XiaoMi-AI文件搜索系统
World File Search SystemNeuroimage
使用机器学习和横断面及纵向磁共振成像数据对阿尔茨海默病和额颞叶痴呆进行分类
Abdi, H., Williams, LJ, & Valentin, D. (2013)。多因素分析：多表和多块数据集的主成分分析。Wiley 跨学科评论：计算统计学，5，149 – 179。https://doi.org/10.1002/wics.1246 Agostinho, D., Caramelo, F., Moreira, AP, Santana, I., Abrunhosa, A., & Castelo-Branco, M. (2022)。结合结构 MR 和扩散张量成像对阿尔茨海默病的存在进行分类，其性能与 MR 结合淀粉样蛋白正电子发射断层扫描相同：一种数据集成方法。 Frontiers in Neuroscience, 15, 638175。https://doi.org/10.3389/fnins.2021.638175 Albert, MS, DeKosky, ST, Dickson, D., Dubois, B., Feldman, HH, Fox, NC, Gamst, A., Holtzman, DM, Jagust, WJ, Petersen, RC, Snyder, PJ, Carrillo, MC, Thies, B., & Phelps, CH (2011)。阿尔茨海默病导致的轻度认知障碍的诊断：美国国立老龄化研究所-阿尔茨海默病协会工作组关于阿尔茨海默病诊断指南的建议。 Alzheimer's Dement , 7 , 270 – 279. https://doi.org/10.1016/j.jalz. 2011.03.008 Avants, BB, Cook, PA, Ungar, L., Gee, JC, & Grossman, M. (2010). 痴呆症导致白质完整性和皮质厚度相关降低：一项采用稀疏典型相关分析的多变量神经影像学研究。 NeuroImage，50，1004 – 1016。https://doi.org/10.1016/j.neuroimage.2010.01.041 Bachli，MB，Sedeño，L.，Ochab，JK，Piguet，O.，Kumfor，F.，Reyes，P.，Torralva，T.，Roca，M.，Cardona，JF，Campo， CG，埃雷拉，E.，
采用闭环方法实现实时 EEG–TMS 脑状态调节
人工智能 (AI) 被定义为使机器学习、推理和解决问题的理论和算法，就像人类一样。神经科学一直与人工智能领域存在着相互的信息流。一方面，大多数人工智能算法都受到人脑的启发。神经科学领域不仅为人工智能算法提供了灵感来源，而且如果发现某些算法可用于大脑，它还提供了验证这些算法的可能性。另一方面，人工智能算法在神经科学领域带来了革命性的转变。一个重要的例子是对神经图像数据集的高效和精确分析。然而，人工智能在神经科学方面的巨大贡献在于强化学习 (RL) 领域。该领域的灵感来自动物学习，顾名思义，该领域涉及通过强化导致更高奖励的行为（作为来自周围环境的反馈）来学习实现所需奖励的最佳行为（Hassabis 等人，2017 年）。虽然 RL 已广泛用于研究目的，以增进我们在神经科学领域的理解，但它在医学神经科学和计算神经病学领域有许多潜在应用（Maia 和 Frank，2011 年）。经过数十年的传统治疗，科学家们已经意识到应该研究环境、生物和社会心理因素方面的个体差异，这一概念被称为“精准医疗”。此外，在计划新的治疗方法时应该考虑到这些差异，以便根据接受治疗的患者的具体特征进行量身定制，这一方向称为“个性化
课程vitae
[1] T. Cui和F. Pillichshammer（2025）。伯恩斯坦近似及以后：通过基本概率理论的证明，元素der Mathematik，被接受，Arxiv：2307.11533。[2] T. Cui，J。Dong，A。Jasra和X. T. Tong（2025）。数值MCMC的收敛速度和近似精度，应用概率的进步，57（1），doi：10.1017/apr.2024.28。[3] T. Cui，G。Ditommaso，R。Scheichl（2024）。多级维度独立于可能性的MCMC，用于大规模反问题，反问题，40，035005。[4] Y. Zhao和T. Cui（2024）。张量训练方法用于状态空间模型中的顺序状态和参数学习，机器学习研究杂志，接受，ARXIV：2301.09891。[5] T. Cui，H。de Sterck，A。D. Gilbert，S。Polishchuk和R. Scheichl（2024）。多层次的蒙特卡洛方法用于随机对流扩散特征值问题，《科学计算杂志》，99（3），1-34。[6] T. Cui，S。Dolgov和R. Scheichl（2024）。使用张量列车进行的深度重要性采样，并适用于先验和后验罕见的事件估计，《 Siam Scientific Computing杂志》，46（1），C1 – C29。[7] T. Cui，S。Dolgov，O。Zahm（2023）。可扩展的有条件深度逆罗森布拉特使用张量列和基于梯度的尺寸降低，计算物理学杂志，485，112103。