XiaoMi-AI文件搜索系统
World File Search System脑叶
脑功能连接的协变量辅助主回归的贝叶斯估计
本文在贝叶斯范式中重新表述了赵等人（2021b）的协变量辅助主（CAP）回归。该方法确定了多变量响应数据协方差中与协变量相关的成分。具体而言，该方法估计一组多元响应信号的线性投影，其方差与外部协变量相关。在神经科学中，人们对分析来自大脑不同区域的脑信号时间序列之间的统计依赖性很感兴趣，我们将其称为功能连接（FC）（Lindquist 2008；Fornito 和 Bullmore 2012；Fornito 等人 2013；Monti 等人 2014；Fox 和 Dunson 2015）。功能连接背后的大脑信号是多变量的，在分析功能连接时，每个大脑活动都被视为与其他大脑活动的相对关系（Varoquaux 等人，2010），因为这种统计依赖性与行为特征（协变量）相关。本文开发了一种贝叶斯方法对反应信号进行监督降维，以分析外部协变量与以多变量信号的协方差为特征的功能连接之间的关联。通常，分析大脑功能连接的第一个步骤是定义一组对应于感兴趣的空间区域（ROI）的节点，其中每个节点都与其自己的图像数据时间过程相关联。然后，根据每个节点时间过程之间的统计依赖性（van der Heuvel 和 Hulshoff Pol，2010；Friston，2011），估计网络连接（或节点之间的“边缘”结构）。 FC 网络是使用 Pearson 相关系数（ Hutchison 等人，2013 年）以及部分
使用深度学习自动分割多发性硬化症病变的脑叶并提取特征
摘要：本研究重点是自动分割多发性硬化症 (MS) 病变 MRI 图像中的脑叶，以提取预测残疾程度的关键特征。由于病变特征的多变性和 MRI 图像的细节性质，从 MS 病变的 MRI 图像中提取重要特征确实是一项复杂的任务。此外，所有这些研究都需要持续的患者监测。因此，我们的贡献在于提出一种自动分割脑叶和提取病变特征（数量、大小、位置等）以预测 MS 患者残疾程度的方法。为了实现这一目标，我们引入了一个受 U-Net 启发的模型来对不同的脑叶进行分割，旨在准确定位 MS 病变。我们使用了两个私人和公共数据库，平均 IoU 得分为 0.70，这可以说是令人鼓舞的。在分割阶段之后，从 MS 患者的 MRI 扫描中提取了大约 7200 个特征。
使用 Wasserstein 距离对颞叶癫痫脑网络进行统一拓扑推理
持久同源性为从脑网络中提取隐藏的拓扑信号提供了一种强大的工具。它捕获了跨多个尺度的拓扑结构的演变，称为过滤，从而揭示了在这些尺度上持续存在的拓扑特征。这些特征总结在持久性图中，并使用 Wasserstein 距离量化它们的差异。然而，Wasserstein 距离不遵循已知的分布，这对现有参数统计模型的应用构成了挑战。为了解决这个问题，我们引入了一个以 Wasserstein 距离为中心的统一拓扑推理框架。我们的方法没有明确的模型和分布假设。推理以完全数据驱动的方式进行。我们将这种方法应用于从两个不同地点收集的颞叶癫痫患者的静息态功能磁共振图像 (rs-fMRI)：威斯康星大学麦迪逊分校和威斯康星医学院。重要的是，我们的拓扑方法对由于性别和图像采集而导致的变化具有鲁棒性，无需将这些变量视为干扰协变量。我们成功定位了对拓扑差异贡献最大的大脑区域。本研究中所有分析使用的 MATLAB 包可在 https://github.com/laplcebeltrami/PH-STAT 上找到。
用于电磁脑成像的分布式源的稳健经验贝叶斯重建
电磁脑成像是从磁场和电位的非侵入性记录中重建脑活动。这种成像方式的一个持久挑战是估计源的数量、位置和时间过程，特别是对于具有复杂空间范围的分布式脑源的重建。在这里，我们介绍了一种新颖的稳健经验贝叶斯算法，该算法通过两个关键思想可以更好地重建分布式脑源活动：核平滑和超参数平铺。由于所提出的算法建立在稀疏源重建算法 - 香槟的许多性能特征之上，我们将该算法称为平滑香槟。平滑香槟对高水平噪音、干扰和高度相关的脑源活动的影响具有很强的鲁棒性。与基准算法相比，模拟表明平滑香槟在准确确定分布式源活动的空间范围方面具有出色的性能。平滑香槟还可以准确重建真实的 MEG 和 EEG 数据。
用于电磁脑成像的分布式源的稳健经验贝叶斯重建
