XiaoMi-AI文件搜索系统
World File Search SystemECOG
基于脑电图的脑机接口系统控制假肢手指运动
研究 脑信号 手指数量 信号处理链 准确度（％） [11] EEG 4 CWD＆2LCF 43.5 [12] EEG 5 RF＆LDA＆SVM＆KNN 54 [13] EEG 5 LSTM＆CNN＆RCNN 77 [14] EEG 5 PCA＆PSD＆SVM 77 [15] MEG 5 SVM 83 [16] MEG 5 BPF＆频谱图＆SVM 57 [17] ECOG 5 CNN＆RNN＆LSTM 49 [18] ECoG 4 BPF＆Morlet小波字典＆STMC 85 [19] ECoG 5 CSP＆SVM 86.30 [20] fNIRS 2 SVM 62.05 [21] EMG 1小波＆自回归＆SVM 76
一种用于安全地体内放大电生理信号的电解质门控有机晶体管的新型偏置方案
肿瘤切除术中神经活动的监测、神经外科手术[6–8]中慢性植入物中癫痫病灶的识别[9–11]以及神经假体。[12–17]为了在保留大量任务相关信息的同时尽量减少侵入性，人们对皮层电图 (ECoG) 和微皮层电图 (μ ECoG) 技术进行了广泛的研究。[18–22]对于皮层内微电极，由于与信号源的距离增加，ECoG 和 μ ECoG 都表现出一些固有的局限性。[23]此外，由于电极小型化和随之而来的阻抗增加，μ ECoG 会受到噪声增强的影响。[24,25]在这种情况下，脑记录将从原位第一级信号放大策略中受益匪浅。在克服这些限制的各种策略中，半导体技术已用于神经生理学应用。无机场效应晶体管已成功证明可作为体外生物电活动传感器，[26–28] 但它们在体内的应用受到无机半导体的化学和机械特性的限制，尤其是暴露于水环境时。[29] 这使得无机晶体管沦为微电极集成多路复用器的角色。[30]
癫痫皮层脑电图检测仪的小型化...
摘要 — 癫痫是一种神经系统疾病，其特征是由大脑异常电活动引起的突发和反复发作。反应性神经刺激 (RNS) 为药物难治性癫痫患者提供了一种有希望的治疗选择。反应性神经刺激 (RNS) 是一种采用闭环系统的植入式设备。它通过皮层脑电图 (ECoG) 记录持续监测大脑活动。当系统检测到癫痫发作活动时，它会向大脑发送直接电刺激以抑制癫痫发作。癫痫发作检测算法需要针对患者进行优化，这导致近年来人们对深度学习方法的兴趣日益浓厚。虽然更深的网络架构通常可以提高检测准确性，但它们在植入式设备中的实现受到硬件资源有限和可用于 ECoG 监测的电极通道数量有限的限制。为了确保 RNS 的实际可行性，系统地最小化患者特定深度学习模型的计算成本和连接的 ECoG 电极数量至关重要。本研究通过分析在 3D ECoG 数据上训练的 3D 卷积神经网络 (3D CNN) 的第一个卷积层学习到的时空核，系统地减少了癫痫检测模型中的电极通道数量和计算成本。这种方法充分利用了网络学习网格电极之间的空间关系和 ECoG 信号的时间动态的能力。缩小后的癫痫检测 CNN 模型与原始 CNN 模型之间的性能比较表明，至少对于某些患者，可以在减小模型尺寸的同时保持推理性能。
使用人类皮层脑电信号的脑机接口∗