[8] T. Cui，S。Dolgov（2022）。使用平方逆的Rosenblatt传输，计算数学基础，22（6），1863– 1922年对张量列车的深度组成。[9] T. Cui，X。T。Tong和O. Zahm（2022）。先前的标准化了贝叶斯反问题，逆问题，38（12），124002。[10] T. Cui，X。T. Tong（2022）。统一的绩效分析对信息性的子空间方法，Bernoulli，28（4），2788–2815。[11] O. Zahm，T。Cui，K。Law，Y。Marzouk和A. Spantini（2022）。非线性贝叶斯逆问题的认证维度降低，计算数学，91（336），1789–1835。[12] T. Cui，Z. Wang和Z. Zhang（2022）。通过非线性流变学，计算物理学的通信，ARXIV：2209.02088，一种用于冰川建模的变分神经网络方法。[13] L. Bian，T。Cui，B.T。 Yeo，A。Fornito，A。Razi，J。Keith（2021）。 使用功能性MRI，Neuroimage，244，118635识别大脑状态，过渡和社区。div> [14] T. Cui，O。Zahm（2021）。 无数据的贝叶斯反问题，反问题的无数据信息尺寸减小，37（4），045009。 [15] J. Bardsley，T。Cui（2021）。 基于优化的非线性层次统计反问题的MCMC方法，《不确定性量化》的暹罗/ASA期刊，9（1），29-64。 [16] C. Fox，T。Cui，M。Neumayer（2020）。 随机降低了效率的大都市量的前向模型，并应用于地下流体流量和电容层析成像，《辉煌的地质杂志》，《地貌杂志》，11（1），1-38。 [17] J. Bardsley，T。Cui，Y。Marzouk，Z。Wang（2020）。 [18] R. Brown，J。Bardsley，T。Cui（2020）。 [19] S. Wu，T。Cui，X。Zhang，T。Tian（2020）。[13] L. Bian，T。Cui，B.T。Yeo，A。Fornito，A。Razi，J。Keith（2021）。 使用功能性MRI，Neuroimage，244，118635识别大脑状态，过渡和社区。div> [14] T. Cui，O。Zahm（2021）。 无数据的贝叶斯反问题，反问题的无数据信息尺寸减小，37（4），045009。 [15] J. Bardsley，T。Cui（2021）。 基于优化的非线性层次统计反问题的MCMC方法，《不确定性量化》的暹罗/ASA期刊，9（1），29-64。 [16] C. Fox，T。Cui，M。Neumayer（2020）。 随机降低了效率的大都市量的前向模型，并应用于地下流体流量和电容层析成像，《辉煌的地质杂志》，《地貌杂志》，11（1），1-38。 [17] J. Bardsley，T。Cui，Y。Marzouk，Z。Wang（2020）。 [18] R. Brown，J。Bardsley，T。Cui（2020）。 [19] S. Wu，T。Cui，X。Zhang，T。Tian（2020）。Yeo，A。Fornito，A。Razi，J。Keith（2021）。使用功能性MRI，Neuroimage，244，118635识别大脑状态，过渡和社区。div>[14] T. Cui，O。Zahm（2021）。无数据的贝叶斯反问题，反问题的无数据信息尺寸减小，37（4），045009。[15] J. Bardsley，T。Cui（2021）。基于优化的非线性层次统计反问题的MCMC方法，《不确定性量化》的暹罗/ASA期刊，9（1），29-64。[16] C. Fox，T。Cui，M。Neumayer（2020）。随机降低了效率的大都市量的前向模型，并应用于地下流体流量和电容层析成像，《辉煌的地质杂志》，《地貌杂志》，11（1），1-38。[17] J. Bardsley，T。Cui，Y。Marzouk，Z。Wang（2020）。[18] R. Brown，J。Bardsley，T。Cui（2020）。[19] S. Wu，T。Cui，X。Zhang，T。Tian（2020）。基于功能空间的基于可扩展优化的采样，《暹罗科学计算杂志》，42（2），A1317 – A1347。贝叶斯逆问题中的晶状麦片先验的半变量图超参数估计，逆问题，36（5），055006。一种用于推断遗传调节网络的非线性反向工程方法，PEERJ，8，E9065。[20] T. Cui，C。Fox，C.，M。O'Sullivan（2019）。大规模逆问题的自适应误差模型 - 延迟 - 受众MCMC中降低的模型的随机校正，并应用于多相性逆问题，《工程数值国际杂志》，118（10），578-605。[21] T. Cui，C。Fox，G。Nicholls，M。O'Sullivan（2019）。使用平行马尔可夫链蒙特卡洛来量化地热储层校准中的不确定性，国际不确定性量化杂志，9（3），295–310。[22] S. Thiele，L。Grose，T。Cui，S。Micklethwaite，A。Cruden（2019）。从数字数据中提取高分辨率结构取向：贝叶斯方法，结构地质杂志，122，106–115。[23] C. Reboul，S。Kiesewetter，M。Eager，M。Belousoff，T。Cui，H。DeSterck，D。Elmlund，H。Elmlund（2018）。快速接近原子分辨率单粒子3D重建，简单，结构生物学杂志，204（2），172-181。[24] A. Spantini，T。Cui，K。Willcox，L。Tenorio和Y. Marzouk（2017）。贝叶斯线性反问题的面向目标的最佳近似，《暹罗科学计算杂志》，39（5），S167 – S196。[25] Z. Wang，Y。Marzouk，J。Bardsley，T。Cui和A. Solonen（2017）。贝叶斯的逆问题L 1先验：随机化 - 优化方法，Siam on Scientific Computing杂志，39（5），S140 – S166。
