了解自然主义情景中人类运动的神经基础对于将神经科学研究扩展到受约束的实验室范式之外至关重要。在这里,我们描述了12名人类参与者(AJILE12)数据集的长期电视学的注释关节,这是公开可用的最大人类神经行为数据集;在被动临床癫痫监测期间,数据集记录了机会性。ajile12包括在55个半连续运动的自然主义运动中的同步颅内神经记录和上身姿势轨迹以及相关的元数据,包括成千上万的手腕运动事件和注释的行为状态。神经记录可在每位参与者至少64个电极中获得500 Hz,总计1280小时。在9个上身关键点处的姿势轨迹估计为1.18亿个视频帧。为了促进数据探索和重复使用,我们在Neurodata中的Dandi档案中共享了Ajile12,而无需边界(NWB)数据标准,并开发了基于浏览器的仪表板。
a 亚利桑那大学生物医学工程系,亚利桑那州图森市 85721;b 西北大学神经生物学系,伊利诺伊州埃文斯顿市 60201;c 西北大学生命过程化学研究所,伊利诺伊州埃文斯顿市 60208;d 西北大学生物集成电子中心辛普森奎里研究所,伊利诺伊州埃文斯顿市 60201;e 亚利桑那大学航空航天与机械工程系,亚利桑那州图森市 85721;f 西北大学机械工程系,伊利诺伊州埃文斯顿市 60208;g 西北大学高级分子成像、放射学和生物医学工程中心,伊利诺伊州埃文斯顿市 60208;h 西北大学材料科学与工程系,伊利诺伊州埃文斯顿市 60208;i 西北大学生物医学工程系,伊利诺伊州埃文斯顿市 60208; j 西北大学范伯格医学院神经外科系,伊利诺伊州芝加哥 60611;k 亚利桑那大学电气与计算机工程系,亚利桑那州图森 85721;l 亚利桑那大学 Bio5 研究所,亚利桑那州图森 85721;m 亚利桑那大学神经科学研究生跨学科项目 (GIDP),亚利桑那州图森 85721
目的 据估计,约 10% 的中风患者会发生自发性脑内出血,且相关死亡率很高。可快速无创检测出血性中风的便携式诊断技术可避免不必要的患者护理延误,并有助于快速对缺血性中风和出血性中风患者进行分类。因此,作者旨在开发一种快速便携式涡流阻尼 (ECD) 出血性中风传感器,用于现场诊断出血性中风。方法 构建了一种具有微特斯拉级磁场强度的三线圈 ECD 传感器。开发了 16 个与活体脑组织电特性相同的明胶脑模型,并将其放置在幻影头骨复制品内,将盐水稀释至血液电导率并放置在脑内以模拟出血。ECD 传感器用于检测台式模型上的模拟出血。数据被保存并绘制为过滤热图以表示病变位置。进行扫描的人员不知道出血位置,传感器围绕头骨模型切向旋转以定位血液。数据还用于使用 MATLAB 软件创建热图图像。结果该传感器便携(最大直径 11.4 厘米)、紧凑,制造成本约为 100 美元。扫描时间为 2.43 分钟,病变的热图图像几乎实时生成。ECD 传感器在所有(n = 16)台式实验中准确预测了模拟出血的位置,并具有出色的空间分辨率。结论台式实验证明了 ECD 传感器用于快速颅内出血性中风诊断的概念验证。未来有必要对活体人类参与者进行研究,以充分确定从本研究中得出的可行性结果。
摘要 - 当血管在脑组织内或颅骨内部的其他地方破裂或泄漏时,会发生颅内出血。这可能是由身体创伤或各种医疗状况引起的,在许多情况下会导致死亡。必须尽快开始治疗,因此应准确,快速诊断出出血。诊断通常是由放射科医生进行的,他分析了计算机断层扫描(CT)扫描,该扫描包含整个大脑的大量横截面图像。手动分析每个图像可能非常耗时,但是自动化技术可以帮助加快流程。尽管最近的许多研究都通过使用监督的机器学习算法来解决此问题,但由于隐私问题,公开可用的培训数据仍然很少。可以通过无监督的算法来缓解此问题。在本文中,我们提出了一种基于混合模型的完全无监督算法。我们的算法利用了这样一个事实,即出血和健康组织的性质遵循不同的分布,因此,对这些分布的适当表述使我们能够通过预期最大化的过程将它们分开。此外,我们的算法能够自适应地确定簇的数量,从而在不包括嘈杂的体素的情况下可以找到所有出血区域。我们在公共可用数据集上演示了我们的算法结果,这些数据集包含各种大小和强度的所有不同出血类型,我们的结果与早期的无监督和监督算法进行了比较。结果表明,我们的算法可以胜过大多数出血类型的其他算法。索引术语 - 计算机辅助诊断,颅内下摆,计算机断层扫描,混合模型,无监督的机器学习
1 北京邮电大学泛网无线通信教育部重点实验室,北京市海淀区西土城路10号,100876,中国;ypwang@bupt.edu.cn(YW);liuzimo@bupt.edu.cn(ZL);guojinjie2@bupt.edu.cn(JG);gpcao@bupt.edu.cn(GC);baytest@bupt.edu.cn(MO)2 首都医科大学宣武医院神经外科,北京市西城区长椿街45号,100053,中国;yangdai@mail.ccmu.edu.cn(YD);shanyongzhi@xwhosp.org(YS)3 北京航空航天大学机电工程与自动化学院机器人研究所,北京市海淀区学院路37号,100191,中国; drliuda@buaa.edu.cn 4 无锡北邮传感技术与工业研究所有限公司,无锡 214001,中国 * 通讯作者:gxkang@bupt.edu.cn (GK); ggzhao@xwhosp.org (GZ) † 这些作者对这项工作的贡献相同。
