XiaoMi-AI文件搜索系统
World File Search SystemMot
全身麻醉期间正中神经刺激后大脑运动活动的检测 (STIM-MOTANA)：前瞻性干预研究方案
背景：全身麻醉期间意外知晓 (AAGA) 是指患者在全身麻醉过程中意外知晓。这种现象发生在 1%-2% 的高危实践患者中，可能导致身体痛苦和心理后遗症，称为创伤后应激障碍。事实上，没有任何监测技术足以有效预防 AAGA；因此，需要新的替代方案。由于患者在 AAGA 期间的第一个反射是移动，但由于神经肌肉阻滞剂而无法移动，我们认为可以设计一个基于运动意图检测的脑机接口 (BCI) 来警告麻醉师。为此，我们建议描述和检测在进行正中神经刺激的同时使用丙泊酚进行全身麻醉期间运动皮层振荡的变化。我们相信我们的结果可以设计基于正中神经刺激的 BCI，从而可以预防 AAGA。目的：据我们所知，目前还没有发表的研究调查全身麻醉期间感觉运动皮层周围神经刺激与脑电图 (EEG) 模式的检测。本研究的主要目的是描述在丙泊酚全身麻醉期间进行正中神经刺激时运动皮层 EEG 信号在事件相关去同步化和事件相关同步化调制方面的变化。方法：STIM-MOTANA 是一项干预性和前瞻性研究，研究对象为计划在全身麻醉下进行手术的患者，涉及在两个不同时间进行 EEG 测量和正中神经刺激：(1) 患者在手术前清醒时 (2) 和全身麻醉下。共有 30 名患者将在完全静脉麻醉下接受手术，使用丙泊酚靶控输注泵。结果：将分析 30 名患者在正中神经刺激过程中根据不同丙泊酚浓度发生的事件相关去同步化和事件相关同步化的变化。此外，我们将应用 4 种不同的离线机器学习算法来检测大脑层面的正中神经刺激。招募于 2022 年 12 月开始。数据收集预计将于 2024 年 6 月结束。结论：STIM-MOTANA 将成为第一个研究全身麻醉期间正中神经刺激大脑运动效应以检测术中意识的方案。基于我们之前研究的强大实践和理论科学推理，我们创新的基于正中神经刺激的 BCI 将提供一种在全身麻醉期间检测术中意识的方法。试验注册：Clinicaltrials.gov NCT05272202；https://clinicaltrials.gov/ct2/show/NCT05272202 国际注册报告标识符 (IRRID)：PRR1-10.2196/43870
海马EGR1依赖性神经合奏负调节运动学习
hal是一个多学科的开放访问档案，用于存款和传播科学研究文件，无论它们是否已发表。这些文件可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。
中风后上肢运动障碍的康复...
1 机械与制造工程学院，国立科技大学（NUST），伊斯兰堡 45200，巴基斯坦；sanwer.bmes19smme@student.nust.edu.pk（SA）；asim.waris@smme.nust.edu.pk（AW）；omer@smme.nust.edu.pk（SOG）；j.iqbal@ceme.nust.edu.pk（JI）2 奥克兰理工大学健康与环境科学学院，健康与康复研究所，奥克兰 0627，新西兰；nusrat.shaikh@aut.ac.nz 3 物理、工程与计算机科学学院，赫特福德大学，哈特菲尔德 AL10 9AB，英国； amit.pujari@ieee.org 4 阿伯丁大学工程学院，阿伯丁 AB24 3FX，英国 5 新西兰脊骨医学院脊骨疗法研究中心，奥克兰 1060，新西兰 6 奥尔堡大学健康科学与技术系感觉运动互动中心，9000 奥尔堡，丹麦 * 通讯地址：imran.niazi@nzchiro.co.nz
评估神经生理模式的相关性以预测基于运动想象的 BCI 用户的表现