对脑氧灌注的素化模拟阐明了老年小鼠皮质中的缺氧
正常血流和代谢物分布从脑微血管向神经元组织的偏离与年龄相关的神经变性有关。通过空间和时间分布的神经图像数据告知的数学模型已成为重建整个大脑正常和病理氧递送的一致图片的工具。不幸的是，当前的脑血流和氧交换的数学模型的大小过大。由于不完整或生理上不准确的计算域，由于巨大长度尺度差异而导致的数值不稳定性以及与良好网格分辨率下的条件数量恶化相关的收敛问题，他们进一步遭受了边界影响。我们提出的有关血液和氧微灌注模拟的模拟量离散化方案不需要昂贵的网格产生，从而导致其临界氧转移问题的基质大小和带宽大大减少了至关重要的好处。紧凑的问题制定产生快速而稳定的收敛性。此外，通过使用基于图像的脑血管网络合成算法产生非常大的硅皮质微循环复制品可以有效地抑制边界效应，以便灌注模拟的边界与感兴趣的区域相去甚远。在皮质的大量部分上进行了大量模拟，并且具有适度的计算机资源，其特征分辨率向微米尺度降低了。在年轻小鼠和老年小鼠的同类中，通过体内氧灌注数据证明并验证了新方法的可行性和准确性。我们的氧气交换模拟量化了血管附近的陡峭梯度，并指向病理变化，可能导致老年大脑的神经de虫产生。这项研究旨在解释解剖结构之间的机械相互作用以及它们可能如何改变疾病或随着年龄的变化。与年龄相关变化的严格量化具有重大关注，因为它可能有助于寻找痴呆症和阿尔茨海默氏病的成像生物标志物。
脑时代分析中的陷阱
Alam，S。B.，Nakano，R。和Kobashi，S。（2016）。 使用大脑MR图像中多元回归分析的大脑年龄估计。 ijicic，12（4），1385 - 1396。 Aycheh，H。M.，Seong，J.-K.，Shin，J.-H.，Na，D.L.，Kang，B.，Seo，S.W。，＆Sohn，K.-A。 （2018）。 使用皮质厚数据数据的生物脑年龄预测：一项大型队列研究。 衰老神经科学的边界，10，252。 Beheshti，I.，Maikusa，N。，＆Matsuda，H。（2018）。 “大脑年龄评分”（BAS）与阿尔茨海默氏病传统神经心理筛查工具之间的关联。 大脑和行为，8（8），E01020。 Beheshti，I.，Nugent，S.，Potvin，O。，＆Duchesne，S。（2019年）。 基于神经影像学的脑年龄框架中的偏置调整：一个健壮的方案。 神经图像：临床，24，102063。 Bland，J。M.和Altman，D。G.（1994）。 回归均值。 BMJ，308（6942），1499。 Brown，T。T.，Kuperman，J.M.，Chung，Y.，Erhart，M.，McCabe，C.，Hagler Jr，…Dale，A.M。（2012）。 生物成熟度的神经解剖学评估。 Curlant Biology，22（18），1693 - 1698年。 Calkins，M。E.，Merikangas，K。R.，Moore，T。M.，Burstein，M.，Behr，M。A.，Satterthwaite，T。D.，…Gur，R。E.（2015）。 费城神经发育群体：建立一个深厚的表型协作。 儿童心理学和精神杂志 - 56（12），1356 - 1369。 Chen，W.，Hribar，P。和Melesta，S。（2018）。 使用残差作为因变量时的不正确推断。Alam，S。B.，Nakano，R。和Kobashi，S。（2016）。使用大脑MR图像中多元回归分析的大脑年龄估计。ijicic，12（4），1385 - 1396。Aycheh，H。M.，Seong，J.-K.，Shin，J.-H.，Na，D.L.，Kang，B.，Seo，S.W。，＆Sohn，K.-A。 （2018）。 使用皮质厚数据数据的生物脑年龄预测：一项大型队列研究。 衰老神经科学的边界，10，252。 Beheshti，I.，Maikusa，N。，＆Matsuda，H。（2018）。 “大脑年龄评分”（BAS）与阿尔茨海默氏病传统神经心理筛查工具之间的关联。 大脑和行为，8（8），E01020。 Beheshti，I.，Nugent，S.，Potvin，O。，＆Duchesne，S。（2019年）。 基于神经影像学的脑年龄框架中的偏置调整：一个健壮的方案。 神经图像：临床，24，102063。 Bland，J。M.和Altman，D。G.（1994）。 回归均值。 BMJ，308（6942），1499。 Brown，T。T.，Kuperman，J.M.，Chung，Y.，Erhart，M.，McCabe，C.，Hagler Jr，…Dale，A.M。