古老的Schwannomas是Ackerman和Taylor最初描述的Schwannomas的良性良性罕见组织学变种。[1]这些肿瘤长期存在,随着变化的变化而长期增长。通常,这些肿瘤显示出核非典型,高细胞区域以及回归变化,包括钙化,囊性形成,出血,纤维化和透明度在组织病理学上。这些特征与恶性肿瘤非常相似,但是,存在胶囊,出血区域,退化性变化以及有丝分裂活性的不存在,支持肿瘤的良性性质。[8]在免疫组织化学染色上,这些肿瘤对S100蛋白呈阳性,这是将良性schwannomas与其他高级或恶性病变区分开的重要标志。[6]涉及三叉神经颅内部分的古老schwannomas极为罕见,在文献中仅报道了两次。[3,11]
术中治疗的标准形式(即,白光照明下的肿瘤组织切除,WLI)。3,5在健康的脑组织中迅速迅速与非常低的细胞浓度的患病组织延伸以外的多个百分点,超出了非态性局部硬化性肿瘤质量,这显着地使任何形式的治疗部门都伴随着治疗的效果,尤其是在整个手术方面的影响(如果有帮助的情况下),因为该组织的差异(如果有帮助),因为该组织有帮助,因为这种疾病的范围是在质地上的差异)图像删除的术中和术中成像方式(即 ,图像未实时获取)。 此外, GBM表现出相当大的肿瘤内和间异质性,在生物学上也适应逐渐变化的化学疗法或静态抗性或静止。 6靶向脑部疾病,例如GBM,具有小分子或生物学疗法,因为存在Nicky Nicky半渗透的血脑屏障(BBB),因此正在挑战。 BBB表现出极低的溶质渗透性,这有助于维持脑稳态。 因此,术前和术后治疗3,5在健康的脑组织中迅速迅速与非常低的细胞浓度的患病组织延伸以外的多个百分点,超出了非态性局部硬化性肿瘤质量,这显着地使任何形式的治疗部门都伴随着治疗的效果,尤其是在整个手术方面的影响(如果有帮助的情况下),因为该组织的差异(如果有帮助),因为该组织有帮助,因为这种疾病的范围是在质地上的差异)图像删除的术中和术中成像方式(即,图像未实时获取)。GBM表现出相当大的肿瘤内和间异质性,在生物学上也适应逐渐变化的化学疗法或静态抗性或静止。6靶向脑部疾病,例如GBM,具有小分子或生物学疗法,因为存在Nicky Nicky半渗透的血脑屏障(BBB),因此正在挑战。BBB表现出极低的溶质渗透性,这有助于维持脑稳态。因此,术前和术后治疗
本研究在 2009 年至 2019 年期间招募了 400 名正常儿童作为对照组,以及 75 名有颅内压升高迹象的儿童。测量了 CT 上的 ONSD 等参数。采用监督机器学习根据 CT 测量结果预测疑似颅内压升高。正常儿童的 ln(年龄) 和平均 ONSD (mONSD) 之间存在线性相关性,mONSD = 0.36ln(年龄)+2.26 (R 2 = 0.60)。本研究根据单变量分析显示,400 名正常儿童的 CT 测得的 mONSD 与 ln(年龄) 和大脑宽度(而非脑室宽度)之间存在线性相关性。此外,多变量分析显示双尾核最小距离也与 mONSD 有关。对照组和疑似颅内压升高组的组间比较结果显示,mONSD 和脑室宽度具有统计学意义。研究表明,监督式机器学习应用可用于预测儿童疑似颅内压(ICP)升高,训练准确率为 94%,测试准确率为 91%。
摘要:研究表明,对人类头部进行近红外光颅脑光生物调节 (tPBM) 可以增强人类认知能力。本研究使用 111 通道功能性近红外光谱法对整个头部进行研究,研究了 tPBM 对静息状态大脑网络的影响。在 19 名成年人中,分别收集了接受和未接受 8 分钟 tPBM 的测量数据。分别使用皮尔逊相关系数和图论分析 (GTA) 对 tPBM 前、中、后期间的功能连接 (FC) 和大脑网络指标进行量化。我们的结果表明,tPBM (1) 提高了大脑网络的信息处理速度和效率,(2) 显著提高了额顶叶网络中的 FC,有助于更好地理解 tPBM 对大脑网络的影响。
显着性网络 (SN) 在认知控制和自适应人类行为中起着关键作用,但其电生理基础和毫秒时间尺度的动态时间特性尚不清楚。在这里,我们使用来自多个队列的侵入式颅内脑电图 (iEEG) 来研究 SN 的神经生理基础,并确定将其与默认模式网络 (DMN) 和背外侧额叶-顶叶网络 (FPN) 区分开来的动态时间特性,这两者都是人类认知中发挥重要作用的另外两个大规模大脑网络。对网络相互作用的 iEEG 分析表明,共同锚定 SN 的前岛叶和前扣带皮层之间的网络内相互作用比与 DMN 和 FPN 的跨网络相互作用更强。对 SN、DMN 和 FPN 之间信息流方向性的分析揭示了 SN 中的因果流出中心与其在网络相互作用的快速时间切换中的作用一致。对区域 iEEG 时间波动的分析表明,与 DMN 和 FPN 相比,SN 内神经活动的时间动态更快,熵更高。至关重要的是,这些结果在多个队列中得到了复制。我们的研究结果为 SN 的神经生理学基础提供了新的见解,更广泛地说,为人类大脑大规模功能组织的基础机制提供了新的见解。