XiaoMi-AI文件搜索系统
World File Search System脑电图
人格因素塑造了大脑对情绪刺激的反应：脑电图研究
脑电图（EEG）是一种用于记录脑活动的非侵入性电生理方法，使研究人员能够研究脑功能（8）。情感研究领域中的一种研究涉及通过定量分析EEG诱导情绪并记录大脑活动的变化（9）。研究人格，情绪和脑电图之间的关系的研究主要关注这三个因素中的两个（10-12），并且对人格在情绪诱导过程中的作用在大脑活动中的作用有限。使用召回或想象力（13），声音（14、15），图片（16、17）或视频剪辑（VC）（18、19）的一些研究，用于引起情绪反应的方法有所不同，这些研究被认为是对日常生活情况的自然和反思。此外，一些研究使用了少量样本量（20，21），仅包括均质参与者组（22），并且常常未能考虑性别差异（20）。这些方法上的差异导致整个研究的结果不一致（23，24）。
重新利用脑电图监测用于建立脑老化生物标志物的一般麻醉：探索性研究
背景：脑电图（EEG）越来越多地用于监测全身麻醉的深度，但是大麻醉监测的EEG数据很少被重复用于研究。在这里，我们探索了从一般麻醉中重新利用脑电图监测，用于使用机器学习进行大脑年龄建模。我们假设在全身麻醉期间从脑电图估算的大脑年龄与围手术期风险有关。方法：我们在稳定的丙泊酚或稳定的丙烷麻醉下重新分析了323例患者的四局EEG，以研究四个EEG特征（EEG功率的95％（95％EEG功率<8 E 13 Hz）的年龄预测：总功率，Alpha频段，Alpha频段，Alpha band Power（8 E 13 Hz），Power Spectrum和Spatial spatial和Spatsial spatsial sy fromeny confurears和Spats spats spatsial sy频率。我们在丙泊酚麻醉期间由健康参考组（ASA 1或2）的EEG构建了年龄预测模型。尽管所有签名都是信息丰富的，但最先进的年龄预测性能通过沿整个功率谱的电极进行解析（平均绝对误差¼8.2岁； R2¼0.65）来解锁。结果：ASA 1或2例患者的临床探索表明，脑年龄与术中爆发抑制正相关，这是全身麻醉并发症的危险因素。令人惊讶的是，大脑年龄与较高的ASA分数患者的爆发抑制作用，表明隐藏的混杂因素。次级分析表明，与年龄相关的脑电图特征是丙泊酚麻醉的特异性，这是通过有限的模型概括对用sevo lureane维持的麻醉的。结论：尽管全身麻醉的脑电图可能实现最新的年龄预测，但麻醉药物之间的差异会影响脑时代模型的有效性和有效性。为了释放脑电图监测临床研究的休眠潜力，至关重要的是，具有精确记录药物剂量的异质种群的较大数据集至关重要。
氯胺酮辅助心理治疗普遍焦虑症：一份全面的病例报告，使用磁脑电图进行整合的神经生理成像
此详细案例报告探讨了氯胺酮辅助心理治疗（KAP）在30年代后期的男性患者治疗焦虑症（GAD）（GAD）和抑郁症状中的应用。N-甲基-D-天冬氨酸（NMDA）受体拮抗剂氯胺酮由于其快速且稳健的抗抑郁作用而在情绪和焦虑症的治疗中取得了显着突破。临床前研究表明，氯胺酮促进了大脑的生物学改变，包括增强神经可塑性。然而，迄今为止，还没有使用磁脑摄影（MEG）（一种强大的功能性神经影像学方式）检查了KAP的纵向效应。静止状态MEG（RSMEG）扫描允许探索与KAP相关的情绪和焦虑症状变化的神经相关性，包括参与认知和情绪调节的大脑网络之间的功能连通性。在本案例研究中，一个中等重度GAD的成年男性参与者在基线时进行了两次RSMEG扫描和认知测试，在6个标准氯胺酮给药和2个整合会议中的6次会议中有4个，其中一部分是一项协议的一部分，该协议总共包括6次KAP会话和四次集成。我们在5个功能网络中测量了功能连接性 - 默认模式，注意力，中央执行，运动和视觉以及神经振荡活动。我们看到5个网络中的4个中的功能连接增加。这与皮质β活性的显着增加相吻合，抑制作用的标志，theta振荡的降低，GAD7和PHQ9分数的降低以及提高了注意力。总而言之，这些发现强调了RSMEG检测KAP诱导的大脑网络变化的能力，提供了一种有希望的工具，用于识别临床相关的神经相关性，可以通过电生理学变化来预测和监测治疗结果。