（2012）。 生物成熟度的神经解剖学评估。 Curlant Biology，22（18），1693 - 1698年。 Calkins，M。E.，Merikangas，K。R.，Moore，T。M.，Burstein，M.，Behr，M。A.，Satterthwaite，T。D.，…Gur，R。E.（2015）。 费城神经发育群体：建立一个深厚的表型协作。 儿童心理学和精神杂志 - 56（12），1356 - 1369。 Chen，W.，Hribar，P。和Melesta，S。（2018）。 使用残差作为因变量时的不正确推断。Aycheh，H。M.，Seong，J.-K.，Shin，J.-H.，Na，D.L.，Kang，B.，Seo，S.W。，＆Sohn，K.-A。（2018）。使用皮质厚数据数据的生物脑年龄预测：一项大型队列研究。衰老神经科学的边界，10，252。Beheshti，I.，Maikusa，N。，＆Matsuda，H。（2018）。“大脑年龄评分”（BAS）与阿尔茨海默氏病传统神经心理筛查工具之间的关联。大脑和行为，8（8），E01020。Beheshti，I.，Nugent，S.，Potvin，O。，＆Duchesne，S。（2019年）。基于神经影像学的脑年龄框架中的偏置调整：一个健壮的方案。神经图像：临床，24，102063。Bland，J。M.和Altman，D。G.（1994）。回归均值。BMJ，308（6942），1499。Brown，T。T.，Kuperman，J.M.，Chung，Y.，Erhart，M.，McCabe，C.，Hagler Jr，…Dale，A.M。（2012）。 生物成熟度的神经解剖学评估。 Curlant Biology，22（18），1693 - 1698年。 Calkins，M。E.，Merikangas，K。R.，Moore，T。M.，Burstein，M.，Behr，M。A.，Satterthwaite，T。D.，…Gur，R。E.（2015）。 费城神经发育群体：建立一个深厚的表型协作。 儿童心理学和精神杂志 - 56（12），1356 - 1369。 Chen，W.，Hribar，P。和Melesta，S。（2018）。 使用残差作为因变量时的不正确推断。Brown，T。T.，Kuperman，J.M.，Chung，Y.，Erhart，M.，McCabe，C.，Hagler Jr，…Dale，A.M。（2012）。生物成熟度的神经解剖学评估。Curlant Biology，22（18），1693 - 1698年。Calkins，M。E.，Merikangas，K。R.，Moore，T。M.，Burstein，M.，Behr，M。A.，Satterthwaite，T。D.，…Gur，R。E.（2015）。费城神经发育群体：建立一个深厚的表型协作。儿童心理学和精神杂志 - 56（12），1356 - 1369。Chen，W.，Hribar，P。和Melesta，S。（2018）。使用残差作为因变量时的不正确推断。会计研究杂志，56（3），751 - 796。https：//doi.org/10.1111/1475-679x.12195 Chung，Y.使用机器学习来确定与
使用定量MRI成像
目标：多发性硬化症患者（PWM）的运动缺陷通常是不对称的，表明影响相应电动途径的局灶性病变的主要作用。[1]但是，病变负荷与物理残疾之间的关联在PWM中仍然适度。一个假设可能是严重的病变，即沿着电动路径的重斜向脱髓鞘与功能后果有关。材料和方法：在2个中心（NCT04220814）募集了60个复发式PWM和33个健康对照。病变。使用概率地图集重建完整的运动区，包括大脑和SC部分。[2,3]使用磁化转移率（MTR）近似病变严重程度，在不同区域沿不同区域计算，并使用基于HC的Z分数在体素水平上计算出病变，以识别严重的病变（阈值2 SD）。每个肢体功能运动后果。使用同时脑和宫颈SC MP2RAGE定量T1成像（QT1）重复分析。[4]结果：临床运动评分与成像之间的关联是适度的。上肢和下肢的CMCT与病变负荷和MTR呈正相关。严重病变在异常的PWM中比正常CMCT观察到更频繁的病变（例如，主要发现是使用QT1复制的，但程度较小。：上肢正常/异常CMCT的严重病变：38.1/80.8％；在下肢：33.3/93.9％；所有p's <.001），但与临床运动评分状态相关（所有p's> .1）。多变量逻辑回归模型表明，SC中存在严重病变的存在与仅在下肢中患有异常CMCT的风险增加有关（p <.001）。结论：PWMS中的电动机评估具有挑战性，临床运动评分可能缺乏灵敏度，而CMCT被证明是整个CST完整性的可靠反映。假设肢体的延长CMCT仅通过在相应的电动途径上至少存在严重的病变来解释，仅在下肢上证实了一个严重的病变，并且需要使用更具体的髓磷脂含量生物标志物进行进一步的研究。参考文献：[1] Sechi E.等，神经病学，2019年； [2] Kerbrat A.等，2020，大脑； [3] De Leener B.等人，Neuroimage，2018年； [4] Forodighasemabadi A.等，Magn Reson Imag，2021。致谢：这项研究得到了ARSEP和Corect
使用基于树的脑电图数据的“脑性别”预测...
