XiaoMi-AI文件搜索系统
World File Search Systemsubject
检测脑外伤患者的认知疲劳......
由于其复杂性，从 fMRI 数据理解认知状态尚未得到充分研究。在这项工作中，理解 TBI 患者的认知疲劳的问题已被表述为多类分类问题。我们构建了一个时空编码器模型，使用卷积和 LSTM 作为构建块来提取空间特征并模拟 fMRI 扫描的 4D 特性。为了更好地表示数据和条件，我们使用了一种名为“对比学习”的自监督学习技术，使用公共数据集 BOLD5000 对我们的编码器进行预训练，并进一步微调我们的标记数据集以预测认知疲劳。此外，我们提供了一个 fMRI 数据集，其中包含来自创伤性脑损伤 (TBI) 患者和健康对照 (HC) 的扫描，同时执行一系列标准化的 N-back 认知任务。该方法建立了一种最先进的技术来分析 fMRI 数据的认知疲劳，并且优于以前使用不同模式解决此问题的方法。此外，我们的模型能够接收原始 fMRI 扫描（扫描仪直接输出的带有伪影的噪声图像），因此无需实施根据所用扫描仪而变化的手动信号处理管道。最后，我们研究不同大脑区域对 CF 的影响。在此数据集上，所提出的技术比最先进的方法高出 13% 以上。
葡萄糖脂质代谢改善葡萄糖耐量受损受试者的饮食饮食：一项随机平行临床试验
结果：2小时的餐后血糖，糖基化的血红蛋白，胰岛素抵抗指数，总胆固醇，低密度脂蛋白胆固醇，体重指数，腰围，腰围，收缩压和舒张压血压在干预后的介入显着降低。相比之下，高密度脂蛋白胆固醇高于干预前，并且在统计学上很重要（p <0.05）。随访1年后，对照组的糖基化血红蛋白和体重指数高于干预前，并且在统计学上是显着的（p <0.05）。2小时的餐后血糖，糖基化的血红蛋白，胰岛素抵抗指数，体重指数和藜麦组的平均舒张压在统计学上显着低于对照组，而高密度脂蛋白胆固醇较高（p <0.05）。藜麦组参与者的转化率（7.8％）在统计学上显着低于对照组（20.3％）（χ2= 12.760，p = 0.002）。逻辑回归分析表明，藜麦消耗是防止糖尿病进展的保护因素（p <0.05）。
i‐Share‐Bordeaux 研究中健康年轻受试者的视网膜神经层厚度与脑成像的关联
图 3 森林图显示视网膜层与平均扩散率之间的关联。框代表系数，水平线代表 95% 置信区间（未校正）。视乳头周围 RNFL（蓝色）。GC-IPL（红色）。GCC（绿色）。根据性别、年龄、眼轴长度、脉压、体重指数、吸烟状况和颅内总容量调整的多元线性回归模型。负 β 系数对应于平均扩散率的降低和 WM 微结构完整性的改善，视网膜亚层厚度每增加一个标准差。FDR，错误发现率。*对数转换结果：出于演示原因，系数和置信区间的比例有所变化。区域中的二分视网膜层：小脑中脚、小脑下脚的 ppRNFL；穹窿脊或终纹的 ppRNFL 和 GCC。
通过受限子空间变分自动编码器 (CS-VAE) 解开多主体和社会行为表征
有效地建模和量化行为对于我们理解大脑至关重要。在社交和多主体任务中，在自然环境中建模行为仍然是一项重大挑战。对执行相同任务的不同主体的行为进行建模需要将行为数据划分为跨主体共有的特征和每个主体独有的特征。与社交调查相比，在自由移动的环境中对多个个体之间的社交互动进行建模需要解开由个体引起的影响。为了灵活地将行为解开为具有个体和跨主体或社交成分的可解释潜在变量，我们基于半监督方法来划分行为子空间，并提出了一种基于柯西-施瓦茨散度的新型正则化方法。我们的模型称为约束子空间变分自动编码器 (CS-VAE)，成功地对跨主体行为视频的不同特征以及不断变化的社交行为差异进行了建模。我们的方法极大地促进了下游任务中产生的潜在变量的分析，例如揭示解开的行为主题，有效解码新主体的行为，并提供对不同动物如何表现出先天行为的理解。
空间租赁指南 – 信息如有变更，恕不另行通知
校长的主要职责是为学院提供愿景，并持续领导和指导学院各方面课程和服务的规划和运营，使其符合芝加哥城市学院董事会政策、ICCB 和 IBHE 规章制度以及州法律。校长办公室还负责开发、维护和评估学院的学术课程和学生服务，并营造一种氛围，以促进学生学习，激发创造性的教学和学习方法，并激励教职员工和学生通过创新取得最佳成就。如果您希望桑德斯校长在您的活动中致欢迎辞，请将您的演讲请求通过电子邮件发送至校长办公室 mxc-president@ccc.edu。
了解 EEG 信号以进行按主题的定义...