摘要 —基于运动想象的脑机接口 (MI-BCI) 允许用户仅使用大脑活动来控制计算机以执行各种应用，而大脑活动通常由脑电图 (EEG) 记录。尽管 BCI 应用众多，但由于其准确性较差，它们在实验室外的使用仍然很少。一些用户无法使用 BCI，这种现象有时被称为“BCI 文盲”，影响了大约 10% 到 30% 的 BCI 用户，他们无法产生可辨别的 EEG 模式。通过进行神经生理学分析，尤其是通过识别 BCI 性能的神经生理学预测因子，我们可以更好地理解这种现象及其原因。反过来，这也可能帮助我们更好地理解并从而可能改进 BCI 用户培训。因此，本文提出了专用于预测 MI-BCI 用户表现的统计模型，该模型基于从“睁眼放松”条件下的两分钟 EEG 记录中提取的神经生理学用户特征。我们考虑了 56 名受试者在进行 MI-BCI 实验之前在“睁眼放松”条件下记录的数据。我们使用机器学习回归算法和留一交叉验证来构建我们的预测模型。我们还计算了这些特征（神经生理预测因子）与用户的 MI-BCI 表现之间的不同相关性。我们的结果表明，此类模型可以比偶然性（p ≤ 0.01）更好地预测用户表现，但平均绝对误差相对较高，为 12.43%。我们还发现我们的一些特征与性能之间存在显着的相关性，包括之前探索的 µµµ 波段预测因子，以及这里提出的新预测因子：µµµ 峰值位置变异性。因此，这些结果有助于更好地理解和预测 BCI 文盲。但是，它们还需要进一步改进才能获得更可靠的预测。索引词 — 脑机接口 (BCI)、脑电图 (EEG)、神经生理预测指标
脊柱操纵对运动单位行为的影响
<3 1 labarjum ovogic自动irlantrics lucien.robinault@uphf.fr（l.r. div>）; jimmy.lauber@uphf.fr（J.L。） div>2电气工程与商业科学学院，马里波尔大学马里博尔大学，斯洛文尼亚Maribor； ALES.HOBARBBAR@UMSI中心学习Celeau et socgition，Universe，Untorse，Unoulouse，UPS，UPS，31052 Toulouse，法国； sylvain.crmerox@cnrs.fr 4大脑和认知研究中心，粉丝诱因，奥克兰奥克兰市Auto Unaalland，奥克兰0627；新的Zeighition; USMAN.SHSSID@ACE.AC.NZ 6 Auckland Newank Collegeic Chirpractic Research中心，奥克兰1060；新西兰; kelly.holt@nzchiroro.co.nz（K.H. div>）; heidi.haavik@nzchirro.co.nz（H.H.） div>7卫生科学技术系，奥尔堡大学，9220 AALBORG，DEARSPORTH：IRRANSPRIZIZI.CEZ；电话。 div>： + 64-9-526-6789;传真： + 64-9-526-6788 div>
偏差反馈影响运动想象 BCI 的学习
简介：提出了各种用户训练来帮助用户完成运动想象（MI）BCI 任务，例如，使用正（有偏见）反馈（它是对一个人标记的大脑活动的乐观表示）已被证明可以提高表现[1]或学习[2]。相反，在[3]中，正反馈减少，而负反馈增加用户在一次会话中的学习。为了更好地理解有偏见的反馈对BCI训练期间的表现和学习的好处，我们考虑了用户状态，例如工作量和心流状态，一种最佳认知控制、沉浸和愉悦的状态，这些状态已被证明与表现相关[4]。材料、方法和结果：30名参与者（12名女性，平均年龄：28.56岁，SD：6.96）分为3组：1.无偏见，2.正偏见和3.负偏见，其中SVM分类器输出使用累积beta分布函数实时偏置。参与者参加了 2 个环节，每个环节包括校准（2 次运行）和测试（6 次运行）。一次运行包含每个类 20 次试验，持续约 5 分钟。用户使用左右手 MI 玩 Tux Racer 游戏。每次运行后，分别使用 NASA-TLX [5] 和 EduFlow [6] 问卷评估工作量和流动状态。在线表现被计算为分类器的峰值表现。学习率是环节内在线表现与运行的线性回归的斜率，例如高于零表示积极学习，而低于零表示学习下降。我们发现学习率在组×环节之间存在显着的相互作用（双向方差分析，p <0.01），图 1.A；但组间表现没有差异。我们发现流动状态与表现（Pearson's r = 0.30）和学习率（r = - 0.20）之间存在相关性（p <0.05，用 FDR 校正）；工作量与绩效之间没有相关性，但与学习率有相关性（r=0.13）。最后，我们发现各组之间存在显著差异，EduFlow 分数的认知控制维度 p<0.05，如 [4] 图 1.B 所示。
持续在线脑电图运动意象解码的微调策略：来自大规模纵向研究的见解