1。Alexandre Gramfort，Martin Luessi，Eric Larson，Deni A. Engemann，Strohmeier Daniel，Christian Brodbeck，Roman Goj，Mainak Jas，Brooks，Lauri和Matti S.任何Python的Mne-Python。神经科学的前线，7（267）：1-13，2013。2。Cabanero-Gome，L.，Hervas，R.，Constance，I。和Rodrig-Benite，L。（2021）。eglib：用于EEG提取的Python模块。3。 Head，T.，Mechcoder，G。L.，＆Shcherbatyi，I。 （2018）。 skikit-optimize：v0。 5.2。 版本V0，5 4。 Joel，D。，Berman，Z （2015）。 人脑。 112（50），15468-15473。 5。 Go，G.，Meng，Q.，Finy，T.，T.，Chen，W.，W.，W.，... Liu，T.-Y. （2017）。 LightGBM：高速公路激动人心的梯度。 神经信息系统的进步，30，3146–3154 6。 Phillips，Opery，A。K.，Hsu，V.，Ollila，H。M.，Hillary，R。P.，R.，R。，J。，J.＆Singh，M。K.（2019）。 超越二元类别的性别：对不同差异，心理病理学和基因型的检查。 Sychiatry Academy，58（8），787-798。 7。 TOOLE，JM和BOYLAN，G。B. （2017）。 neral：新生儿脑电图的定量特征使用matlab。3。Head，T.，Mechcoder，G。L.，＆Shcherbatyi，I。（2018）。skikit-optimize：v0。5.2。版本V0，5 4。Joel，D。，Berman，Z （2015）。 人脑。 112（50），15468-15473。 5。 Go，G.，Meng，Q.，Finy，T.，T.，Chen，W.，W.，W.，... Liu，T.-Y. （2017）。 LightGBM：高速公路激动人心的梯度。 神经信息系统的进步，30，3146–3154 6。 Phillips，Opery，A。K.，Hsu，V.，Ollila，H。M.，Hillary，R。P.，R.，R。，J。，J.＆Singh，M。K.（2019）。 超越二元类别的性别：对不同差异，心理病理学和基因型的检查。 Sychiatry Academy，58（8），787-798。 7。 TOOLE，JM和BOYLAN，G。B. （2017）。 neral：新生儿脑电图的定量特征使用matlab。Joel，D。，Berman，Z（2015）。人脑。112（50），15468-15473。5。Go，G.，Meng，Q.，Finy，T.，T.，Chen，W.，W.，W.，... Liu，T.-Y. （2017）。 LightGBM：高速公路激动人心的梯度。 神经信息系统的进步，30，3146–3154 6。 Phillips，Opery，A。K.，Hsu，V.，Ollila，H。M.，Hillary，R。P.，R.，R。，J。，J.＆Singh，M。K.（2019）。 超越二元类别的性别：对不同差异，心理病理学和基因型的检查。 Sychiatry Academy，58（8），787-798。 7。 TOOLE，JM和BOYLAN，G。B. （2017）。 neral：新生儿脑电图的定量特征使用matlab。Go，G.，Meng，Q.，Finy，T.，T.，Chen，W.，W.，W.，... Liu，T.-Y.（2017）。LightGBM：高速公路激动人心的梯度。神经信息系统的进步，30，3146–3154 6。Phillips，Opery，A。K.，Hsu，V.，Ollila，H。M.，Hillary，R。P.，R.，R。，J。，J.＆Singh，M。K.（2019）。 超越二元类别的性别：对不同差异，心理病理学和基因型的检查。 Sychiatry Academy，58（8），787-798。 7。 TOOLE，JM和BOYLAN，G。B. （2017）。 neral：新生儿脑电图的定量特征使用matlab。Phillips，Opery，A。K.，Hsu，V.，Ollila，H。M.，Hillary，R。P.，R.，R。，J。，J.＆Singh，M。K.（2019）。超越二元类别的性别：对不同差异，心理病理学和基因型的检查。Sychiatry Academy，58（8），787-798。 7。 TOOLE，JM和BOYLAN，G。B. （2017）。 neral：新生儿脑电图的定量特征使用matlab。Sychiatry Academy，58（8），787-798。7。TOOLE，JM和BOYLAN，G。B.（2017）。neral：新生儿脑电图的定量特征使用matlab。ARXIV预印型ARXIV：1704.05694。Vinck，M.，Oostenveld，R.，Van Wingerden，M.，Battaglia，F。，＆Pennartz，C。M.（2011）。 在存在体积传导，噪声和样品大小偏置的情况下，改进了相结合的相同步指数。 Neuroimage，55（4），1548-1565。 8。 Zhang，C.，Dougherty，C.C.，Baum，S.A.，White，T。，＆Michael，A。M.（2018）。 功能连通性预测性别：静止大脑连通性中性别差异的证据。 人类脑图，39（4），1765-1776。Vinck，M.，Oostenveld，R.，Van Wingerden，M.，Battaglia，F。，＆Pennartz，C。M.（2011）。在存在体积传导，噪声和样品大小偏置的情况下，改进了相结合的相同步指数。Neuroimage，55（4），1548-1565。8。Zhang，C.，Dougherty，C.C.，Baum，S.A.，White，T。，＆Michael，A。M.（2018）。 功能连通性预测性别：静止大脑连通性中性别差异的证据。 人类脑图，39（4），1765-1776。Zhang，C.，Dougherty，C.C.，Baum，S.A.，White，T。，＆Michael，A。M.（2018）。功能连通性预测性别：静止大脑连通性中性别差异的证据。人类脑图，39（4），1765-1776。
