XiaoMi-AI文件搜索系统
World File Search SystemmCi
功能脑图分析与计算机测试有效鉴别轻度认知障碍
社区居住的非裔美国老人患轻度认知障碍 (MCI) 或阿尔茨海默病及相关痴呆症的可能性是老年白人的两倍，因此他们是需要早期监测的重要高危群体。由于成本和负担，更广泛的影像学或脑脊液研究存在重大障碍。我们将功能连接和图论测量（源自静息态脑电图 (EEG) 记录）与计算机化认知测试相结合，以基于社区居住的非裔美国老人样本识别 MCI 患者与健康对照者之间的差异。我们发现 MCI 患者的功能连接显著下降，图拓扑结构整合度较低。功能连接、拓扑和认知测量相结合对于预测 MCI 非常有效，而且综合测量方法比单一方法更有效。具体而言，通过将认知特征与功能连接和拓扑特征相结合，与使用单一认知或 EEG 域特征进行分类相比，预测结果有所改善，准确率为 86.5%，而最佳单一方法的准确率为 77.5%。居住在社区的非裔美国老年人认为 EEG 和计算机化测试可以接受，并且在区分健康对照者和居住在社区的 MCI 患者方面，结果很有希望。
使用便携式设备评估轻度认知障碍...
随着人口老龄化，轻度认知障碍 (MCI) 和痴呆症的患病率上升越来越令人担忧，因此需要一种客观、易用且经济高效的工具来促进早期发现和干预。本文研究了便携式脑电图 (EEG) 系统是否可以使用视觉异常任务来针对记忆和注意力事件相关电位 (ERP) 成分 P300 来有效测量 MCI。在这项研究中，40 名参与者被分成两组：被诊断为认知障碍的个体和年龄匹配的健康对照组。参与者完成两次典型的纸笔 MCI 评估以收集行为数据，然后进行感知 EEG 异常任务以收集大脑数据。结果表明，与健康对照组相比，MCI 组在纸笔评估中表现出行为任务表现下降，在异常任务期间大脑反应发生调节，便携式 EEG 系统显示 P300 峰值幅度下降。这些结果表明便携式脑电图能够识别 MCI 的生物标志物，并可能在诊断过程中发挥作用。这种能力可以为患者、患者家属和医生带来巨大益处，也将有助于阿尔茨海默病的研究。未来的研究可以扩展这些发现，应用寿命或疾病跨度方法来研究健康个体生命过程中的 P300 变化，并与 MCI 患者整个病程中的 P300 变化进行比较。这项研究还可以加深对 MCI 进展的了解，从而改善诊断或治疗的发展。关键词：轻度认知障碍；脑电图；痴呆症；阿尔茨海默病
2型糖尿病中轻度认知障碍的患病率与血清半乳糖素-3水平
摘要目的/简介：Galectin-3（GAL3）有助于胰岛素抵抗，炎症和肥胖，这是2型糖尿病患者中轻度认知障碍（MCI）的三个危险因素。材料和方法：通过蒙特利尔认知评估方法评估了总共134例住院的2型糖尿病患者，并分为65个MCI和69个对照组。变量水平均与COG固定功能相关研究。结果：与非MCI 2型型糖尿病控制相比，在MCI 2型糖尿病组中发现了血清GAL3和较低水平的血浆A B 42（所有P <0.05）。部分相关分析表明，GAL3与MMSE评分（r = -0.51，p <0.01）和蒙特利的认知评估评分（r = -0.47，p <0.001）在调整后，对糖化血液凝血蛋白，血液拒蛋白，同性恋抑制剂的胰岛素抗性和胰岛素抗性的效果与胰岛素抑制作用和所有类型2的效果在所有类型的效果中均具有2次胰岛素的影响。 MCI 2型糖尿病组在与MCI地层进行了进一步分析后。一个简单的逻辑回归模型表明，与协变量的性别，年龄，体重指数，糖化性血红蛋白，同性恋抑制剂模型评估胰岛素抵抗和抗糖尿病药物后，GAL3和B 42与MCI 2型糖尿病患者显着相关。在高脂饮食/链蛋白酶糖尿病大鼠中，血清和脑gal3水平显着升高，这与学习和记忆能力的损害相关。gal3抑制剂改性果胶果胶降低了糖尿病大鼠的血清和脑gal3水平，并伴有学习和记忆障碍的改善。结论：GAL3可能与2型糖尿病的认知障碍有关，血清GAL3水平可能是2型糖尿病患者MCI的新危险因素。
增强医疗保健推荐：深度卷积神经网络中的迁移学习用于阿尔茨海默病检测
