XiaoMi-AI文件搜索系统
World File Search SystemMotor
通过在纳米镜上进行多聚体的适体来改善癌症靶向
<3 1 Labarjum Ovogic自动植物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 0627； USMAN.SHSSID@ACE.AC.NZ 6新西兰新西兰新西兰人Chirpractic Research中心； 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>
基于组合的电机成像的多类分类
运动图像（MI）允许设计自定进度的大脑 - 计算机界面（BCIS），该界面有可能提供直观且连续的相互作用。但是，具有三个以上命令的非侵入性MI基于BCI的实施仍然是一项困难的任务。首先，解码不同动作的MIS数量受到在相应来源之间保持足够间距的限制，因为近区域的脑电图（EEG）活性可能会加起来。第二，脑电图产生了大脑活动的相当嘈杂的图像，这会导致分类性能差。在这里，我们提出了一种解决方案，通过使用合并的MIS（即同时涉及2个或更多身体部位的错误）来解决可识别的运动活动的局限性。，我们提出了公共空间模式（CSP）算法的两种新的多标记用途，以优化信噪比，即MC2CMI和MC2SMI方法。，我们在8级的脑电图实验中记录了来自七个健康受试者的脑电图信号，包括剩余条件和所有可能的组合使用左手，右手和脚。所提出的多标记方法将原始的8级问题转换为一组三个二进制问题，以促进使用CSP算法。在MC2CMI方法的情况下，每个二进制问题组在一个类别中共同参与了三个选定的身体部位之一，而其余的不参与相同身体部位的MIS则在第二类中分组在一起。以这种方式，对于每个二进制问题，CSP算法都会产生特征，以确定特定的身体部分是否从事任务。最后，通过应用8级线性判别分析，将三组功能合并在一起，以预测用户意图。MC2SMI方法非常相似，唯一的区别是，在训练阶段考虑的任何组合MIS，这大大加速了校准时间。对于所有受试者，MC2CMI和MC2SMI方法的精度都比经典的配对（PW）和One-Vs.-All（OVA）方法更高。我们的结果表明，当正确调制大脑活动时，多标签方法代表了一个非常有趣的解决方案，可以增加命令数量，从而提供更好的相互作用。
使用转移学习进行运动图像检测的指南：实验研究
摘要 - 基于运动图像（MI）的脑部计算机界面（BCI）显示出有希望的运动恢复结果，术中意识检测或辅助技术控制。但是，由于脑电图（EEG）信号的高度可变性，它们主要是每次使用日期所需的冗长而乏味的校准时间，并且缺乏所有用户的可靠性，因此它们遭受了几个限制。可以使用转移学习算法在某种程度上解决此类问题。但是，到目前为止，此类算法的性能已经非常可变，何时可以安全地使用它们。因此，在本文中，我们研究了MI-BCI数据库（30个用户）上各种最先进的Riemannian转移学习算法的性能：1）受到监督和不受监督的转移学习； 2）对于目标域的各种可用培训脑电图数据； 3）会议内或会议间的转移； 4）对于Mi-BCI表演良好且较不愉快的用户。从此类实验中，我们得出了有关何时使用哪种算法的准则。重新介绍目标数据后，该目标集的几个样本被考虑在内。即使对于课内转移学习也是如此。同样，重新介入对于在会话之间难以产生稳定的运动图像的受试者特别有用。
学习如何使用基于BCI的学习环境来生成动力学运动图像：基于指导或试验方法的比较研究
摘要 - Kinesthetic Motor图像（KMI）是一项心理任务，如果正确执行，则在运动训练或康复中使用脑部计算机界面（BCI）可能非常相关。不幸的是，这项心理任务通常很复杂，并且可以导致其执行情况高度可变性，从而减少其潜在的好处。KMI任务如此困难的原因是因为没有标准化的方式来指导该主题在这项心理任务中。这项研究提出了一种创新的BCI，称为Grasp-It，以支持KMI任务的学习，并评估两种不同的学习方法：（i）第一个由实验者和渐进率指导的，基于渐进率的概念，（ii）第二个学习者是单独的，并且通过试验和错误进行了学习和练习。基于脑电图分析的发现和主观问卷调查验证了grasp-it bci的设计，并为KMI学习方式开辟了观点。索引项 - Kinesthetic Motor图像；大脑计算机界面； grasp-it;中风康复； BCI学习环境；人类计算机相互作用
