。
基于智能方法利用脑电信号预测通勤对健康的影响
摘要 — 上下班是许多人的日常活动，对我们的健康有重大影响。定期通勤可能导致慢性压力，而慢性压力与心理健康不佳、高血压、心率过快和疲惫有关。本研究通过分析脑电波和应用机器学习，实时调查通勤对神经生理和心理的影响。参与者是平均年龄 30 岁的健康志愿者。获取便携式脑电图 (EEG) 数据作为压力水平的衡量标准。在每位参与者上下班途中，使用非侵入式 NeuroSky MindWave 耳机连续 5 次获取 EEG 数据。这种方法可以在通勤期间和之后测量影响。结果表明，无论通勤时间长短，当参与者处于平静或放松状态时，生物信号 alpha 波段超过 beta 波段，而当参与者因通勤而感到压力时，beta 波段高于 alpha 波段。使用前馈神经网络取得了非常有希望的结果，准确率达到 97.5%。这项工作的重点是开发一种智能模型，帮助预测通勤对参与者的影响。此外，从积极和消极情绪时间表获得的结果还表明，参与者在通勤后会经历相当大的压力上升。对于社会行为背后的认知和语义过程的建模，最近的大多数研究项目仍然基于个人，而我们的研究则侧重于将群体作为一个完整群体来处理的方法。这项研究记录了通勤者的体验，特别关注远程医疗传感器中新兴计算技术的使用和局限性。
使用脑电信号检测和分类癫痫发作技术的最新研究
摘要：早期检测和分类癫痫发作对计算机辅助设备和最新医疗物联网 (IoMT) 设备的分析、监测和诊断大有裨益，这一点怎么强调也不为过。这些应用的成功在很大程度上取决于所采用的检测和分类技术的准确性。多年来，人们研究、提出和开发了多种方法。本文研究了过去十年的各种癫痫发作检测算法和分类，包括传统技术和最新的深度学习算法。它还讨论了癫痫样检测作为实现意识障碍 (DOC) 高级诊断及其理解的步骤之一。对所研究的不同算法进行了性能比较，并探讨了它们的优缺点。从我们的调查来看，最近人们非常关注探索深度学习算法在癫痫发作检测和分类中的有效性，这些算法还用于图像处理和分类等其他领域。混合深度学习也得到了探索，其中 CNN-RNN 最受欢迎。
使用脑电图检测思维徘徊：内部和跨个体
思维徘徊通常以从外部任务向我们的内部，自我生成的思想转向的注意力。这种普遍现象与众多破坏性功能结果有关，包括性能误差和负面影响。尽管迄今为止的研究率很高和影响，但迄今为止的研究尚未确定强大的行为签名，使人们对思想的毫无意义但可靠的发现徘徊，这对于未来的应用来说是一项艰巨但重要的任务。在这里，我们检查了是否可以在机器学习模型中使用电生理学来准确预测思维徘徊状态。，我们从参与者执行了听觉目标检测任务并自我报告是从参与者中记录了头皮脑电图，无论他们是在任务上还是在徘徊。，我们使用事件相关的潜力（ERP）测度成功地（人依赖）和（与人无关的）个体跨越了注意力状态。非线性和线性机器学习模型在受试者中检测到的思维徘徊：支持向量机（AUC = 0.715）和逻辑回归（AUC = 0.635）。重要的是，这些模型还跨越了受试者：支持向量机（AUC = 0.613）和逻辑恢复（AUC = 0.609），这表明我们可以基于该组中观察到的ERP模式可靠地预测给定个人的注意状态。这项研究是第一个证明机器学习模型可以使用电生理学指标“从未见过的”个体的人，强调了它们实时预测秘密注意状态的潜力。