XiaoMi-AI文件搜索系统
World File Search Systemseizure
策划基因组疾病基因与基因2芬太尼的关系通过癫痫发作状态和治疗干预
。cc-by-nc 4.0国际许可证是根据作者/资助者提供的，他已授予Medrxiv的许可证，以永久显示预印本。（未通过同行评审认证）
使用脑电图 (EEG) 信号预测癫痫发作的机器学习方法
活动：a) 神经元膜的快速去极化，这取决于钠离子和钾离子的电压，并产生动作电位 (AP) [3]。b) 由于突触活动和几种神经递质系统的功能，膜电位变化较慢 [4]。AP 是膜电位的快速变化，时间为 1 – 2 毫秒，它使细胞内电位从负变为正，并迅速返回细胞内静息电位。它具有较小的场电位分布（在细胞外环境中的渗透较少）并且持续时间较短（约 1 毫秒，而突触后电位则为 15 到 200 多毫秒）[3,5]。突触后电位扩散到颅骨表面并且可以测量。为了测量大脑活动，我们可以使用一种非侵入性的方法，通过一种称为脑电图 (EEG) 的设备将电极放在头皮上。EEG 信号主要由突触后锥体细胞的可测量电位产生，这些细胞彼此平行且垂直于颅骨表面。它创建了一个细胞外皮质偶极层 [5,6]。因此，颅骨上的电极代表皮质神经元突触后电位的时间和位置。它还包括大皮质区域中缓慢且同时的电位变化（图 1）[7,8]。EEG 信号可用于识别许多临床问题，例如精神分裂症、阿尔茨海默病、失眠症、睡眠障碍、癫痫症、脑瘤和中枢神经系统感染。除了具有非侵入性和精确的时间分辨率之外，该技术还具有低成本且不需要极端的安全限制 [5]。通过脑电图信号可以发现，癫痫发作通常是自发性的。它们是由部分脑细胞突然放电引起的，因此会导致大脑暂时兴奋。有时癫痫发作可能会被忽视，或者可能与其他脑部疾病（如脑膜炎或中风）混淆，这些疾病也会导致相同的症状。研究表明，大约 10% 的人一生中至少会经历一次癫痫发作 [ 10 ]。对脑电图 (EEG) 信号中的癫痫进行精确分析可以揭示有关这种普遍存在的脑部疾病的宝贵事实 [ 11 ]。由于 EEG 信号非常复杂，因此需要分析多种因素。手动目视检查 EEG 信号已被发现有助于识别模式。然而，这种方法需要高水平的技术和分析能力，以及多种信号处理技术[12]。因此，近年来，癫痫发作的自动检测
使用多通道卷积和循环神经网络自动检测患者间的癫痫发作
我们提出了一种端到端深度学习模型，可以自动检测多通道脑电图 (EEG) 记录中的癫痫发作。我们的模型结合了卷积神经网络 (CNN) 和双向长短期记忆 (BLSTM) 网络，使用少量可训练参数有效地从 EEG 数据中挖掘信息。具体来说，CNN 会为原始多通道 EEG 数据的每个一秒窗口学习一个潜在编码。同时，BLSTM 会根据 CNN 编码学习癫痫发作表现的时间演变。这些架构的组合使我们的模型能够捕获指示癫痫发作活动的短时间尺度 EEG 特征以及癫痫发作表现中的长期相关性。与大多数先前的癫痫发作检测工作不同，我们通过留一患者交叉验证程序模拟住院监测环境，在所有患者中达到 0.91 的平均癫痫发作检测灵敏度。该策略验证了我们的模型可以推广到新患者。我们证明我们的 CNN-BLSTM 优于传统的特征提取方法和依赖于更大、更复杂的网络架构的最先进的深度学习方法。
使用脑电信号检测和分类癫痫发作技术的最新研究
