XiaoMi-AI文件搜索系统
World File Search Systemseeg
引用出版版本的引文：吴，x，jiang，s，li，g，liu，s，metcalfe，b，chen，l＆zhang，d 2023，''卷卷卷神经网络的深度学习
摘要 - 目的：基于卷积神经网络（CNN）的深度学习已使用头皮脑电图（EEG）在脑部计算机界面（BCIS）方面取得了成功。然而，对所谓的“黑匣子”方法的解释及其在立体情节摄影（SEEG）基于BCIS（SEEG）的BCIS中的应用仍然在很大程度上未知。因此，在本文中，对SEEG信号深度学习方法的解码性能进行了评估。方法：招募了三十例癫痫患者，并设计了包括五种手和前臂运动类型的范式。六种方法，包括过滤库公共空间模式（FBCSP）和五种深度学习方法（EEGNET，浅层和深CNN，Resnet，Resnet和一个名为STSCNN的深CNN变体），用于对SEEG数据进行分类。进行了各种实验，以研究Resnet和STSCNN的窗口，模型结构以及解码过程的影响。结果：EEGNET，FBCSP，浅CNN，DEEP CNN，STSCNN和RESNET的平均分类精度分别为35±6.1％，38±4.9％，60±3.9％，60±3.3％，61±3.2％和63±3.1％。对所提出方法的进一步分析表明，在光谱域中不同类别之间的可分离性明显。结论：重新连接和STSCNN分别达到了第一高的解码精度。STSCNN证明了额外的空间卷积层是有益的，并且可以从空间和光谱的角度部分解释解码过程。意义：这项研究是第一个研究Seeg信号深度学习的表现的研究。此外，本文证明了所谓的“黑盒”方法可以部分解释。
灰质和白质立体定向脑电图电极对语音活动检测的贡献
I. 引言利用颅内阵列（如皮层电图 (ECoG) [1]）对大脑活动进行侵入式记录，已在脑机接口 (BCI) 设计中显示出良好的前景，可用于语音解码和合成等多种应用 [2]，[3]，[4]，[5]，[6]，[7]。由于 ECoG 仅从皮层表面采集灰质样本，因此很少有人研究白质记录对 BCI 解码的潜在贡献，而白质约占人类大脑体积的 50%。此外，据报道，白质记录的信息与灰质的信息不同 [8]。立体定向脑电图 (sEEG) [9] 在临床应用中的日益普及，为检查更广泛大脑区域和更深层结构（包括灰质和白质）的神经活动提供了机会。最近一些研究探讨了白质 sEEG 记录在 BCI 设计中的作用。研究表明，加入来自灰质和白质的 sEEG 通道有助于区分各种上肢运动和静止，或区分不同的运动类型 [10]。其他研究表明，灰质和白质中的 sEEG 通道有助于 BCI 的语音活动检测和语音生成模型 [7]、[11]、[12]。虽然这些研究强调了灰质和白质对语音生成的潜在贡献，但尚未对灰质和白质通道进行全面的表征。本研究分别和联合研究了来自灰质和白质的通道，以设计一个语音活动检测模型，用于区分 BCI 的语音和非语音。
通过受激电子能量增益谱对等离子体纳米棒天线中局部表面等离子体共振进行近场激发态成像
连续波 (cw) 光子激发电子能量损失和增益光谱 (sEELS 和 sEEGS) 用于对纳米棒天线中光激发局部表面等离子体共振 (LSPR) 模式的近场进行成像。配备纳米操作器和光纤耦合激光二极管的光学传输系统用于同时照射 (扫描) 透射电子显微镜中的等离子体纳米结构。纳米棒长度不断变化，使得 m = 1、2 和 3 LSPR 模式与激光能量共振，并测量这些模式的光激发近场光谱和图像。还研究了各种纳米棒方向以探索延迟效应。光学和电子束模拟用于合理化观察到的模式。如预期的那样，奇数模式在光学上是明亮的，并导致观察到的 sEEG 响应。 m = 2 暗模式不会产生 sEEG 响应，但是，当倾斜到延迟效应起作用时，sEEG 信号就会出现。因此，我们证明了 cw sEEGS 是成像任一奇偶性全套纳米棒等离子体模式近场的有效工具。
PPI：患者的脑信号预读 -
自动癫痫发作检测对于癫痫诊断和治疗非常重要。用于癫痫检测的一种新兴方法，即立体电脑摄影（SEEG），可以提供详细的立体脑电波信息。但是，在临床场景中对SEEG进行建模将面临挑战，例如不同患者之间的巨大领域变化和不同大脑区域之间的急剧模式演变。在这项研究中，我们提出了一个基于P的基于P的模型，以解决这些挑战，以应对这些挑战。首先，我们设计了两个新型的自我监督任务，可以从丰富的Seeg数据中提取丰富的信息，同时保留从不同大脑区域记录的大脑信号之间的独特特征。然后提出了两种技术，通道背景减法和大脑区域增强，以有效解决域移位问题。广泛的实验表明，PPI在两个公共数据集和我们收集的一个现实世界中的临床数据集上的表现优于SOTA基准，这证明了PPI的有效性和实用性。最后，可视化分析说明了两种域概括技术的合理性。
使用任务对运动和语音进行功能映射...