摘要 脑机接口 (BCI) 使用户能够通过头皮的脑电图 (EEG) 活动或大脑内的单神经元活动来控制设备。这两种方法都有缺点：EEG 分辨率有限且需要大量训练，而单神经元记录具有很大的临床风险并且稳定性有限。我们在此首次证明从大脑表面记录的皮层脑电图 (ECoG) 活动可以使用户快速准确地控制一维计算机光标。我们首先确定了与不同类型的运动和语音意象相关的 ECoG 信号。在 3-24 分钟的短暂训练期内，四名患者随后使用这些信号掌握闭环控制并在一维二元任务中实现 74-100% 的成功率。在额外的开环实验中，我们发现频率高达 180 Hz 的 ECoG 信号编码了有关二维操纵杆运动方向的大量信息。我们的结果表明，基于 ECoG 的 BCI 可以为严重运动障碍患者提供一种非肌肉通信和控制选项，这种选项比基于 EEG 的 BCI 更强大，并且比使用穿透大脑的电极的 BCI 更稳定、创伤更小。
使用基于变压器的解码器和验证的Vocoder
摘要。这项研究描述了在想象的语音期间来自电皮质图（ECOG）的语音合成。，尽管使用基于变压器的解码器和预验证的Vocoder，我们的目标是产生高质量的音频。具体来说，我们使用了预训练的神经声码编码器Parallel Wavegan，将Transformer Decoder转换为对Log-Mel频谱图的输出，后者是在ECOG信号上训练的，将其转换为高质量的音频信号。在我们的实验中，使用来自13名参与者的ECOG信号，想象中的语音的综合语音实现了动态时间巡航（DTW）Pearson相关性，范围从0.85到0.95。这种高质量的语音合成可以归因于变压器解码器准确地重建高保真日志频谱图的能力，这证明了其在处理有限训练数据时的有效性。
Braintalker：使用WAV2VEC 2.0
摘要 - 从大脑中的神经活动中解码口语是一个快速的研究主题，因为它可以使在产生可听见的语音困难的人们中进行沟通。对于此任务，电皮质学（ECOG）是记录具有高时间分辨率和高空间精度的大脑活动的常见方法。但是，由于获得ECOG记录所需的风险外科手术程序，收集了相对较少的数据，并且该数量不足以训练基于神经网络的脑对语音（BTS）系统。为了解决这个问题，我们提出了Braintalker，这是一个新颖的BTS框架，它在极低的资源场景下从ECOG信号中产生可理解的口语演讲。我们使用预先训练的自我监督模型WAV2VEC 2.0采用转移学习方法。具体来说，我们训练一个编码器模块将ECOG信号映射到匹配相应口语语音的wav2Vec 2.0表示的潜在嵌入。然后，使用堆叠的卷积和基于变压器的层将这些嵌入转化为MEL光谱图，这些图形被送入神经声码器中以合成语音波形。实验结果表明，我们所提出的框架在主观和客观指标方面达到了出色的表现，包括生成的和地面真相光谱图之间的Pearson相关系数为0.9。我们共享公开可用的演示和代码1。
在帕金森病的运动解码方面，皮层脑电图优于丘脑底局部场电位
摘要 脑信号解码有望在临床脑机接口 (BCI) 的发展中取得重大进展。在帕金森病 (PD) 中，目前已有首个用于自适应深部脑刺激 (DBS) 的双向 BCI 植入物。脑信号解码可以扩展自适应 DBS 的临床实用性，但神经源、计算方法和 PD 病理生理对解码性能的影响尚不清楚。这代表了未来神经技术发展中尚未满足的需求。为了解决这个问题，我们开发了一种基于术中感觉运动皮层电图 (ECoG) 和丘脑底 LFP 的侵入性脑信号解码方法来预测 11 名接受 DBS 的 PD 患者的握力（一种代表性的运动解码应用）。我们证明 ECoG 优于丘脑底 LFP，可准确解码握力。梯度增强决策树 (XGBOOST) 优于其他模型架构。基于 ECoG 的解码性能与运动障碍呈负相关，这可归因于运动准备和运动期间的丘脑底 β 爆发。这凸显了帕金森病病理生理对神经编码运动活力能力的影响。最后，我们开发了一种连接组分析，可以通过使用患者的连接组指纹来预测患者个体 ECoG 通道的握力解码性能。我们的研究为侵入性脑信号解码提供了一个神经生理学和计算框架，以帮助开发个性化的智能自适应 DBS 精准医疗方法。
