Ingrid Eggert 拥有环境管理学士学位,在将国际环境最佳实践应用于设计、施工和运营阶段的项目方面拥有 14 年以上的经验。她在环境影响评估流程和向当局提交相关审批以及对各种开发项目的施工和运营阶段进行环境合规性监测和审计方面拥有丰富的经验。Ingrid 还参与了不同行业组织的许多环境管理系统的开发和实施。她是南非环境评估从业者协会的注册 EAP,也是南非国际影响评估师协会的成员。
摘要 — 近年来,使用生理传感器预测工作量的方法多种多样。然而,这些方法中的大多数都是在小数据集上训练模型,大脑中的通道位置数量很少,这限制了模型在参与者、任务或实验会话之间迁移的能力。在本文中,我们介绍了一种新方法,该方法使用基于认知负荷理论的方法并采用结合注意力机制和自监督标签增强 (SLA) 的双向门控循环单元 (BiGRU),对大量跨参与者和跨会话的高密度功能近红外光谱 (fNIRS) 数据集进行建模。我们表明,我们提出的 CNN-BiGRU-SLA 模型可以学习和分类不同级别的工作记忆负荷 (WML) 和视觉处理负荷 (VPL) 在不同参与者之间。重要的是,我们利用多标签分类方案,我们的模型经过训练可以预测同时发生的 WML 和 VPL 水平。我们使用留一法 (LOOCV) 和 10 倍交叉验证来评估我们的模型。使用 LOOCV,对于二元分类(关闭/打开),我们在 22 位参与者(每位参与者参加了 2 次会话)中获得了 WML 的 0.9179 F1 分数和 VPL 的 0.8907 F1 分数。对于多级(关闭、低、高)分类,我们获得了 WML 的 0.7972 F1 分数和 VPL 的 0.7968 F1 分数。使用 10 倍交叉验证,对于多级分类,我们获得了
白质病变 (WML) 是多种脑部疾病的根源,而自动 WML 分割对于评估自然病程和临床干预措施(包括药物研发)的有效性至关重要。尽管最近的研究在 WML 分割方面取得了巨大进展,但准确检测疾病早期出现的细微 WML 仍然特别具有挑战性。在这里,我们提出了一种使用强度标准化技术、灰度共生矩阵 (GLCM) 嵌入聚类技术和随机森林 (RF) 分类器自动分割轻度 WML 负荷的方法,以提取纹理特征并识别特定于真正 WML 的形态。我们通过局部离群值因子 (LOF) 算法精确定义它们的边界,该算法通过相对于其邻居的局部密度偏差来识别边缘像素。该自动化方法已在 32 名人类受试者身上进行了验证,结果显示,通过类内相关性 (ICC = 0.881,95% CI 0.769, 0.941) 和皮尔逊相关性 (r = 0.895,p 值 < 0.001),与神经放射科医生的手动描绘具有很强的一致性和相关性(排除一个异常值),并且在 MICCAI 大挑战赛中定义的六个既定关键指标中的五个方面优于三种领先算法(修剪均值异常值检测、病变预测算法和 SALEM-LS)。通过促进对细微 WML 的更精确分割,该方法可以实现更早的诊断和干预。
驾驶是一项复杂的任务,需要同时调动多种认知资源。然而,目前还缺乏研究在双任务处理中不同驾驶子任务在大脑层面的相互作用。本研究调查了与驾驶难度增加相关的视觉空间注意力需求如何与大脑层面的不同工作记忆负荷 (WML) 水平相互作用。使用多通道全头高密度功能近红外光谱 (fNIRS) 大脑激活测量,我们旨在预测驾驶难度水平,既针对每个 WML 水平进行单独预测,也使用组合模型进行预测。参与者在虚拟现实驾驶模拟器中在有并发交通的高速公路上驾驶了大约 60 分钟。在一半的时间里,路线穿过一个车道宽度较窄的建筑工地,增加了视觉空间注意力需求。同时,参与者执行了 n-back 任务的修改版本,其中有五个不同的 WML 级别(从 0-back 到 4-back),迫使他们不断更新、记忆和回忆前几个“n”速度符号的序列,并相应地调整速度。使用多元逻辑岭回归,我们能够在 15 名参与者的 75.0% 信号样本(1.955 Hz 采样率)中正确预测驾驶难度,在对每个 WML 级别分别在 fNIRS 数据上训练的分类器的样本外交叉验证中。WML 级别对驾驶难度预测有显著影响