摘要 — 本研究调查了在涉及大型用户组和每个参与者多个会话的因果环境中在线纵向脑电图 (EEG) 运动想象 (MI) 解码中深度学习的持续微调策略。我们是第一个在大型用户组中探索此类策略的人，因为纵向适应通常是在单个受试者环境中使用单一适应策略进行研究的，这限制了推广研究结果的能力。首先，我们研究了不同的微调方法对解码器性能和稳定性的影响。在此基础上，我们集成了在线测试时间适应 (OTTA) 以在部署期间调整模型，补充了先前微调的效果。我们的研究结果表明，基于先前特定于主题的信息连续进行的微调可以提高性能和稳定性，而 OTTA 可以有效地使模型适应连续会话中不断变化的数据分布，从而实现无校准操作。这些结果为纵向在线 MI 解码的未来研究提供了宝贵的见解和建议，并强调了结合领域适应策略对提高实际应用中的 BCI 性能的重要性。临床相关性——我们的研究实现了更稳定、更有效的长期运动想象解码，这对于神经康复和辅助技术至关重要。
主题：动议提交七项 FEMA 项目批准、保密处理请求和支持性法律备忘录
2 例如，请参阅关于审查 LUMA 系统运行原则的 NEPR-MI-2021-0001（2021 年 5 月 3 日决议和命令）；关于审查波多黎各电力管理局系统补救计划的 NEPR-MI-2020-0019（2021 年 4 月 23 日命令）；关于审查 LUMA 初始预算的 NEPR-MI-2021-0004（2021 年 4 月 21 日命令）；关于实施波多黎各电力管理局综合资源计划和修改后的行动计划的 NEPR MI 2020-0012（2021 年 1 月 7 日决议，授予 PREPA 提交的作为 CEII 的部分机密信息称号）；关于微电网输配电投资优化程序，NEPR-MI 2020-0016（其中，PREPA 提交了保密文件，其中援引了文件中包含机密信息和 CEII 等内容）；关于波多黎各电力管理局综合资源计划审查，CEPR-AP-2018-0001（2019 年 7 月 3 日的决议和命令，授予机密指定，并由 PREPA 提出请求，其中包括商业机密和 CEII。但是，请参见 2021 年 2 月 12 日的决议和命令，部分撤销了授予机密指定的决定）。3 关于波多黎各电力管理局物理安全计划审查，NEPR-MI-2020-0018。
运动皮层 RNN 模型中的内部动态与本体感受反馈在运动执行过程中相互作用
运动皮层通过向下游神经回路发送时间模式来启动运动。运动执行过程中的模式被认为是由运动皮层网络内的内部动态产生的。然而，本体感受等外部输入也会影响运动皮层动态。为了研究内部动态和本体感受反馈对自愿运动执行的贡献，我们构建了几个运动皮层模型，从虚拟手臂接收不同组合的本体感受反馈来执行延迟到达任务。考虑到延迟、噪声和感觉反馈的来源，我们构建了一个感觉估计网络。我们发现抑制稳定网络接收的手部运动学和肌肉力量产生的模式与运动皮层神经元数据中观察到的模式最相似。此外，我们使用了一种破坏策略来剖析内部动态和本体感受反馈的贡献，发现内部动态占主导地位，而本体感受反馈可以微调运动命令。对消融实验的分析表明，本体感受反馈提高了对嘈杂初始条件的鲁棒性。我们的研究结果表明，内在结构和外部输入对于产生类似大脑的神经活动都至关重要。
NIT Warangal Newslittler 2023年9月
电气工程系是瓦兰加尔国立技术学院（NITW）的最古老的部门之一。成立了该研究所的主要部门之一，该部门于1959年积极从事电气工程领域的教学和研究。凭借出色的教师，该部门在“电力电子与驱动器”，“电力系统工程”，“智能电气网格”的电气和电子工程和研究生（M.Tech）计划的研究生（B.Tech）计划下提供了报名。电气工程计划。该部门设有设备齐全的最先进的实验室，可以增强课程工作并增强研究潜力。该部门拥有一个充满活力的学术界，在学者，研究和工业方面拥有深刻的经验，专门从事教学学习过程，并积极从事尖端的研发活动，具有广泛的专业知识领域；电力电子和驱动器，电力电子设备在节能照明系统中的应用，DSP控制的工业驱动器，电动汽车和无线电力传输以及电力质量改进，电力系统的状态估计和实时控制，ANN和FUZZY逻辑在电力系统中的应用，电力系统，电力系统放松，电力系统瞬态，动力系统瞬态，人工智能和机器学习等