摘要：早期检测和分类癫痫发作对计算机辅助设备和最新医疗物联网 (IoMT) 设备的分析、监测和诊断大有裨益，这一点怎么强调也不为过。这些应用的成功在很大程度上取决于所采用的检测和分类技术的准确性。多年来，人们研究、提出和开发了多种方法。本文研究了过去十年的各种癫痫发作检测算法和分类，包括传统技术和最新的深度学习算法。它还讨论了癫痫样检测作为实现意识障碍 (DOC) 高级诊断及其理解的步骤之一。对所研究的不同算法进行了性能比较，并探讨了它们的优缺点。从我们的调查来看，最近人们非常关注探索深度学习算法在癫痫发作检测和分类中的有效性，这些算法还用于图像处理和分类等其他领域。混合深度学习也得到了探索，其中 CNN-RNN 最受欢迎。
一种从单通道脑电信号中检测癫痫发作的多视图 SVM 方法
摘要 癫痫发作是发生在中枢神经系统中的癫痫的一部分，会导致大脑活动异常。脑电图 (EEG) 信号记录主要用于癫痫发作检测过程。癫痫发作的检测是患者进一步治疗的关键部分。本文提出了一种使用单通道 EEG 信号进行癫痫发作检测的多视图 SVM 模型。在本实验中，提取了 EEG 数据的两个视图，(1) 使用独立成分分析 (ICA) 的时域特征和 (2) 在频域中获得功率谱密度。提取的特征已输入到多视图 SVM 分类模型。在本研究中，单通道 EEG 数据集用于癫痫发作检测。已经估计了性能估计参数，即准确度、灵敏度、特异性、F1 分数和 AUC 值，以评估所提出的模型。该模型使用 k 倍交叉验证对 A vs E 和 B vs E 集上的癫痫和非癫痫进行了分类，准确率超过 99%。使用相同特征，多视图 SVM 获得的分类准确率比单视图 SVM 高 1-4%。此外，还将所提出的模型与现有的单视图 SVM 模型进行了比较。观察到，与单视图 SVM 模型相比，多视图 SVM 模型在相同特征上的表现明显更好。
通过完全卷积网络基于Imaged-EEG信号的自动癫痫发作检测
癫痫发作检测是需要手动干预训练有素的专家的癫痫病中的常规过程。此过程可能广泛，效率低下且耗时，尤其是对于长期记录。我们提出了一种自动方法，使用IMAING-EEG表示脑信号来检测癫痫发作。为了实现这一目标，我们分析了来自两个不同数据集的EEG信号：CHB-MIT头皮EEG数据库和包括头皮和颅内记录的癫痫项目。我们使用完全卷积神经网络自动检测癫痫发作。对于我们的最佳模型，对于CHB-MIT数据集，我们的平均准确性和特异性值分别为99.3％和99.6％，癫痫患者的相应值为98.0％和98.3％。对于这些患者，颅内电极和头皮含量分别提高了平均准确性和特异性值，分别为99.6％和58.3％。关于其他指标，我们的最佳模型达到62.7％的平均精度，召回58.3％，CHB-MIT记录的F量为59.0％，AP为54.5％，相对较低的epilepsiae数据表的性能较低。对于两个数据库，对于92％的CHB-MIT患者，每小时的误报次数达到的值小于0.5/h，而80％的癫痫患者的误报量小于1.0/h。与最近的研究相比，我们的轻量级方法不需要对预选特征的任何估计，并且表现出高表现，并且在临床实践中引入这种自动方法的可能性很有可能。
基于加权有向图的自动癫痫检测，具有有效的脑电图信号连接
癫痫发作是最常见的神经系统疾病之一，其特征是大脑神经元突然异常放电。使用脑电图 (EEG) 记录自动检测癫痫发作将提高治疗质量并减少医疗费用。本文的目的是设计一个自动癫痫发作检测框架，通过发现大脑区域之间的连通性来有效识别癫痫发作和非癫痫发作事件。在本文中，提出了一种基于加权有向图的有效大脑连接 (EBC) 方法来检测癫痫发作。通过分析大脑不同区域之间的相关性来构建加权有向图。然后，使用基于图论的度量来提取分类特征。此外，我们说明了所提出的方法实现针对特定患者模型和跨患者模型的癫痫发作检测的能力。结果表明，所提出的方法在 CHB-MIT 数据集中针对特定患者模型和跨患者模型的准确率分别达到 99.97% 和 98.29%。这些结果表明，所提出的方法实现了有效的分类性能，可用于为癫痫发作的自动检测和临床诊断提供帮助。
