XiaoMi-AI文件搜索系统
World File Search SystemSchizophrenia
患有代谢综合征的精神分裂症患者的细胞粘附分子
摘要：代谢综合征 (MetS) 是精神分裂症的常见并发症，可显著缩短患者的预期寿命。细胞间 (ICAM)、血管 (VCAM) 和神经 (NCAM) 细胞粘附分子 (CAM) 介导神经炎症过程，其可溶形式 (例如，sICAM) 在血浆中与细胞结合形式同时存在。在本研究中，在 211 名患有偏执型精神分裂症的西伯利亚白人患者中检查了这些 CAM 的血清水平（根据 2005 年国际糖尿病联合会标准，82 名患者患有 MetS，129 名患者不患有 MetS）。使用 xMAP 技术，使用 Magpix 和 Luminex 200（Luminex，美国德克萨斯州奥斯汀）测定血清中的 CAM 水平。与无 MetS 的患者相比，MetS 患者的 sICAM-1 水平显著升高，而 sVCAM-1 水平显著降低。两组之间的 NCAM 水平没有差异。与 MetS 患者相比，无 MetS 患者的 CAM、年龄、精神分裂症持续时间和体重指数之间的 Spearman 相关性更明显。我们的研究结果与 MetS 与内皮功能障碍以及其他炎症成分相关这一结论一致。通过这些外周炎症过程的内皮成分，MetS 可能诱发脑内神经炎症变化，但需要进一步研究来证实这一点。
指纹作为精神分裂症的预测因素：一项深度学习研究
1 Fidmag GermansHospitalàriesReesarch源泉，西班牙巴塞罗那； 2西班牙马德里的卡洛斯三世健康研究所心理健康网络（CIBERSAM）生物医学研究中心； 3西班牙巴塞罗那的贝尼托·门尼复杂的援助； 4西班牙马德里的Carlos III健康研究所（Investén-ICIII）的医疗保健研究部门； 5医院姐妹社会健康中心，西班牙帕伦西亚； 6西班牙巴塞罗那市Mare dedéudeLaMercè医院； 7 Padre Menni，西班牙桑坦德； 8西班牙桑坦德大西洋欧洲大学； 9医院姐妹协助综合大楼，西班牙马拉加；西班牙纳瓦拉市潘普洛纳市的10个精神病学诊所Padre Menni； 11贝尼托·门尼（Benito Menni）援助综合大楼，西班牙马德里市的塞姆波兹洛斯；西班牙马德里的圣米格尔医院诊所12；西班牙巴塞罗那Martorell的Sagrat Cor医院13； 14 Aita Menni，Mondragón，巴斯克国家； 15西班牙扎拉戈萨的卡门神经精神病中心圣母；西班牙西班牙省16位医院姐妹； 17西班牙巴塞罗那大学的生态学进化生物学系，生态学环境。
使用卷积自动编码器模型和 Interv 在 rs-fMRI 模式中自动诊断精神分裂症和注意力缺陷多动障碍
摘要 当今世界，许多人患有脑部疾病，他们的健康受到威胁。到目前为止，已经提出了许多诊断精神分裂症 (SZ) 和注意力缺陷多动障碍 (ADHD) 的方法，其中功能性磁共振成像 (fMRI) 模态是医生中流行的方法。本文提出了一种使用新深度学习方法的静息态 fMRI (rs-fMRI) 模态的 SZ 和 ADHD 智能检测方法。加州大学洛杉矶分校数据集包含 SZ 和 ADHD 患者的 rs-fMRI 模态，已用于实验。FMRIB 软件库工具箱首先对 rs-fMRI 数据进行预处理。然后，使用具有建议层数的卷积自动编码器模型从 rs-fMRI 数据中提取特征。在分类步骤中，引入了一种新的模糊方法，称为区间型2模糊回归（IT2FR），然后通过遗传算法、粒子群优化和灰狼优化（GWO）技术进行优化。此外，还将IT2FR方法的结果与多层感知器、k最近邻、支持向量机、随机森林和决策树以及自适应神经模糊推理系统方法进行了比较。实验结果表明，与其他分类器方法相比，采用GWO优化算法的IT2FR方法取得了令人满意的结果。最后，提出的分类技术能够提供72.71％的准确率。