对大脑年龄模型的通用性进行基准测试
Amoroso , N.、la Rocca , M.、Bellantuono , L.、Deacono , D.、Fanizzi , A.、Lella , E.、Lombardi , A.、Maggipinto , T.、Monaco , A.、Tangaro , S. 和 Bellotti , R. (2019)。深度学习和多重网络用于精确模拟大脑年龄。衰老神经科学前沿，11，1 – 12。Bashyam，VM，Erus，J.，Doshi，M.，Nasrallah，M.，Truelove-Hill，M.，Srinivasan，D.，Mamourian，L.，Pomponio，R.，Fan，Y.，Launer，LJ，Masters，CL，Maruff，P.，Zhuo，C.，。Völzke，H.，Johnson，SC，Fripp，J.，Koutsouleris，N.，Satterthwaite，TD，...... Davatzikos，C.（2020 年）。基于深度脑网络和全球 14,468 名个体的生命周期脑年龄和疾病的 MRI 特征。 Brain，143，2312–2324。Brown，TT，Kuperman，JM，Chung，Y，Erhart，M，McCabe，C，Hagler，DJ，Jr，Venkatraman，VK，Akshoomoff，N，Amaral，DG，Bloss，CS，Casey，BJ，Chang，L，Ernst，TM，Frazier，JA，Gruen，JR，Kaufmann，WE，Kenet，T.，Kennedy，DN，Murray，SS，... Dale，AM（2012 年）。生物成熟度的神经解剖学评估。当代生物学, 22, 1693 – 1698。Butler, ER、Chen, A.、Ramadan, R.、le, TT、Ruparel, K.、Moore, TM、Satterthwaite, TD、Zhang, F.、Shou, H.、Gur, RC、Nichols, TE 和 Shinohara, RT (2021)。大脑年龄分析中的缺陷。人脑映射，42，4092 – 4101。http://dx.doi.org/10.1037/0033-2909.101.1.13 Casaletto, K. B., Umlauf, A., Beaumont, J., Gershon, R., Slotkin, J., Akshoomoff, N., & Heaton, R. (2015)。针对 NIH 工具箱认知电池英文版的人口统计学校正规范标准。国际神经心理学会杂志, 21, 378 – 391。Chen, C.-L.、Hsu, YC、Yang, LY、Tung, YH、Luo, WB、Liu, CM、Hwang, TJ、Hwu, HG 和 Isaac Tseng, WY (2020)。通过迁移学习对基于扩散磁共振成像的大脑年龄预测模型进行推广。神经影像，217，116831。
使用语音在6年内对阿尔茨海默氏病进展的预测：一种新的方法利用语言模型
1。Mitchell AJ，Shiri-Feshki M.轻度认知障碍对痴呆症 - 元素分析41个强大的Inception Cohort研究的进展率。Acta Psychiatr Scand。2009; 119：252-265。 2。 Liu S，Cao Y，Liu J，Ding X，Coyle D，Initiative ADN。 一种新颖的检测方法，可有效预测从轻度齿状损伤转化为阿尔茨海默氏病的转化。 Int J Mach学习Cybern。 2023; 14：213-228。 3。 Pereira T，Ferreira FL，Cardoso S等。 神经心理学的预测因素从轻度认知障碍到阿尔茨海默氏病的转化率：一种特征选择合奏，结合了稳定性和可预测性。 BMC Med Infors Decis Mak。 2018; 18：1-20。 4。 Scheltens P，Blennow K，Breteler M等。 阿尔茨海默氏病。 柳叶刀（Lond Engl）。 2016; 388：505-517。 5。 Turner RS，Stubbs T，Davies DA，Albensi BC。 诊断阿尔茨海默氏病和相关痴呆症的潜在新方法。 前神经。 2020; 11：496。 6。 Thomas JA，Burkhardt HA，Chaudhry S等。 评估语言和语音生物标志物的效用，以预测弗雷明汉心脏研究认知衰老队列数据中的认知障碍。 j阿尔茨海默氏症。 2020; 76：905-922。 7。 Weiner MW，Veitch DP，Miller MJ等。 在AD研究中增加参与者的分歧：数字筛查，血液测试计划和阿尔茨海默氏病神经疾病倡议的社区参与方法4。2009; 119：252-265。2。Liu S，Cao Y，Liu J，Ding X，Coyle D，Initiative ADN。 一种新颖的检测方法，可有效预测从轻度齿状损伤转化为阿尔茨海默氏病的转化。 Int J Mach学习Cybern。 2023; 14：213-228。 3。 Pereira T，Ferreira FL，Cardoso S等。 神经心理学的预测因素从轻度认知障碍到阿尔茨海默氏病的转化率：一种特征选择合奏，结合了稳定性和可预测性。 BMC Med Infors Decis Mak。 2018; 18：1-20。 4。 Scheltens P，Blennow K，Breteler M等。 阿尔茨海默氏病。 柳叶刀（Lond Engl）。 2016; 388：505-517。 5。 Turner RS，Stubbs T，Davies DA，Albensi BC。 诊断阿尔茨海默氏病和相关痴呆症的潜在新方法。 前神经。 2020; 11：496。 6。 Thomas JA，Burkhardt HA，Chaudhry S等。 评估语言和语音生物标志物的效用，以预测弗雷明汉心脏研究认知衰老队列数据中的认知障碍。 j阿尔茨海默氏症。 2020; 76：905-922。 7。 Weiner MW，Veitch DP，Miller MJ等。 在AD研究中增加参与者的分歧：数字筛查，血液测试计划和阿尔茨海默氏病神经疾病倡议的社区参与方法4。Liu S，Cao Y，Liu J，Ding X，Coyle D，Initiative ADN。