XiaoMi-AI文件搜索系统
World File Search System轻度损伤
静息态功能连接对中风后上肢功能结果的影响：一项功能性近红外光谱研究
方法：纳入 49 名患有皮质下病变的亚急性（2 周 − 6 个月）脑卒中患者，根据 FMA-UE 评分分为三组：轻度损伤（n = 17）、中度损伤（n = 13）和重度损伤（n = 19）。所有患者均接受 FMA-UE 评估和 10 分钟静息态 fNIRS 监测。在 7 个 ROI 上记录 fNIRS 信号：双侧背外侧前额皮质（DLPFC）、中部前额皮质（MPFC）、双侧初级运动皮质（M1）和双侧初级体感皮质（S1）。通过每个通道与每个 ROI 对之间的相关系数计算功能连接（FC）。为了揭示三组之间 FC 的综合差异，我们比较了组水平和 ROI 水平的 FC。此外，为了确定不同 ROI 之间的 FMA-UE 评分与 RSFC 之间的关联，我们进行了 Spearman 相关性分析，显著性阈值为 p < 0.05。为了便于比较，我们在 MATLAB R2013b 中将左半球定义为同侧半球，并将病变右半球翻转。
SPIE 会议纪要
新生儿缺氧缺血性 (HI) 脑损伤的光学生物标志物可以提供持续的、床边损伤程度评估的优势；迄今为止的研究主要集中于检查不同的光学测量脑生理信号和特征组合以实现此目的。为了最大限度地扩大所考虑的生理特征范围，已经开发出一个多模光学平台，从而可以对脑损伤获得独特的生理见解。在本文中，我们使用一种最先进的混合宽带近红外光谱仪 (bNIRS) 和扩散相关光谱仪 (DCS) 仪器 FLORENCE 和机器学习管道来评估损伤严重程度。我们在临床前新生儿模型（新生猪）中证明，我们的方法可以识别不同的 HI 损伤严重程度（对照、轻度、重度）。我们表明，基于 K 均值聚类的机器学习流程可用于区分对照组和 HI 仔猪，准确率为 78%，区分轻度损伤仔猪和重度损伤仔猪，准确率为 90%，还可区分 3 个仔猪组，准确率为 80%。因此，该分析流程展示了如何将来自多种仪器的光学数据处理为脑健康指标。