阿尔茨海默病 (AD) 和轻度认知障碍 (MCI) 等神经退行性疾病会严重影响大脑功能和认知。先进的神经成像技术，尤其是磁共振成像 (MRI)，通过检测结构异常在诊断这些疾病方面发挥着至关重要的作用。这项研究利用以大量 MRI 数据而闻名的 ADNI 和 OASIS 数据集来开发用于检测 AD 和 MCI 的有效模型。该研究进行了三组测试，比较了多个组：多类分类（AD vs. 认知正常 (CN) vs. MCI）、二元分类（AD vs. CN 和 MCI vs. CN），以评估在 ADNI 和 OASIS 数据集上训练的模型的性能。对这两个数据集都应用了高斯滤波、对比度增强和调整大小等关键预处理技术。此外，还利用 U-Net 进行颅骨剥离，通过去除颅骨来提取特征。研究了几种著名的深度学习架构，包括 DenseNet-201、EfficientNet-B0、ResNet-50、ResNet-101 和 ResNet-152，以识别与 AD 和 MCI 相关的细微模式。采用迁移学习技术来提高模型性能，利用预训练数据集来改进阿尔茨海默氏症 MCI 检测。ResNet-101 与其他模型相比表现出色，在涵盖 AD、CN 和 MCI 的多类分类任务中，在 ADNI 数据集上实现了 98.21% 的准确率，在 OASIS 数据集上实现了 97.45% 的准确率。它在区分 AD 和 CN 的二元分类任务中也表现良好。ResNet-152 在 OASIS 数据集上 MCI 和 CN 之间的二元分类方面表现尤为出色。这些发现强调了深度学习模型在准确识别和区分神经退行性疾病方面的实用性，展示了它们在增强临床诊断和治疗监测方面的潜力。
引用：GrässlerB，Herold F，Dordevic M等。多模式测量方法以识别有轻度认知障碍的个体：研究prot
摘要引入轻度认知障碍（MCI）的诊断，即正常年龄相关认知能力下降和痴呆症之间的短暂阶段仍然是一项艰巨的任务。观察到多模式方法（对几种互补方式的同时分析）可以提高分类精度。我们将结合三种非侵入性测量方式：功能性近红外光谱（FNIRS），通过ECG的脑电图和心率变异性。我们的目的是探索认知表现的神经生理学相关性，以及我们的多模式方法是否可以帮助早期鉴定MCI患者。方法和分析本研究将与MCI和健康对照患者（HC）进行横断面。将在休息期间和执行认知任务时测量神经生理信号：（1）Stroop，（2）N-BACK和（3）言语流利性测试（VFT）。统计分析的主要目的是（1）确定HC和MCI的神经生理反应的差异，（2）研究认知性能和神经生理反应的测量之间的关系，以及（3）研究是否可以通过使用我们的多态方法来提高分类精度。为了满足这些目标，统计分析将包括机器学习方法。据我们所知，这是同时应用MCI和HC同时应用这三种方式的第一项研究。我们假设与单峰方法相比，多模式方法提高了HC和MCI之间的分类精度。如果我们的假设得到了验证，则本研究为痴呆症研究多模式方法的更多研究铺平了道路，并促进了对新生物标志物的探索，以尽早发现非生理年龄与年龄相关的认知能力下降。伦理和传播伦理批准是从当地伦理委员会获得的（参考：83/19）。数据将在学习和数据组装完成后不超过1年。试验注册号临床临床。
模块化引导的功能性脑网络分析，用于早期痴呆症识别
功能大脑网络（FBN）分析表明，在识别脑部疾病（例如阿尔茨海默氏病（AD）及其前驱阶段，即轻度认知障碍（MCI））方面具有巨大潜力。必须从功能大脑网络中识别歧视性和可解释的特征，以提高分类性能并帮助我们理解与广告相关的脑疾病的病理机制。以前的研究通常从FBN提取节点统计或边缘权重来表示每个受试者。但是，这些方法通常忽略了FBN的拓扑结构（例如模块化）。为了解决此问题，我们提出了一个模块化 - LASSO特征选择（MLFS）框架，该框架可以明确对模块化信息进行建模，以识别FBN的歧视性和可解释功能，以进行自动化AD/MCI分类。特别是，提出的MLFS方法首先通过签名的光谱群集算法搜索FBN的模块化结构，然后通过模块化诱导的组LASSO方法选择判别特征，然后使用支持向量机（SVM）进行分类。为了评估所提出的方法的有效性，对公共ADNI数据库的563个静止状态功能性MRI扫描进行了广泛的实验，以识别正常对照的AD/MCI的受试者，并预测MCI受试者的未来进展。实验结果表明，我们的方法在AD/MCI识别任务和MCI转换预测的两个任务中都优于以前的方法，还有助于发现与AD相关的歧视性脑区域和功能连接性。
基金会课程