静止状态脑电图脑活动在新生儿可以预测年龄，并且表明神经发育结果
目的：脑电图（EEG）可用于估计新生儿的生物脑时代。在月经年龄和脑年龄之间的差异，称为脑年龄差距，可能会导致成熟偏差。现有的大脑年龄EEG模型不太适合临床COT侧用途，用于估计新生儿的脑年龄间隙，因为它们依赖于相对较大的数据和预处理要求。方法：我们使用降低的数据要求培训了一种来自具有非神经开发的婴儿和幼儿发展（BSID）结果的早产新生儿的静止状态脑电图数据的深度学习模型。随后，我们在两个临床部位的两个独立数据集中测试了该模型。结果：在两个测试数据集中，仅使用单个通道的静息状态脑电图活动的20分钟，模型生成准确的年龄预测：平均绝对误差= 1.03周（p值= 0.0001）和0.98周（pValue = 0.0001）。在一个测试数据集中，在9个月的随访BSID结局中，严重异常结果组的平均新生儿脑年龄间隙显着大于正常结局组的平均脑年龄差异：平均脑年龄差距的差异差异= 0.50周（p-value = 0.04）。结论：这些发现表明，深度学习模型对来自两个临床部位的独立数据集进行了普遍性，并且模型的脑年龄间隙幅度在正常和严重的随访神经发育结果的新生儿之间有所不同。2024国际临床神经生理联合会。由Elsevier B.V.明显：新生儿大脑年龄间隙的幅度，仅使用单个通道的静息状态脑电图数据的20分钟来估算，可以编码临床神经发育价值的信息。这是CC下的开放访问文章（http://creativecommons.org/licenses/4.0/）。
通过动态空间过滤向损坏的脑电图中的强大学习
Ferchichi Causa，Shipberry，DavidGuérin，Rampa，Bourguiga，Camal Lim。根据反应器基于无线电束文学过程，根据反应器掺杂。电子有机物，2021，97，pp.106266。10.1016/j.orgel。
事件相关的 alpha 节律调制解释了脑电图中的听觉 P300 诱发反应
[1] 马克斯普朗克人类认知与脑科学研究所神经病学系，莱比锡 04103，德国 [2] 柏林夏里特医学院伯恩斯坦计算神经科学中心，柏林 10117，德国 [3] 罗氏制药研究与早期开发、神经科学与罕见疾病，罗氏巴塞尔创新中心，F.霍夫曼-罗氏有限公司，巴塞尔，4070，瑞士 [4] 莱比锡大学 LIFE – 文明疾病研究中心，莱比锡，04109，德国 [5] IU 国际应用技术大学心理学系，埃尔福特，53604，德国 [6] 莱比锡大学医学中心精神病学和心理治疗系，莱比锡，04103，德国 [7] 精神病学、心身医学和心理治疗，法兰克福歌德大学，法兰克福，60323，德国 [8] 医学信息学，统计学和流行病学研究所（IMISE），莱比锡大学，莱比锡，04109，德国 [9] 认知神经病学系，莱比锡大学医院，莱比锡，04103，德国 [10] 神经物理学组，神经病学系，夏里特 - 柏林大学医学院，柏林，10117，德国
边缘雾计算支持无损脑电图数据压缩，可在 IoMT 网络中用于癫痫发作检测