立体脑电图 (sEEG) 已成为癫痫治疗中用于颅内定位癫痫发作和扩散的最广泛使用的临床工具 1,2。它可以让医生直接描述发作期和发作间期整个脑容量候选区域的电行为 3。在监测期间，通过 sEEG 进行的电刺激可用于探测感觉运动、言语和语言、视觉或记忆功能 4,5。在需要切除或消融致痫组织的情况下，癫痫发作网络与脑功能图的空间重叠有助于确定治疗范围，从而可以在保留脑功能的同时最大限度地减少癫痫发作 2,6，尤其是当发育不良皮质可能带有功能图时 7。由于目前正在通过射频消融通过 sEEG 导线本身进行直接破坏性治疗 8,9，因此监测期间的术外功能映射至关重要。不幸的是，当刺激导致癫痫发作或阻碍继续治疗的后放电时，术外刺激映射可能会受到限制或不可能，特别是在儿童大脑中，因为儿童大脑的物理特性需要更高的电流 10,11 。同样，一些患者，特别是儿科人群 12 ，无法忍受 MRI 扫描仪环境，从而无法进行植入前 fMRI。
合并的定量敏感性映射
缩写：DRE¼耐药性癫痫； gee¼广义估计方程； QSM¼定量敏感性映射； seeg¼立体记录摄影； TSC¼结节硬化症复合物T u骨硬化症（TSC）是一种遗传疾病，通常与难以治疗的耐药性癫痫（DRE）有关。1虽然一些研究报告了恢复癫痫手术后的有利结果，以治疗与TSC相关的DRE，但其他研究报告说，在重新进行手术后，只有约50％的人无癫痫发作，尤其是在没有明显显着块茎的复杂病例中。2-6使用立体电子志摄影（SEEG）指导这些患者的手术的越来越多的实践，并认识到，在具有明显的“占主导地位”块茎且焦点推定的癫痫发作区域的患者中，取得了最佳的结果。7
合并的定量敏感性映射
缩写：DRE¼耐药性癫痫； gee¼广义估计方程； QSM¼定量敏感性映射； seeg¼立体记录摄影； TSC¼结节硬化症复合物T u骨硬化症（TSC）是一种遗传疾病，通常与难以治疗的耐药性癫痫（DRE）有关。1虽然一些研究报告了恢复癫痫手术后的有利结果，以治疗与TSC相关的DRE，但其他研究报告说，在重新进行手术后，只有约50％的人无癫痫发作，尤其是在没有明显显着块茎的复杂病例中。2-6使用立体电子志摄影（SEEG）指导这些患者的手术的越来越多的实践，并认识到，在具有明显的“占主导地位”块茎且焦点推定的癫痫发作区域的患者中，取得了最佳的结果。7
合并的定量敏感性映射
缩写：DRE¼耐药性癫痫； gee¼广义估计方程； QSM¼定量敏感性映射； seeg¼立体记录摄影； TSC¼结节硬化症复合物T u骨硬化症（TSC）是一种遗传疾病，通常与难以治疗的耐药性癫痫（DRE）有关。1虽然一些研究报告了恢复癫痫手术后的有利结果，以治疗与TSC相关的DRE，但其他研究报告说，在重新进行手术后，只有约50％的人无癫痫发作，尤其是在没有明显显着块茎的复杂病例中。2-6使用立体电子志摄影（SEEG）指导这些患者的手术的越来越多的实践，并认识到，在具有明显的“占主导地位”块茎且焦点推定的癫痫发作区域的患者中，取得了最佳的结果。7
MBrain：一种用于脑信号的多通道自监督学习框架
脑信号是理解人脑生理活动和疾病的重要定量数据。同时，快速发展的深度学习方法为更好地建模脑信号提供了广泛的机会，近年来吸引了大量研究投入。现有研究大多关注监督学习方法，但该方法需要高成本的临床标签。此外，侵入性（如SEEG）和非侵入性（如EEG）方法测得的脑信号的临床模式差异巨大，导致缺乏统一的方法。为了处理上述问题，本文提出研究脑信号的自监督学习（SSL）框架，可应用于预训练SEEG或EEG数据。直观地看，脑信号是由神经元放电产生的，会在人脑不同的连接结构之间传输。受此启发，我们提出MBrain来学习不同通道（即电极触点，对应不同的脑区）之间隐含的空间和时间相关性，作为统一建模不同类型脑信号的基石。具体来说，我们用一个图结构来表示空间相关性，该图结构是基于提出的多通道 CPC 构建的。我们从理论上证明优化多通道 CPC 的目标可以得到更好的预测表示，并在此基础上应用瞬时时间移位预测任务。然后，我们通过设计延迟时间移位预测任务来捕捉时间相关性。最后，提出替代判别学习任务来保留每个通道的特征。在 EEG 和 SEEG 大规模真实数据集上进行的大量癫痫检测实验表明，我们的模型优于几种最先进的时间序列 SSL 和无监督模型，并且有能力部署到临床实践中。