一种新颖的检测方法，可有效预测从轻度齿状损伤转化为阿尔茨海默氏病的转化。Int J Mach学习Cybern。2023; 14：213-228。3。Pereira T，Ferreira FL，Cardoso S等。神经心理学的预测因素从轻度认知障碍到阿尔茨海默氏病的转化率：一种特征选择合奏，结合了稳定性和可预测性。BMC Med Infors Decis Mak。 2018; 18：1-20。 4。 Scheltens P，Blennow K，Breteler M等。 阿尔茨海默氏病。 柳叶刀（Lond Engl）。 2016; 388：505-517。 5。 Turner RS，Stubbs T，Davies DA，Albensi BC。 诊断阿尔茨海默氏病和相关痴呆症的潜在新方法。 前神经。 2020; 11：496。 6。 Thomas JA，Burkhardt HA，Chaudhry S等。 评估语言和语音生物标志物的效用，以预测弗雷明汉心脏研究认知衰老队列数据中的认知障碍。 j阿尔茨海默氏症。 2020; 76：905-922。 7。 Weiner MW，Veitch DP，Miller MJ等。 在AD研究中增加参与者的分歧：数字筛查，血液测试计划和阿尔茨海默氏病神经疾病倡议的社区参与方法4。BMC Med Infors Decis Mak。2018; 18：1-20。 4。 Scheltens P，Blennow K，Breteler M等。 阿尔茨海默氏病。 柳叶刀（Lond Engl）。 2016; 388：505-517。 5。 Turner RS，Stubbs T，Davies DA，Albensi BC。 诊断阿尔茨海默氏病和相关痴呆症的潜在新方法。 前神经。 2020; 11：496。 6。 Thomas JA，Burkhardt HA，Chaudhry S等。 评估语言和语音生物标志物的效用，以预测弗雷明汉心脏研究认知衰老队列数据中的认知障碍。 j阿尔茨海默氏症。 2020; 76：905-922。 7。 Weiner MW，Veitch DP，Miller MJ等。 在AD研究中增加参与者的分歧：数字筛查，血液测试计划和阿尔茨海默氏病神经疾病倡议的社区参与方法4。2018; 18：1-20。4。Scheltens P，Blennow K，Breteler M等。阿尔茨海默氏病。柳叶刀（Lond Engl）。2016; 388：505-517。 5。 Turner RS，Stubbs T，Davies DA，Albensi BC。 诊断阿尔茨海默氏病和相关痴呆症的潜在新方法。 前神经。 2020; 11：496。 6。 Thomas JA，Burkhardt HA，Chaudhry S等。 评估语言和语音生物标志物的效用，以预测弗雷明汉心脏研究认知衰老队列数据中的认知障碍。 j阿尔茨海默氏症。 2020; 76：905-922。 7。 Weiner MW，Veitch DP，Miller MJ等。 在AD研究中增加参与者的分歧：数字筛查，血液测试计划和阿尔茨海默氏病神经疾病倡议的社区参与方法4。2016; 388：505-517。5。Turner RS，Stubbs T，Davies DA，Albensi BC。诊断阿尔茨海默氏病和相关痴呆症的潜在新方法。前神经。2020; 11：496。6。Thomas JA，Burkhardt HA，Chaudhry S等。评估语言和语音生物标志物的效用，以预测弗雷明汉心脏研究认知衰老队列数据中的认知障碍。j阿尔茨海默氏症。2020; 76：905-922。7。Weiner MW，Veitch DP，Miller MJ等。在AD研究中增加参与者的分歧：数字筛查，血液测试计划和阿尔茨海默氏病神经疾病倡议的社区参与方法4。阿尔茨海默氏症痴呆症。2023; 19：307-317。8。Caminiti SP，Ballarini T，Sala A等。FDG-PET和CSF生物标志物在预测大型多中心MCI队列中转化为不同痴呆症中的精度。神经图像临床。2018; 18：167-177。 9。 Long X，Chen L，Jiang C，Zhang L，倡议ADN。 基于MRI变形的定量，对阿尔茨海默氏病的预测和分类。 PLOS ONE。 2017; 12：E0173372。 10。 Varatharajah Y，Ramanan VK，Iyer R，Vemuri P.使用成像，CSF，遗传因素，认知弹性和人口统计学预测短期MCI至AD进展。 SCI代表。 2019; 9：2235。 11。 Ahmadzadeh M，Christie GJ，Cosco TD，MorenoS。神经影像学和分析方法，用于研究从轻度认知障碍到阿尔茨海默氏病的途径：快速系统评价的方案。 Syst Rev。 2020; 9：1-6。2018; 18：167-177。9。Long X，Chen L，Jiang C，Zhang L，倡议ADN。基于MRI变形的定量，对阿尔茨海默氏病的预测和分类。 PLOS ONE。 2017; 12：E0173372。 10。 Varatharajah Y，Ramanan VK，Iyer R，Vemuri P.使用成像，CSF，遗传因素，认知弹性和人口统计学预测短期MCI至AD进展。 SCI代表。 2019; 9：2235。 11。 Ahmadzadeh M，Christie GJ，Cosco TD，MorenoS。神经影像学和分析方法，用于研究从轻度认知障碍到阿尔茨海默氏病的途径：快速系统评价的方案。 Syst Rev。 2020; 9：1-6。对阿尔茨海默氏病的预测和分类。PLOS ONE。 2017; 12：E0173372。 10。 Varatharajah Y，Ramanan VK，Iyer R，Vemuri P.使用成像，CSF，遗传因素，认知弹性和人口统计学预测短期MCI至AD进展。 SCI代表。 2019; 9：2235。 11。 Ahmadzadeh M，Christie GJ，Cosco TD，MorenoS。神经影像学和分析方法，用于研究从轻度认知障碍到阿尔茨海默氏病的途径：快速系统评价的方案。 Syst Rev。 2020; 9：1-6。PLOS ONE。2017; 12：E0173372。 10。 Varatharajah Y，Ramanan VK，Iyer R，Vemuri P.