精神分裂症案例
揭示大脑各种结构和功能模式之间的关联可以产生有关健康和紊乱大脑的大量信息。最近，使用神经影像数据的研究开始利用各种功能和解剖域（即大脑网络组）内以及跨各种功能和解剖域的信息。然而，大多数全脑方法假设整个大脑的相互作用具有相似的复杂性。在这里，我们研究了这样一个假设：大脑网络之间的相互作用捕获了不同程度的复杂性，并且我们可以通过根据可用的训练数据改变模型子空间结构的复杂性来更好地捕获这些信息。为此，我们采用了一种基于贝叶斯优化的框架，称为 Tree Parzen 估计器 (TPE)，以识别、利用和分析从大脑的功能性磁共振成像 (fMRI) 子域中提取的时间信息编码的信息的变化模式。通过在精神分裂症分类任务上使用重复交叉验证程序，我们证明了特定功能子域之间的相互作用可以通过更复杂的模型架构更好地表征，而其他子域则需要不太复杂的模型架构来最佳地促进分类和理解大脑的功能相互作用。我们表明，已知与精神分裂症有关的功能子域需要更复杂的架构才能最佳地解开有关该疾病的歧视性信息。我们的研究表明，需要自适应的分层学习框架，以不同方式满足不同子域的特征，不仅是为了更好地预测，也是为了能够识别预测感兴趣结果的特征。
使用 RESNET 50 构建深度学习模型，根据 rsFMRI 图像预测精神分裂症
建立了一个精神分裂症的分类模型，该模型在 COBRE 数据集中对 SZ 和 HC 具有良好的预测能力，利用该模型，分类准确率达到 95.53%，但仍需进一步改进才能满足实际应用需求。
治疗精神分裂症的痕量胺相关受体 1 激动剂
精神分裂症是一种慢性的、有时使人衰弱的精神疾病，其特征是情绪、行为和认知障碍；患有这种疾病的患者复发风险很高。1,2 它是全球 20 大致残原因之一，与早期死亡有关，预期寿命比一般人群少约 20 年。3-5 大多数患者在成年早期患上精神分裂症，女性发病高峰年龄为 30 岁出头或更年轻，男性发病高峰年龄为 20 岁出头。2,6,7 加拿大慢性疾病监测系统显示，虽然精神分裂症的发病率有所下降，但其患病率却随着时间的推移而上升；2016 年，在 10 岁或以上的加拿大人中，精神分裂症的发病率约为每 100,000 人 50 人，患病率约为总人口的 1%。8
基于 EEG 的新型精神分裂症检测，结合 IoMT 框架实现智能医疗
在神经科学领域，大脑活动分析一直被视为重要领域。精神分裂症 (Sz) 是一种脑部疾病，严重影响世界各地人们的思维、行为和感觉。脑电图 (EEG) 被证明是 Sz 检测的有效生物标志物。EEG 是一种非线性时间序列信号，由于其非线性结构，利用它进行研究至关重要。本文旨在使用深度学习方法提高基于 EEG 的 Sz 检测性能。提出了一种称为 SzHNN（精神分裂症混合神经网络）的新型混合深度学习模型，它是卷积神经网络 (CNN) 和长短期记忆 (LSTM) 的组合。CNN 网络用于局部特征提取，LSTM 用于分类。所提出的模型已与仅使用 CNN、仅使用 LSTM 和基于机器学习的模型进行了比较。所有模型均在两个不同的数据集上进行了评估，其中数据集 1 包含 19 名受试者，数据集 2 包含 16 名受试者。针对同一模型，使用不同频带上的各种参数设置和头皮上的不同电极组进行了多次实验。基于所有实验，很明显，与其他现有模型相比，所提出的混合模型 (SzHNN) 提供了 99.9% 的最高分类准确率。所提出的模型克服了不同频带的影响，甚至仅使用 5 个电极就显示出 91% 的更高准确率。所提出的模型还在医疗物联网 (IoMT) 框架中进行了评估，用于智能医疗和远程监控应用。