电磁脑成像是从磁场和电位的非侵入性记录中重建脑活动。这种成像方式的一个持久挑战是估计源的数量、位置和时间过程，特别是对于具有复杂空间范围的分布式脑源的重建。在这里，我们介绍了一种新颖的稳健经验贝叶斯算法，该算法通过两个关键思想可以更好地重建分布式脑源活动：核平滑和超参数平铺。由于所提出的算法建立在稀疏源重建算法 - 香槟的许多性能特征之上，我们将该算法称为平滑香槟。平滑香槟对高水平噪音、干扰和高度相关的脑源活动的影响具有很强的鲁棒性。与基准算法相比，模拟表明平滑香槟在准确确定分布式源活动的空间范围方面具有出色的性能。平滑香槟还可以准确重建真实的 MEG 和 EEG 数据。
额颞叶变性的表观遗传年龄加速度：血液和脑的全面分析
摘要：额颞叶变性（FTLD）包括通过额叶和颞叶变性的病理学来表征的异质疾病。除了FTLD的主要遗传贡献者（例如MAPT，GRN和C9orf72中的突变）外，最近的工作还鉴定了几种表观遗传学修改，包括DLX1中的显着差异DNA甲基化，以及OTUD4的位置。由于衰老仍然是FTLD的主要危险因素之一，因此我们研究了与对照组相比，FTLD中FTLD加速的表观遗传衰老的存在。We calculated epigenetic age in both peripheral blood and brain tissues of multiple FTLD subtypes using several DNA methylation clocks, i.e., DNAmClock Multi , DNAmClock Hannum , DNAmClock Cortical , GrimAge, and PhenoAge, and determined age acceleration and its association with different cellular proportions and clinical traits.在额颞痴呆（FTD）的外周血中观察到了显着的表观遗传年龄加速，即使在核算混杂因素后，与Dnamclock hannum的对照组相比，与患有Dnamclock Hannum的对照组相比，与Dnamclock Hannum的对照组相比，观察到了进行性上的核次核（FTD）和进行性表观遗传年龄的加速。在PSP患者的验尸后皮层组织中，dnamclock多和dnamclock皮质都观察到了类似的趋势，并且在具有GRN突变的FTLD病例中。我们的发现支持，增加外周血中表观遗传年龄加速度的加速可能是PSP的指标，并且在较小程度上是FTD。
录用稿件，非最终出版稿 - 工程科学学报
因此，跨个体、跨场景的脑电分析方法逐渐成为研究热点。越来越多的研究人员将广泛应用脑 电信号分析的特征于跨个体、跨场景的脑电信号分析研究中。 Touryan 等人采用经典的独立成分分 析的特征分析方法描述特征空间，计算功率谱密度（ Power Spectral Density ， PSD ），并采用顺序 前向浮动选择方法识别频谱特征中的独立成分集，结果表明该方法可以识别出跨场景脑电信号中的 共同成分 [88] 。 Kakkos 等人采用了特征融合的方法，将 PSD 与功能连接特征相结合，提高了跨场景 分类的性能，并证明了脑特征融合在跨场景中的应用更为有效 [89] 。 Xing 等人将模糊熵特征用于跨 场景脑电信号分析，发现模糊熵特征相对于其他特征更能适合跨场景 [90] 。卷积神经网络 （ Convolutional Neural Networks ， CNN ）和递归神经网络（ Recurrent Neural Networks ， RNN ）等基 于深度学习的新型跨任务模型在跨场景脑电分析中展现了巨大潜力。这些模型能够自动提取特征和 学习复杂的脑电特征，从而有效地缩小不同任务和场景之间的差距，提高模型的泛化能力 [91][92][93] 。 近年来，一些跨学科的方法被创新性地应用于跨场景研究， Zhao 等人提出了一种跨学科的对齐多 源域自适应方法，用于跨个体的 EEG 疲劳状态评估，显著提高了模型的泛化能力 [94] ， Zhou 等人在 此基础上进行改进，提出了一种跨任务域自适应方法，有效提升了跨场景认知诊断的性能 [95] 。
补充材料脑脑内脑内...