使用成像，CSF，遗传因素，认知弹性和人口统计学预测短期MCI至AD进展。 SCI代表。 2019; 9：2235。 11。 Ahmadzadeh M，Christie GJ，Cosco TD，MorenoS。神经影像学和分析方法，用于研究从轻度认知障碍到阿尔茨海默氏病的途径：快速系统评价的方案。 Syst Rev。 2020; 9：1-6。2017; 12：E0173372。10。Varatharajah Y，Ramanan VK，Iyer R，Vemuri P.使用成像，CSF，遗传因素，认知弹性和人口统计学预测短期MCI至AD进展。SCI代表。 2019; 9：2235。 11。 Ahmadzadeh M，Christie GJ，Cosco TD，MorenoS。神经影像学和分析方法，用于研究从轻度认知障碍到阿尔茨海默氏病的途径：快速系统评价的方案。 Syst Rev。 2020; 9：1-6。SCI代表。2019; 9：2235。11。Ahmadzadeh M，Christie GJ，Cosco TD，MorenoS。神经影像学和分析方法，用于研究从轻度认知障碍到阿尔茨海默氏病的途径：快速系统评价的方案。Syst Rev。2020; 9：1-6。
2023年脑机接口领域发展态势 - 生命科学
国科学技术出版社 , 2019 [2] Farwell LA, Donchin E. Talking off the top of your head: toward a mental prosthesis using event-related brain potentials. Electroencephalogr Clin Neurophysiol, 1988, 70: 510-23 [3] Neuper C, Pfurtscheller G. 134 ERD/ERS based brain computer interface (BCI): effects of motor imagery on senseimotor rhythms. Int J Psychophysiol, 1998, 1: 53-4 [4] McMillan GR, Calhoun G, Middendorf MS, et al. Direct brain interface utilize self-regulation of stable-state visual evoked response (SSVER)[C]. Vancouver: Proc RESNA Ann Conf, 1995 [5] Collinger JL, Wodlinger B, Downey JE, et al. Direct brain interface utilize self-regulation of stable-state visual evoked response (SSVER)[C]. Vancouver: Proc RESNA Ann Conf, 1995 [6] Collinger JL, Wodlinger B, Downey JE, et al.四肢瘫痪患者的高性能神经假体控制。柳叶刀，2013，381:557-64 [6] Ramos-Murguialday A、Broetz D、Rea M 等人。脑机接口在慢性中风康复中的应用：一项对照研究。Ann Neurol，2013，74:100-8 [7] Minev IR、Musienko P、Hirsch A 等人。生物材料。用于长期多模态神经接口的电子硬脑膜。科学，2015，347:159-63 [8] Musk E、Neuralink。一个拥有数千个通道的集成脑机接口平台。J Med Internet Res，2019，21:e16194 [9] Flesher SN、Downey JE、Weiss JM 等人。唤起触觉的脑机接口可改善机械臂控制。Science，2021，372：831-6 [10] Liu D，Xu X，Li D 等。利用局部视觉运动反应进行颅内脑机接口拼写。Neuroimage，2022，258：119363 [11] Willett FR、Avansino DT、Hochberg LR 等。通过手写实现高性能脑机文本通信。Nature，2021，593：249-54 [12] BRAIN 2025：科学愿景[EB/OL]。[2023-12-08]。http://www.braininitiative.nih.gov/pdf/BRAIN2025_508C.pdf [13] 澳大利亚大脑联盟[EB/OL]。[2023-12-06]。 https://ans.org.au/resources/issues/about-the-australian- brain-alliance [14] 解码和控制大脑信息[EB/OL]。[2023-12-06]。https://www.jst.go.jp/presto/bmi/research_ area_E.html [15] IKEGAYA 脑-AI 混合[EB/OL]。[2023-12-06]。https://www.jst.go.jp/erato/en/research_area/ongoing/jpmjer1801.html [16] Jeong SJ, Lee IY, Jun BO, et al. Korea Brain Initiative: emerging issues and Institutionalization of neuroethics.神经元, 2019, 101: 390-3 [17]科技部关于发布科技创新2030——“脑科学与类脑研究”重大项目2021年度项目申报指南的通知[EB/OL]. (2021-09-16)[2023-04-26]。 https://service.most.gov.cn/kjjh_tztg_all/20210916/4583.html [18]北京市人民政府办公厅关于印发《北京市促进未来产业创新发展实施方案》的通知[EB/OL]。 （2023-09-08）。 [2023-12-08]。 https://www.beijing.gov.cn/zhengce/ zhengcefagui/202309/t20230908_3255227.html [19] Brückerhoff-Plückelmann F，Bente I，Becker M，等。