XiaoMi-AI文件搜索系统
World File Search System闭眼
慢性神经性疼痛：使用 painDETECT 和简短疼痛清单报告进行睁眼和闭眼时的脑电图数据
招募了36名墨西哥籍慢性神经性疼痛患者（8名男性和28名女性），平均年龄为44±13.98岁，在睁眼和闭眼静息状态下记录EEG信号。每种状态记录5分钟，总记录时间为10分钟。每位患者报名参加研究后都会获得一个ID号，他们需要根据该ID号回答painDETECT问卷，作为神经性疼痛的筛查过程以及临床病史。记录当天，患者回答了简明疼痛量表，作为疼痛对日常生活干扰的评估问卷。使用Smarting mBrain设备注册了22个按照10/20国际系统定位的EEG通道。EEG信号以250 Hz采样，带宽在0.1到100 Hz之间。本文提供了两种类型的数据：（1）静息状态下的原始脑电图数据；（2）两次试验的患者报告。
听觉诱发电位脑电图-...
这项工作旨在评估使用脑电图 (EEG) 信号作为生物特征认证手段的效果。我们从 20 名参与数据收集的受试者那里收集了超过 240 条记录，每条记录持续 2 分钟。数据包括在静息状态和有听觉刺激的情况下进行的实验的结果。静息状态的 EEG 信号是在睁眼和闭眼的情况下获取的。听觉刺激 EEG 信号由分为两种场景的六个实验组成。第一种场景考虑耳内刺激，而第二种场景考虑骨传导刺激。对于这两种场景中的每一种，实验都包括一首母语歌曲、一首非母语歌曲和一些中性音乐。这些数据可用于开发用于认证或识别的生物特征系统。此外，它们还可用于研究音乐等听觉刺激对 EEG 活动的影响，并将其与静息状态条件进行比较。 © 2024 作者。由 Elsevier Inc. 出版。这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）
数据驱动的人群水平脑电图特征检索及其在神经退行性疾病中的作用
阿尔茨海默病和路易体病等神经退行性疾病引起的电生理紊乱可通过头皮脑电图检测出来，并可作为疾病严重程度的功能性测量指标。传统的脑电图定量分析方法通常需要先验选择具有临床意义的脑电图特征，而且容易产生偏差，限制了常规脑电图在神经退行性疾病诊断和管理中的临床应用。我们提出了一种数据驱动的张量分解方法，用于提取代表闭眼清醒状态下常见的脑电图活动来源的前 6 个频谱和空间特征。作为梅奥诊所神经系统评估的一部分，11,001 名患者接受了 12,176 项常规、标准的 10-20 次头皮脑电图研究。根据这些原始脑电图，我们开发了一种基于后部 alpha 活动和眼球运动的算法，用于自动选择清醒闭眼时期并估计每个通道 1 到 45 Hz 之间的平均频谱功率密度 (SPD)。然后，我们创建了一个三维 (3D) 张量 (记录 × 通道 × 频率)，并应用典型多元分解来提取前六个因子。我们进一步确定了一组独立患者，他们符合阿尔茨海默病和路易体痴呆 (31) 导致的轻度认知障碍 (30) 或痴呆 (39) 的共识标准，以及年龄相似的认知正常对照 (36)。我们使用朴素贝叶斯分类方法评估了这六个因子区分这些亚组的能力，并评估了因子载荷与 Kokmen 心理状态简略测验评分、氟脱氧葡萄糖 (FDG) PET 摄取率和脑脊液阿尔茨海默病生物标志物测量值之间的线性关联。这些因子代表了具有生物学意义的大脑活动，包括后部 α 节律、前部 δ/θ 节律和中央顶叶 β，它们与患者年龄和脑电图节律失常等级相关。