1。Avinash Supe博士前董事（ME和MH）和G I手术和医学教育系的名誉教授Dean孟买 - 400012 2。Krishna G. Seshadri博士，糖尿病学和医学教育委员，管理委员会Sri Balaji Vidyapeeth，Puducherry -607 403 3。R. Sajith Kumar博士兼传染病和医学教育部门的主管MCI NODAL教职员工中心政府医学院，喀拉拉邦科塔亚姆 - 686008 4。P.V.博士 Chalam校长兼教授，泰兰加纳州RR Dist。外科Bhaskar医学院 - 500075 5。P.V.博士Chalam校长兼教授，泰兰加纳州RR Dist。外科Bhaskar医学院 - 500075 5。MCI Nodal Development Pramukhswami医学院MCI Nodal Developmer中心解剖学和医学教育召集人的Praveen Singh博士兼校长，古吉拉特邦Karamsad -388325 6。Tejinder Singh博士医学教育系Sri Guru Ram Das医学科学与研究所，旁遮普省阿姆利则 - 143501。 7。 P.V.博士 Vijayaraghavan副校长和骨科教授，钦奈-600116的Sri Ramachandra医学院MCI Nodal Center，Sri Ramachandra医学院和研究所MCI Nodal Center。 8。 新德里110029年，药理学全印度医学研究所的Subir K. Maulik博士教授。 M. Rajalakshmi博士，Tejinder Singh博士医学教育系Sri Guru Ram Das医学科学与研究所，旁遮普省阿姆利则 - 143501。7。P.V.博士 Vijayaraghavan副校长和骨科教授，钦奈-600116的Sri Ramachandra医学院MCI Nodal Center，Sri Ramachandra医学院和研究所MCI Nodal Center。 8。 新德里110029年，药理学全印度医学研究所的Subir K. Maulik博士教授。 M. Rajalakshmi博士，P.V.博士Vijayaraghavan副校长和骨科教授，钦奈-600116的Sri Ramachandra医学院MCI Nodal Center，Sri Ramachandra医学院和研究所MCI Nodal Center。8。新德里110029年，药理学全印度医学研究所的Subir K. Maulik博士教授。M. Rajalakshmi博士，
家庭严肃游戏训练的效果（大脑对话......）
随着老龄化社会的推进，轻度认知障碍 (MCI) 患者增多。严肃游戏可能对改善 MCI 患者的认知功能有效，但对其效果的研究尚不足。本研究旨在确认使用严肃游戏 (Brain Talk™) 对 MCI 老年人进行认知康复训练的有效性和安全性。24 名 MCI 老年人被随机分为研究组和对照组。研究组接受 12 次训练（每次 30 分钟，每周 3 次），而对照组不接受训练。在训练前后和训练四周后进行盲测。主要结果测量是韩国简易精神状态检查 (K-MMSE) 和 K-MoCA (韩国蒙特利尔认知评估)。次要结果测量是语义言语流畅性任务 (SVFT)、连线测试-B 和 2-back 测试。在研究组中，完成训练后和训练四周后的 K-MMSE、K-MoCA 和 SVFT 分数均显著增加；对照组则无明显变化，两组间无明显差异，研究组在训练后认知功能明显改善，居家严肃游戏被认为有助于改善认知功能。
基于脑电图诊断轻度认知障碍的张量分解方案
轻度认知障碍 (MCI) 是急性阿尔茨海默病的主要阶段，早期发现对于患者及其周围的人至关重要。由于这一轻度阶段没有明显的临床症状，其症状介于正常衰老和严重痴呆之间，因此很难识别。在此，我们提出了一种基于张量分解的方案，用于使用脑电图 (EEG) 信号自动诊断 MCI。提出一种新的投影，它保留电极的空间信息以构建数据张量。然后，使用并行因子分析 (PARAFAC) 张量分解提取特征，并使用支持向量机 (SVM) 将 MCI 与正常受试者区分开来。在两个不同的数据集上测试了所提出的方案。结果表明，基于张量的方法在诊断 MCI 方面优于传统方法，对于第一个和第二个数据集的平均分类准确率分别为 93.96% 和 78.65%。因此，维持信号的空间拓扑结构在 EEG 信号的处理中起着至关重要的作用。