NX-5948核心甲板
5 CLL，慢性淋巴细胞性白血病； SLL，小淋巴细胞淋巴瘤； NHL，非Hodkgin的淋巴瘤； MCL，地幔细胞淋巴瘤； MZL，边缘区淋巴瘤； Wm，Waldenstrom的巨球蛋白血症； DLBCL，弥漫性大B细胞淋巴瘤； FL，卵泡淋巴瘤； PCNSL，原发性中枢神经系统淋巴瘤； SCNSL，继发性中枢神经系统淋巴瘤； CIT，化学免疫疗法；很多，治疗线； Bcl2i，Bcl-2抑制剂； ECOG PS，东方合作肿瘤学小组（ECOG）绩效状态
硬膜外和硬膜下记录的比较
英国医生 Richard Caton 于 1875 年在猴子身上实现了这一发明（Caton, 1875 ），德国精神病学家 Hans Berger 于 1924 年在人类身上也实现了这一发明（Jung & Berger, 1979 ）。皮层电图（ECoG）后来被广泛用作一种诊断工具，通过在电极对之间施加电刺激电流来识别癫痫发作的起始区和对癫痫患者的重要皮质区进行功能映射（Lesser et al., 1984; Reif et al., 2016 ）。ECoG 网格由嵌入硅片的圆形导电盘（电极）组成，硅片被放置在颅骨下方的大脑表面。与头皮脑电图等非侵入性神经信号记录方法相比，ECoG 记录对电极正下方的组织具有高度特异性（高空间分辨率）（Crone 等，1998；Freeman 等，2000；Lesser 等，2010；Leuthardt 等，2004；Miller 等，2009），信号幅度比头皮电极记录高出五倍（Blume & Holloway，2011）。ECoG 电极可以放置在硬脑膜的上方（硬膜外）或下方（硬膜下）（图 1a），并且存在多种配置，通常是 NM 电极网格，其中 N、M > 1，或 1 N 电极条带（图 1b）。用于皮质映射和癫痫监测的标准临床网格和条带的电极间距离（IED；或间距）为 10 毫米（Diehl & Lüders，2000 年；Lesser 等人，2010 年；Penfield & Boldrey，1937 年；Salles
通用的神经解码器，用于跨参与者进行转移学习和记录方式
摘要。目的：神经解码的进步使脑部计算机界面能够执行越来越复杂且与临床相关的任务。但是，这些解码器通常是针对特定参与者，天数和记录网站量身定制的，从而限制了其实际的长期使用。因此，一个基本的挑战是开发可以对汇总，多参与者数据进行稳固训练并推广到新参与者的神经解码器。方法：我们介绍了一个新的解码器HTNET，该解码器使用具有两个创新的卷积神经网络：（1）Hilbert Transform在数据驱动的频率下计算光谱功率，以及（2）将电极水平数据投射到预先确定的脑区域上的层。投影层与颅内皮质摄影（ECOG）进行了严格的应用，其中电极位置未标准化，并且在参与者之间差异很大。我们培训了HTNET，使用来自12名参与者中的11名的合并ECOG数据来解码ARM运动，并在看不见的ECOG或脑电图（EEG）参与者上测试了性能；随后对每个测试参与者进行了这些预告片的模型。主要结果：在对看不见的参与者进行测试时，HTNET的表现优于最先进的解码器，即使使用了不同的记录方式。通过对这些广泛的HTNET解码器进行研究，我们实现了最佳量身定制的解码器的性能，其中只有50个ECOG或20个EEG事件。我们还能够解释HTNET训练有素的重量，并证明其提取与生理相关的特征的能力。引人注目：通过将新参与者概括和记录方式，鲁棒处理电极放置的变化以及允许参与者使用最小数据的参与者进行调整，HTNET适用于与当前的现有状态解码的更广泛的新型新型解码应用程序相比。