朝着改装后的中风后运动康复的神经反馈：艺术和观点
中风是一个严重的健康问题，中风后的运动恢复仍然是康复领域的重要挑战。Neurofackback（NFB）是一种使用在线反馈来调节大脑活动的技术，事实证明，除传统疗法外，还可用于慢性中风种群的运动康复。尽管如此，它在该领域的使用和应用仍留下尚未解决的问题。中风后的脑病理生理机制仍然是未知的，并且在这些机制上促进脑可塑性的干预可能性在临床实践中受到限制。在NFB运动康复中，目的是使用脑成像将治疗适应患者的临床环境，考虑到中风后的时间，脑病变的定位及其临床影响，同时考虑到当前使用的生物标志物和技术局限性。这些现代技术还可以更好地理解中风后大脑的生理病理学和神经塑性。我们对使用NFB进行势头后运动康复的研究进行了叙事文献综述。主要目标是分解可以在NFB疗法中修改的所有元素，这可以根据患者的情况和当前的技术限制导致其适应。可以从这种分析中获得适应和个性化的护理，以更好地满足患者的需求。考虑到最新实验，我们专注于并强调了各种临床和技术组成部分。第二个目标是提出一般建议并提高限制和观点，以提高我们在领域的一般知识并允许临床应用。我们通过结合工程能力和医疗经验来强调这项工作的多学科方法。工程开发对于可用的技术工具至关重要，旨在增加NFB主题中的神经科学知识。考虑到中风后患者的实际临床环境以及由此导致的实际限制，这种技术发展源于为公共卫生问题提供互补治疗解决方案的真正临床需求。
通过深度学习优化电动机意图检测
摘要 - 目的：本文展示了对添加功能性电刺激时，从原始脑电图（EEG）信号中检测到来自原始脑电图（EEG）信号的运动图像（MI）的兴趣。还报道了电极蒙太奇和带宽的影响。这项工作的观点是改善全身麻醉期间术中意识的检测。方法：对EEGNET的各种体系结构进行了研究以优化MI检测。它们已与脑部计算机接口的最新分类器（基于Riemannian几何形状，线性歧视分析）和其他深度学习体系结构（深度卷积网络，浅卷积网络）。eeg数据是从22位参与者中测量的，这些参与者有或没有中位神经刺激的运动图像。结果：EEGNET的拟议结构达到了最佳的分类准确性（83.2％）和假阳性速率（FPR 19.0％），用于设置，在运动皮层和额叶上只有六个电极，并且对于通过Median Median Nerve刺激了受试者的扩展4-38 Hz EEG频率。具有较大电极数量的配置导致128个电极的精度（94.5％）和FPR（6.1％）（分别为13个电极的88.0％和12.9％）。结论：目前的工作表明，使用扩展的EEG频带和经过修改的EEGNET深神经网络，当使用少于6个电极（包括额叶通道）时，会增加MI检测的准确性。明显的能力：所提出的方法基于脑电图的MI检测有助于开发脑部计算机界面系统。
内部动力学与运动Cortex的RNN模型中的运动执行过程中的本体感受反馈
电动机皮层通过向下游神经电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电机皮质网络中的内部动力学产生的。但是，外部输入（例如本体感受）也塑造了运动皮质动力学。为了调查内部动力学和本体感受反馈对自愿运动执行的贡献，我们构建了几种具有本体感受反馈的不同组合，以控制延迟到达任务中的人工手部运动。我们发现，抑制性稳定网络接收手运动学和肌肉力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力学和本体感受反馈的贡献，并发现内部动力学占主导地位，而本体感受反馈微调微型运动命令。消融实验表明，本体感受反馈改善了针对嘈杂的初始条件的鲁棒性。最后，考虑到本体感受途径中感觉反馈的延迟，噪声和来源，我们构建了一个感觉估计网络。我们的结果强调了在运动控制模型中整合内在体系结构和外部输入的必要性，从而促进了受脑启发的人工智能系统的发展。