背景:经颅直流电刺激 (tDCS) 是一种很有前途的工具,可用于增强治疗效果,例如在治疗中风后。所获得的刺激效果表现出较高的受试者间差异性,这主要是由感应电场 (EF) 的扰动驱动的。由于萎缩或病变等解剖变化,衰老大脑中的差异会进一步增大。通过基于计算机的个性化 EF 模拟来告知 tDCS 协议是减轻这种差异的一种建议措施。目标:虽然在模拟研究中,大脑解剖结构(特别是萎缩以及中风病变)被认为对 EF 有影响,但白质病变 (WML) 导致的白质电特性变化的不确定性的影响尚未量化。方法:进行了一项团体模拟研究,将 88 名受试者分为四组,每组病变负荷不断增加。由于缺乏有关 WML 电导率的信息,因此在为病变组织选择任意电导率值时,采用不确定性分析来量化模拟中的变异性。结果:WML 对 EF 方差的贡献平均仅为其他建模组织贡献的十分之一到千分之一。虽然与低病变负荷受试者相比,高病变负荷受试者的 WML 贡献显著增加(p≪.01),通常增加 10 倍以上,但 EF 的总方差并没有随着病变负荷而变化。结论:我们的结果表明,WML 不会全局扰乱 EF,因此在对低到中等病变负荷的受试者进行建模时可以将其省略。但是,对于高病变负荷受试者,省略 WML 可能会导致病变组织附近的局部 EF 估计不太稳健。我们的结果有助于精确建模 tDCS 以进行治疗计划。
在当前的研究中,以voxel为基础,我们量化了与组织异常相关的2个不同参数:从DCE MR成像和DSC MR成像中的BBB泄漏参数(K 2),28,29,可以与BBB传输和/或CBF相关的变化。36然后可以评估这些值的WML,以深入了解BBB功能和组织灌注的变化。另外,我们评估了MTT,这反映了组织灌注。在动脉粥样硬化风险(Genestar)队列研究的遗传研究中,我们确定了具有早期冠状动脉血管疾病的家族史,在中年发现了早期的WML,37,37,对认知运动功能的度量产生了同时影响。38在这个相对年轻的高风险亚组(平均年龄,54.1 [SD,3.5]年)中,有21名参与者具有重复的MR成像,我们观察到与认知能力下降相关的WML进展速度迅速。39在这项研究中,我们提出了一条数据分析管道,该管道结合了WMLS 40、41的分割以及从DSC和DCE MR Imaging的MTT,CBF,K 2和K Trans的基于灌注的测量值的定量。这项工作是基于以前测量大脑不同区域微血管融合和GD渗出的工作。31,42
在胎儿期,CC 患者的大脑发育就表现出差异 6 。 30% 患有 CC 的新生儿有白质病变 (WML),与早产儿的观察结果相似 7 。患有严重先天性心脏病的胎儿大脑发育不成熟,这增加了手术后神经系统并发症或围手术期血流动力学不稳定的风险 8 。此外,这些围手术期神经系统并发症
与没有这种病变的那些相比,缺血性中风后的预后(3),并且它们经历了更大程度的认知障碍(4)。WML可能是由脑小血管疾病引起的,脑白质血液流量减少(5)。目前,WML的原因通常归因于慢性小血管疾病。一些研究发现,脑灌注减少可能会导致双侧缺血和缺氧,从而导致微循环疾病并恶化神经变性(6)。次要皮质损伤会发生,因为白质纤维之间的连接受损(7)。然而,除了包括年龄和高血压在内的危险因素外,视网膜微血管异常的严重程度与lacunar梗死的发生和发展有关(8)和WMLS(9)(如多项研究中)。减少了视网膜微动菌和微化的数量,以及视网膜内层内层厚度的减小,与认知能力受损,灰色和白色质量较低以及损害的白质网络结构显着相关(10)。
背景:当前的指南不建议对大血管闭塞(LVO)中风患者的血管血栓切除术(EVT)的年龄上限。但是,老年年龄与预后差的风险增加有关。这项研究旨在研究EVT在老年人和非性能患者中的疗效,并确定结果不佳的因素。方法:包括接受EVT的LVO-Stroke连续三百例患者,我们使用了具有限制的立方样条的敏感性分析,将75年定义为75年。参与者被二分成老年人(≥75岁)和非大比例(<75年)。脑虚弱。主要结果是3个月的功能结果,次要结果是EVT功效和安全性。结果:老年患者的高血压,糖尿病,心房颤动以及更严重的GCA和WML的发生率明显更高。老年患者的良好预后率为32%,明显低于非埃尔德利患者(54%,p <0.001)。两组之间的再灌注(89%vs 93%,p = 0.363)和颅内出血(38%vs 41%,p = 0.826)没有差异。在老年患者中,高度GCA(OR 1.15,95%CI 1.02-1.30,p = 0.012)和中度/重度WML(OR 5.88,95%CI 1.47-23.50,p = 0.015)独立预测的3个月差。关键词:中风,血管内血栓切除术,预后,老年人,脑脆弱结论:GCA和WML在LVO-STROKE的EVT的老年患者中发挥关键作用,为长期预测的早期预测提供了宝贵和实用的信息。