这些因素还能够以中等到高精度（曲线下面积 (AUC) 0.59–0.91）区分患者和对照组，以及区分阿尔茨海默病痴呆和路易体痴呆（AUC 0.61）。此外，相关的 EEG 特征与阿尔茨海默病亚组的认知测试表现、PET 代谢和 CSF AB42 测量值相关。这项研究表明，数据驱动的方法可以从人群水平的临床 EEG 中提取具有生物学意义的特征，而无需拒绝伪影或先验选择通道或频带。随着不断发展，这种数据驱动的方法可以通过协助早期识别轻度认知障碍和区分认知障碍的不同神经退行性原因来提高 EEG 在记忆护理中的临床效用。
大麻和实际驾驶表现 - ROSA P
11-OH-THC 11-羟基-A9-四氢大麻酚 ANWB Algemene Nederlandse Wielrijders Bond（荷兰皇家旅游协会） BAC 血液酒精浓度 CS-C 闭眼身体摇晃测试的曲线表面 CS-O 睁眼身体摇晃测试的曲线表面 CTT 关键跟踪测试 CV-H '间隔时间的变异系数（SDIM） CV-IBI 心跳间隔时间的变异系数（SD/M） DOT 交通部 ECG 心电图 EtOH 乙醇 IBI 心跳间隔时间 MANOVA 多元方差分析 NHTSA 国家公路交通安全管理局 NIDA 国家药物滥用研究所 PWR-HR 心率功率密度谱在 .01 和 .14 Hz 频率之间的相对幅度 RT 反应时间 SD 标准差 SDLP 心率的标准差横向位置 SDSP 速度标准差 SDST 方向盘角度标准差 SE 标准误差（即SD 除以观测次数的平方根） SED 平均差异标准误差 SP 平均速度 THC W- 四氢大麻酚 THC-COOH 11-正-b9-四氢大麻酚-9-羧酸
脑电图记录中的错误通道检测
摘要：脑电图 (EEG) 广泛应用于临床应用和基础研究。干脑电图为游戏和神经反馈期间的自我应用等新领域开辟了应用领域。在记录过程中，信号总是受到伪影的影响。手动检测坏通道是凝胶和干脑电图的黄金标准，但很耗时。我们提出了一种简单而强大的方法，用于自动检测脑电图中的坏通道。我们的方法基于对每个通道标准差的迭代计算。这些标准差的统计测量可作为坏通道检测的指标。我们将新方法与从手动识别的脑电图记录坏通道获得的结果进行了比较。我们分析了闭眼静息状态下的脑电图信号和头部运动数据集。结果显示，凝胶和干脑电图的静息状态脑电图准确率为 99.69%。对于两种设置中带有头部运动的数据集，我们的新方法的准确率为 99.38%。手动识别不良通道的黄金标准与我们的迭代标准差方法之间没有显著差异。因此，所提出的迭代标准差方法可用于静息态和运动脑电图记录中的不良通道检测。
原创研究基于多脑区脑电信号分析的抑郁症检测
背景：脑电图作为检测脑部神经电活动的客观方法，已被成功应用于重度抑郁症（MDD）的检测，但脑电通道和脑区的选择直接影响检测算法的性能。方法：针对上述问题，提取非线性特征Lempel-Ziv复杂度（LZC）和频域特征功率谱密度（PSD）对EEG信号进行分析，并在闭眼和睁眼静息状态下研究不同脑区及脑区组合对MDD检测的影响。结果：MDD患者的平均LZC高于对照组，MDD患者的平均PSD普遍低于对照组。颞区是MDD检测的最佳脑区，检测准确率为87.4%；最佳多脑区组合的检测准确率为92.4%，由额叶、颞叶和中枢脑区组成。结论：本文验证了多脑区检测MDD的有效性，为探索MDD的病理机制、创新诊疗方法提供了新思路。
通过卷积神经网络引导改进脑电信号手动注释