1, 2 部伊拉克巴比伦大学计算机科学系。 3 FEMTO-ST 研究所/CNRS，大学法国贝尔福，勃艮第弗朗什孔泰。 4 法国奥赛巴黎萨克雷大学 LISN 实验室。电子邮件: ali.idrees@uobabylon.edu.iq, wsci.sara.idrees5@uobabylon.edu.iq, raphael.couturier@univ-fcomte.fr, tara.ali-yahiya@universite-paris-saclay.fr ∗ 通讯作者
比较脑电图，凝视和手动运动
人类机器人协作（HRC）依赖于对人类意图的准确和及时认识以确保无缝相互作用。在常见的HRC任务中，已经广泛研究了人身到机器人的对象移交，以计划在对象接收期间的机器人行动，假设人类的对象移交意图。但是，将移交意图与其他动作区分开来，受到了有限的关注。大多数对Han-Dovers的研究都集中在视觉检测运动轨迹上，这通常会导致轨迹重叠时延迟或错误检测。本文研究了人类对物体移交的意图是否反映在基于非运动的生理信号中。我们进行了比较三种数据模式的多模式分析：脑电图（EEG），凝视和手动信号。我们的研究旨在区分HRC环境中的移交预期的动作和非移交动作，从而评估每种形态在预测和之后人类运动开始之前和之后对这些行为进行分类时的表现。我们根据这些方式开发和评估人类意图探测器，比较它们在识别切换意图方面的准确性和时机。据我们所知，这是在人类机器人移交的相同实验环境中系统地开发和测试意图探测器的第一项研究。 我们的分析表明，移交意图可以是据我们所知，这是在人类机器人移交的相同实验环境中系统地开发和测试意图探测器的第一项研究。我们的分析表明，移交意图可以是
整合脑电图和EMG以减少身体需求
摘要 - 我们提供了一个混合脑机界面（BMI），该界面（BMI）整合了基于视觉诱发电位（SSVEP）的脑电图和面部EMG，以改善多模式控制并减轻辅助应用中的疲劳。传统的BMI仅依赖于脑电图或EMG具有固有的局限性 - 基于EEG的控制需要持续的视觉焦点，导致认知疲劳，而基于EMG的控制会随着时间的流逝引起肌肉疲劳。我们的系统在脑电图和EMG输入之间动态交替，使用EEG检测9.75 Hz的SSVEP信号，以及从脸颊和颈部肌肉中检测到14.25 Hz和14.25 Hz和EMG，以根据任务需求优化控制。在虚拟乌龟导航任务中，混合系统达到了与仅EMG的方法相当的任务完成时间，而90％的用户报告说减少或相等的物理需求。这些发现表明，多模式BMI系统可以增强可用性，减少应变并改善辅助技术的长期依从性。索引术语 - 基于EEG的接口，EMG处理和应用，脑机界面
完善版本引用（APA）：Cracco, E., Oomen, D., Papeo, L., & Wiersema, JR (2022)。使用脑电图运动标记来分离大脑反应
检测生物运动对于适应性社会行为至关重要。先前的研究已经揭示了这种能力背后的大脑过程。然而，生物运动感知过程中的大脑活动会捕捉到多种过程。因此，我们通常不清楚哪些过程反映了运动处理，哪些过程反映了建立在运动处理基础上的次要过程。为了解决这个问题，我们开发了一种新方法来测量与观察到的运动直接相关的大脑反应。具体来说，我们向 30 名成年男性和女性展示了一个以 2.4 Hz 的速度移动的点光源步行器，并使用 EEG 频率标记来测量与该速度相关的大脑反应（“运动标记”）。结果显示，在步行频率下有一个可靠的反应，而两种已知会破坏生物运动感知的操作会降低这种反应：相位扰乱和反转。有趣的是，我们还发现了步行频率一半（即 1.2 Hz）的大脑反应，这对应于各个点完成一个周期的速率。与 2.4 Hz 响应相比，对于乱序步行者（相对于未乱序步行者），1.2 Hz 响应有所增加。这些结果表明，频率标记可用于捕捉生物运动的视觉处理，并且可以在大脑信号的不同频率下分离涉及生物运动感知的全局（2.4 Hz）和局部（1.2 Hz）过程。