XiaoMi-AI文件搜索系统
World File Search System静息
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/）
非阻塞性疾病症状患者冠状动脉血流和流速储备的性别差异
方法和结果：共有 1,683 名有缺血症状/体征且血管造影显示冠状动脉畅通（血管造影狭窄 <40%）的患者接受了冠状动脉血管运动评估。CFVR 以 LAD 中的充血/静息平均速度来测量。用定量血管造影测量 LAD 中段直径，并计算静息 CBF（rCBF）和充血（hCBF）。静息微血管阻力（rMR）以平均动脉压/rCBF 来计算。在所有患者中，1,096 名（65%）为女性，平均年龄为 51 [42, 59] 岁。与男性相比，女性的中位 CFVR 较低（2.7 [2.4, 3.2] vs 3.1 [2.7, 3.6]，p<0.001），rCBF 较高（49.7 [34.0, 71.1] vs 45.9 [31.8, 68.7] ml/min，p=0.04），hCBF 较低（139.5 [93.0, 195.2] vs 147.1 [95.7, 218.6] ml/min，p=0.02），但 rMR 相似（p=0.82）。女性是 CFVR 较低、rCBF 较高和 hCBF 较低的独立预测因素。
来自静息状态脑功能网络重叠群落结构改变的生物标志物可用于检测阿尔茨海默病
图 4：在不同 k 值下检测到的社区的层次结构。（A）上图和下图分别显示了 k 从 5 到 16 变化时 AD 和 NC 得出的社区层次结构的树状图。X 轴表示不同的簇，Y 轴表示簇之间的距离。截止距离设置为 0.5，其中所有社区合并为每组 16 个簇。这些簇涵盖 11 个常见的 RSN，包括视觉网络 (VN)、眶额皮质 (OFC)、显着网络 (SN)、DMN、执行控制网络 (ECN)、左/右额顶叶网络 (L/RFP)、感觉运动网络 (SEN)、边缘系统 (LIM)、腹侧注意网络 (VAN) 和基底神经节 (BG)。两组之间每个 RSN 的相似性显示在底部，每个 RSN 用一种颜色标记。 (B) 和 (C) 分别通过对 AD 组和 NC 组的每个簇内的社区进行平均来显示结果簇。列表示社区指数，行表示矩阵表示中的节点指数。红色框突出显示了两组在簇内层次结构方面的差异。
使用机器学习对患有 ADHD 的成年患者进行任务相关和静息状态脑电图分类
摘要 —注意力缺陷多动障碍 (ADHD) 是一种普遍的心理障碍，其特征是注意力缺陷和高度冲动，影响成人和儿童。本研究旨在评估任务相关脑电图 (EEG) 和静息状态脑电图在区分成年 ADHD 患者和健康对照者方面的有效性。机器学习技术用于根据脑电图特征对患者的状态进行分类。本研究的主要目的是确定在停止信号任务招募抑制过程中记录的任务型脑电图数据的分类性能是否优于静息状态脑电图数据。我们假设基于任务的脑电图数据包含与抑制控制相关的有价值的生物标志物，可用于检测 ADHD，而静息状态脑电图数据不具备这种有用的生物标志物。索引词 —ADHD、分类、机器学习、脑电图
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。
ORIGINALA RT ICLEA 功能性脑网络功能障碍的全脑和跨诊断视角
多种精神障碍都与静息状态功能网络改变有关，而静息状态功能网络改变被认为是导致精神疾病认知变化的原因。这些观察结果似乎支持了精神疾病导致大脑系统大规模破坏的理论。然而，现有的方法只分离了网络组织的差异，而没有将这些差异放在广泛的全脑视角中。使用图距离方法（连接组范围的相似性），我们发现，患有和不患有各种精神疾病的个体群体的全脑静息状态功能网络组织高度相似。在自闭症谱系障碍、注意力缺陷多动障碍和精神分裂症中都观察到了这种相似性。尽管如此，网络图距离的细微差异可以预测诊断，这表明虽然功能连接组在健康和疾病之间差异不大，但这些差异是有用的。这些结果表明，需要重新评估精神疾病的神经认知理论，因为细微的功能性大脑网络变化在一系列精神疾病的产生中发挥着作用。如此小的网络改变表明，对大脑网络组织进行微小的、有针对性的改变可能会为各种精神障碍带来有意义的改善。
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。
MRI 技术操作手册
表 1：MRI 评估时间表 ...................................................................................................................... 8 表 2：ACR 单切片矢状回波参数 ...................................................................................................... 11 表 3：ACR 切片轴向 T1 加权自旋回波参数 ........................................................................................ 12 表 4：T1 3D 体积序列 ...................................................................................................................... 16 表 5：多频带静息态 fMRI 序列参数 ............................................................................................. 18 表 6：NM-MT 序列 ............................................................................................................................. 21 表 7：多壳扩散张量成像 ................................................................................................................ 22 表 8：3D T2 FLAIR 序列 ................................................................................................................ 23 表 9：MRI 系列描述 ........................................................................................................................ 24 表 10：静息态 fMRI 序列（备用参数） ........................................................................................ 36 表 11：扩散张量成像序列（备用参数）参数）................................................ 37
心率探索
说明：步骤1：从快速讨论开始•心脏做什么？•为什么心脏在运动后会更多？•血液如何通过我们的身体移动？说明可以通过计算一分钟内的节拍数来衡量心跳。步骤2：教孩子们如何找到自己的脉搏。他们可以感觉到它：•在手腕上（径向脉冲）•在颈部（颈动脉脉冲）练习15秒钟，然后乘以4次，以计算每分钟的节拍（bpm）。步骤3：测量静息心率•安静地坐一分钟以确保静息心率。•测量并记录BPM。步骤4：活动时间：让心跳加速！•选择一个简单的活动，例如跳跃插孔，慢跑到位或跳舞1-2分钟。•活动后立即测量心率并记录BPM。步骤5：冷却•活动后安静地静置2分钟，然后再次测量心率。这将帮助孩子们观察锻炼后心脏的慢节奏。步骤6：重复和比较•尝试不同的活动，例如步行或跳过，并比较心率变化。