开发经过验证的自动处理伪影算法对于可靠、快速地处理 EEG 信号至关重要。最近，在设计机器学习算法以改善经过培训的专业人员的伪影检测方面取得了方法上的进展，这些专业人员通常会一丝不苟地检查和手动注释 EEG 信号。然而，由于数据大多是私密的，数据注释既耗时又容易出错，这些方法的验证因缺乏黄金标准而受到阻碍。为了规避这些问题，我们提出了一个迭代学习模型来加速和减少手动注释 EEG 的错误。我们使用卷积神经网络 (CNN) 对专家注释的睁眼和闭眼静息态 EEG 数据进行训练，这些数据来自正常发育儿童 (n = 30) 和患有神经发育障碍的儿童 (n = 141)。为了克服旨在开发新算法和进行基准测试的循环推理，我们提出了一种迭代学习模型来加速和减少手动注释 EEG 的错误。
脑网络近似熵在半球差异研究中的应用
摘要：人脑是一个动态复杂系统，可以用不同的方法进行研究，包括线性和非线性方法。脑电图 (EEG) 分析中广泛使用的非线性方法之一是熵，即系统无序性的测量值。本研究调查了大脑网络，应用近似熵 (ApEn) 测量来评估半球脑电图差异；评估了不同记录会话中 ApEn 数据的可重复性和稳定性。20 名健康成年志愿者接受了 80 次闭眼静息脑电图记录。枕骨区域存在显著差异，左半球的熵值高于右半球，表明根据执行的功能，半球以不同的强度变得活跃。此外，事实证明，在相对较短的 EEG 时期以及 36 名受试者的 1 周间隔时间内，本方法都是可重复且稳定的。非线性方法是研究大脑网络动态的有趣探索。ApEn 技术可能为了解与年龄相关的大脑断开的病理生理过程提供更多见解，并可用于监测药物和康复治疗的影响。
神经重症监护指南 2020-2021
• 瞳孔 OD/OS、大小、反应性、眼睑下垂 • 视力：斯内伦视力表（可使用针孔矫正屈光）、色觉测试 • 视野：测试所有四个象限、中央视觉、忽视 • 眼底：评估视盘/脉管/静脉搏动/视网膜 • 眼外肌运动：双眼下收/内收、单眼旋转、对齐 • CN V / 面部感觉：LT/PP/温度、V1-V3 距离、角膜反射 • CN VII / 面部力量 — 评估上下面部对称性、听觉过敏、味觉障碍、角膜脱水 • CN VIII：听力 — 高/低音调、VOR、前庭测试（过去指向、福田台阶测试 — 闭眼原地踏步、Dix-Hallpike、Frenzel 镜片 — 眼球震颤） • 腭抬高 — 啊啊、呕吐、悬雍垂位置、肌阵挛 • CN XI：胸锁乳突肌强度/体积、斜方肌强度/体积 • CN XII - 舌头：位置、体积、肌束震颤、力量（舌头贴着脸颊）运动：
多尺度特征和多通道选择……
摘要：目的：受医疗保健4.0的推动，本研究旨在基于人工提取的特征（包括时域和频域中的统计特征）降低传统脑电特征的维数。方法：使用四阶巴特沃斯滤波器和小波包变换从UNM和Iowa数据集中提取了总共22个多尺度特征。基于单通道验证，从59个公共通道池中选择了R2得分最高的29个通道。在UNM数据集上验证了所提出的通道选择方案，并在Iowa数据集上进行了测试，以将其通用性与未进行通道选择训练的模型进行比较。结果：实验结果表明，所提出的模型实现了100％的最佳分类准确率。此外，通过基于Iowa数据集的样本外测试验证了通道选择方法的泛化能力结论：使用单通道验证，我们提出了一种基于传统统计特征的通道选择方案，最终选择了29个通道。该方案显著降低了帕金森病相关脑电特征向量的维数 50%。值得注意的是，该方法在 UNM 和 Iowa 数据集上都表现出了相当好的分类性能。对于闭眼状态，最高分类准确率为 100%，而对于睁眼状态，最高准确率达到 93.75%。