基线时间选择对基于运动图像的BCI
摘要 - 基于运动图像的大脑计算机界面（MI-BCIS）是神经技术，可利用运动皮质上的感觉运动节奏的调节，分别称为事件相关的去同步（ERD）（ERD）和综合化（ERS）。ERD/ERS的解释与用于估计它们的基线的选择直接相关，并可能导致误导ERD/ERS可视化。实际上，在BCI范式中，如果两次试验被几秒钟分开，则将基线接近上一个试验结束的基线可能会导致ERD的过度估计，而将基线的基线太接近即将到来的试验可能会导致ERD估计不足。在MI-BCI研究中，这种现象可能会引起对ERD/ERS现象的功能误解。这也可能会损害MI与REST分类的BCI性能，因为这种基准通常被用作静止状态。在本文中，我们建议研究几个基线时间窗口选择对ERD/ERS调制和BCI性能的影响。我们的结果表明，考虑选定的时间基线效应对于分析MI-BCI使用过程中ERD/ERS的调制至关重要。
遗传额颞痴呆中的运动症状
KIran Samra 1 · Amy M. MacDougall 2 · Georgia Peakman 1 · Arabella Bouzigues 1 · Martina Bocchetta 1 · David M. Cash 1 · Caroline V. Greaves 1 · Rhian S. Convery 1 · John C. Van Swieten 3 · Lize Jiskoot 3 · Harro Seelaar 3 · Fermin Moreno 4.5 · Raquel Sanchez -valle 6·罗伯特·拉夫特（Robert Lafter）7·卡罗琳·格拉夫（Caroline Graff）8.9·马里奥·马塞尔斯（Mario Masellis）10·卡梅拉·塔塔格利亚（Carmela Tartaglia）11·詹姆斯·B·罗（James B. Mentonça22·Chris R. Butler 23.24·亚历山大·格哈德（Alexander Gerhard）25.26·西蒙·杜卡姆斯（Simon Ducharmers）27.28·isabelle le ber 29.30,31.32·Pietro Tiraboschi 333 Markus Otto 42·Sandro Sorbi 43.44·Jonathan D. Rohrer 1·Lucy L. Russell 1代表遗传FTD倡议（Genfi）KIran Samra 1 · Amy M. MacDougall 2 · Georgia Peakman 1 · Arabella Bouzigues 1 · Martina Bocchetta 1 · David M. Cash 1 · Caroline V. Greaves 1 · Rhian S. Convery 1 · John C. Van Swieten 3 · Lize Jiskoot 3 · Harro Seelaar 3 · Fermin Moreno 4.5 · Raquel Sanchez -valle 6·罗伯特·拉夫特（Robert Lafter）7·卡罗琳·格拉夫（Caroline Graff）8.9·马里奥·马塞尔斯（Mario Masellis）10·卡梅拉·塔塔格利亚（Carmela Tartaglia）11·詹姆斯·B·罗（James B. Mentonça22·Chris R. Butler 23.24·亚历山大·格哈德（Alexander Gerhard）25.26·西蒙·杜卡姆斯（Simon Ducharmers）27.28·isabelle le ber 29.30,31.32·Pietro Tiraboschi 333 Markus Otto 42·Sandro Sorbi 43.44·Jonathan D. Rohrer 1·Lucy L. Russell 1代表遗传FTD倡议（Genfi）