图S10。 建立用于研究缺血性中风的永久性脑动脉闭塞（PMCAO）模型。 PMCAO手术程序。 CCA，ICA和ECA暴露了，将硅细丝插入CCA和ICA直到到达MCA（有关详细信息的材料和方法）。 用biorender.com创建的数字。 b TTC染色大脑的代表性照片。 白色区域代表PMCAO的梗塞区域。 PMCAO后1、3和6小时，缺血性大脑中SIRT1的mRNA表达水平。 数据表示为折叠变化，相对于假手术组在归一化为GAPDH之后。 误差条表示平均值±S.D. （n = 3）（每组n = 10只小鼠， * p <0.05，*** p <0.001对假手术）。 缩写：CCA，常见的颈动脉； ICA，颈内动脉； ECA，外部颈动脉； MCA，中大脑中动脉； TTC，2,3,5-三苯基四唑氯化物。图S10。建立用于研究缺血性中风的永久性脑动脉闭塞（PMCAO）模型。PMCAO手术程序。CCA，ICA和ECA暴露了，将硅细丝插入CCA和ICA直到到达MCA（有关详细信息的材料和方法）。用biorender.com创建的数字。b TTC染色大脑的代表性照片。白色区域代表PMCAO的梗塞区域。PMCAO后1、3和6小时，缺血性大脑中SIRT1的mRNA表达水平。数据表示为折叠变化，相对于假手术组在归一化为GAPDH之后。误差条表示平均值±S.D.（n = 3）（每组n = 10只小鼠， * p <0.05，*** p <0.001对假手术）。缩写：CCA，常见的颈动脉； ICA，颈内动脉； ECA，外部颈动脉； MCA，中大脑中动脉； TTC，2,3,5-三苯基四唑氯化物。
全脑脑
全脑脑是复杂的大脑畸形，这是由于早期胎儿发育过程中大脑不完全的裂解而导致的。这种情况的特征在于普罗德龙（胚胎的前脑）的失败，以正确分成大脑半球的双叶，导致影响大脑和面部特征的异常。根据大脑分裂的严重程度，全脑脑分为四种类型：Alobar Holoporsencephaly：最严重的形式，其中没有脑半球分离，导致单个脑室心室和一个单裂脑。半月骨全脑脑：大脑半球部分分离，大脑的结构在某种程度上介于Alobar和Lobar之间。Lobar Holoporsencephaly：最少的严重形式，具有更好的脑半球分离和更正常的大脑结构。中半球间变体（syntelcephaly）：半球在大脑中间没有分离，但可能在前和后方面更正常地分裂。是什么导致全脑脑？
消息传递基于贝叶斯的贝叶斯对推车系统的控制
摘要。我们描述了一个贝叶斯控制器的贝叶斯控制器，这是控制理论中众所周知的基准。卡车孔系统的特征是其非线性和不足的性质，我们通过（1）假设控制器缺乏传感器噪声方差的知识，并且（2）在控制信号上施加界限。传统的控制算法通常难以适应不确定性和约束。然而，贝叶斯框架，尤其是专用推理框架，可以顺利地适应这些复杂性。在拟议的控制器中，整个计算过程由在线贝叶斯推理组成。通过工具箱简化了此过程，以在因子图中快速传递基于消息传递的推断。我们描述了在因子图中传递消息的机制，解决了诸如非线性因素，有限控制和实时参数跟踪之类的挑战。本文的主要目的是证明，随着主动推理框架的发展和自动推理工具箱的效率，贝叶斯控制成为应用程序工程师的吸引人选择。