基于图形的加权定向自动癫痫发作检测，有效的脑电图
癫痫发作是最常见的神经系统疾病之一，其特征是大脑中神经元的突然异常排出。使用脑电图记录（EEG）记录的自动癫痫发作会提高治疗质量并减少医疗开销。 本文的目的是设计一个自动癫痫发作检测框架，该框架可以通过发现大脑区域之间的连通性来有效地识别癫痫发作和非癫痫事件。 在这项工作中，提出了一种具有有效脑连接性（EBC）的加权定向方法以进行癫痫发作。 通过分析大脑不同区域之间的相关性来构建加权定向图。 然后，基于图理论的措施用于提取分类的特征。 此外，我们说明了提出的方法实现患者特异性模型和交叉患者模型的癫痫发作检测的能力。 结果表明，所提出的方法在患者特定模型和CHB-MIT数据集中分别达到99.97％和98.29％的精度值。 这些结果表明，所提出的方法实现了有效的分类性能，可用于为自动癫痫发作检测和临床诊断提供帮助。使用脑电图记录（EEG）记录的自动癫痫发作会提高治疗质量并减少医疗开销。本文的目的是设计一个自动癫痫发作检测框架，该框架可以通过发现大脑区域之间的连通性来有效地识别癫痫发作和非癫痫事件。在这项工作中，提出了一种具有有效脑连接性（EBC）的加权定向方法以进行癫痫发作。通过分析大脑不同区域之间的相关性来构建加权定向图。然后，基于图理论的措施用于提取分类的特征。此外，我们说明了提出的方法实现患者特异性模型和交叉患者模型的癫痫发作检测的能力。结果表明，所提出的方法在患者特定模型和CHB-MIT数据集中分别达到99.97％和98.29％的精度值。这些结果表明，所提出的方法实现了有效的分类性能，可用于为自动癫痫发作检测和临床诊断提供帮助。
在超低功率嵌入RISC-V处理器上进行癫痫发作检测
摘要：通过闭环植入式设备对难治性癫痫的处理，这些设备对通过药物释放或电刺激作用的癫痫发作是一种极具吸引力的选择。对于这种可植入的医疗设备，有效和低能消耗，小规模和有效的加工体系结构至关重要。为了满足这些要求，通过卷积神经网络（CNN）对大脑信号进行分析和分类进行癫痫发作检测是一种有吸引力的方法。这项工作为CNN提供了用于在超低功率微处理器上运行的癫痫发作检测。在MATLAB中实现并优化了CNN。此外，在具有RISC-V架构的GAP8微处理器上还实施了CNN。提出的CNN的培训，优化和评估基于CHB-MIT数据集。CNN达到的中位灵敏度为90％，高度高99％以上，对应于中位误报率为每小时6.8 s。在微控制器上实施CNN后，达到了85％的灵敏度。1 s的脑电图数据的分类为t = 35 ms，平均功率为p≈140µW。拟议的检测器在功耗方面优于相关的方法6。通过记录癫痫大鼠，对所提出的基于CNN的检测器的普遍适用性进行了验证。这结果使未来的医疗设备用于癫痫治疗。
研究参与者对阿尔茨海默氏病精确诊断的观点
癫痫是一种涉及神经元网络过度兴奋性的普遍疾病，但现有的治疗策略通常无法提供最佳的患者外。化学遗传方法，其中外源受体在定义的大脑区域表达，并被选择性激动剂特别激活，这是限制过度活跃的神经元活性的有吸引力的方法。我们开发了Barni（Bradanicline-和乙酰胆碱激活的受体进行神经元抑制作用），这是一个由α7烟碱乙酰胆碱受体配体结合结构域组成的工程通道，并与α1glycine受体受体孔结合了。在这里，我们证明了临床期α7烟碱乙酰胆碱受体选择性激动剂Bradanicline的Barni激活有效地抑制了靶向神经元活性，并控制了雄性小鼠的急性和慢性癫痫发作。我们的结果为使用抑制性乙酰胆碱的工程通道提供了证据，可通过外源性和内源性激动剂作为治疗癫痫的潜在治疗方法。