u-net用于大脑提取的模型：对人类进行训练，以转移到非人类灵长类动物
摘要：精神分裂症患者通常会严重缺乏社会局限性的动力，这是负面症状的方面，会损害功能。然而，社会经济规定的基本的机械主义仍然很少理解，尤其是在现实的社会背景下。在这里，我们调查了现场社交互动期间精神分裂症的主观报告和脑电图（EEG）的连通性。精神分裂症（n = 16）和健康对照（n = 29）的人在记录脑电图时完成了与同盟的面对面相互作用。参与者被随机分配到旨在通过自我披露引起亲密感的亲密条件，或者以最少的脱节感引起亲密感。与对照组相比，患者报告的情绪经历较低和跨条件的亲密感，但对于亲密关系（与小话）条件相比，他们显示出相当更大的主观后期反应。此外，接近度（与小话）状况的患者在Theta和Alpha频带中的连通性全球增加，而对照组未观察到。重要的是，更大的theta和α连通性与患者的主观症状反应更大，负面症状更大以及较低的混乱症状有关。总体发现，发现患者，由于明显的负面症状，患者利用了一种有效的，自上而下的介导策略来处理社交效果。
基于机器学习的精神分裂症和主要抑郁症的脑电图表型
尽管精神诊断是基于公开特征（例如行为，情绪和思想）的现象学区别，但具有脑电图（EEG）神经病理学机制（EEG）的确定仍然具有挑战性。在使用脑电图确定的神经生理表型中，精神分裂症（SZ）和主要抑郁症（MDD）始终没有推荐的脑模型。以前的EEG研究集中在病理生理学的区别和症状关系上（1-3）。SZ和MDD的临床变化非常异质（4-6）。除了基于SZ和MDD之间的现象学区别的临床诊断之外，使用机器学习的脑电图定义可以提供促进治疗突破的见解（7-10）。，通过应用线性判别分析（LDA）和支持向量机（SVM）（11）来确保精神疾病中的分类表现。听觉P300（AP300）是SZ和抑郁症患者的代表性神经生理指标（12-15）；但是，一些研究为抑郁症指标提供了不一致的发现（16）。ap300包括N1和P3组件，它们在100毫秒左右的最大电位和最正的电位分别是听觉刺激发作后300毫秒左右的最积极电位。通常观察到中线电极中P3和N1振幅的变化（17，18）。另外，定义时间范围内振幅的宽度也可以表明病理状态（21）。此外，每个组件定义时间范围内的最高峰电势在各个个体之间显示出较大的变化，因为每个成分都包含几种神经生物学属性（19，20）。AP300在听觉响应以及工作记忆和注意力过程中反映了认知过程（22，23）。n1已被定义为目标刺激的早期感觉输入的神经分配（24、25），而N1减少可以反映SZ和情绪障碍中的异常选择性注意（26 - 29）。p3是AP300的主要组成部分，它是由信息处理的晚期积极潜力产生的，例如在普通情况下的输入罕见事件（30，31）。n1和p3降低（32，33）。几项研究还报道了MDD患者的N1和P3的延迟延迟和幅度降低（13、34-36）。在这里，我们比较了健康对照组（HCS）与SZ和MDD患者之间的AP300。为了鉴定SZ和抑郁症的大脑表型，N1和P3成分的变化在三个维度上表达，即通过使用雷达图表，峰值，潜伏期，振幅和皮质来源的峰值。此外，我们使用线性判别分析（LDA）和支持向量机（SVM）分类器应用机器学习技术，以适用于每个两组分类。