摘要。在技术不断发展的世界中，心理障碍已成为一个亟待解决的挑战。认知刺激所用的方法非常传统，并且基于单向沟通，仅依赖于用于个人训练的材料或方法。它不使用任何来自个人的反馈来分析训练过程的进展。我们提出了一种闭环方法来改善 ID（智力障碍）患者的认知状态。我们使用了一个名为“Armoni”的平台，为智力障碍人士提供培训。学习是在闭环中进行的，通过使用情感状态变化形式的反馈。为了向 Armoni 提供反馈，使用了 EEG（脑电图）头带。观察 EEG 中的所有变化，并根据所有信号频带的平均值和标准偏差值的变化进行分类。这种比较有助于根据脑信号的变化定义每项活动。本文讨论了脑电信号的处理过程及其针对 Armoni 不同活动的定义。我们在 6 个不同系统上对不同年龄组和认知水平进行了测试。
使用静止状态EEG
抽象目标。这项研究旨在设计和实施第一个深度学习（DL）模型，以根据静止状态脑电图（EEG）信号对阿尔茨海默氏病（AD）的前驱状态（AD）进行分类。方法。脑电图记录了17个健康对照（HCS），56个主观认知下降（SCD）和45名轻度认知障碍（MCI）受试者的记录。预处理后，我们选择了与眼睛闭合条件相对应的部分。使用带通滤波器提取Delta，Theta，Alpha，Beta和Delta-to-Theta频段来创建五个不同的数据集。为了对SCD与MCI和HC vs SCD与MCI进行分类，我们提出了一个基于变压器体系结构的框架，该框架使用多头注意力专注于输入信号的最相关部分。我们使用了一个主题输出的交叉验证方法训练并验证了每个数据集上的模型，并将信号分为10 s时。受试者与大多数时期分配给同一类。的分类性能，并与其他DL模型进行了评估，并将其与其他DL模型进行了比较。主要结果。结果表明，DELTA数据集允许我们的模型获得SCD和MCI歧视的最佳性能，从而达到ROC曲线下的一个0.807的区域，而在Alpha和Theta上获得了Alpha和Theta的最高结果，其最高结果是在Alpha和Theta上获得的，其Micro-auc高于0.74。意义。我们证明了DL方法可以支持采用非侵入性和经济技术作为脑电图，以将处于AD风险的临床人群中的患者分层。由于注意力机制能够学习信号的时间依赖性，重点是最歧视的模式，从而实现了这一结果，从而实现了最新的结果。我们的结果与临床证据相一致，表明在考虑AD的早期阶段时，大脑活动的变化是渐进的。
饮食补充对患有糖尿病前期受试者的2型糖尿病进展的影响：单个中心随机双盲安慰剂对照试验
结果：研究总共包括47名参与者（PL，n = 16； CFD，n = 15; CF，n = 16）。在24周的随访中，干预组中血糖状况恶化的参与者分别为14.29％，13.33％和31.25％。然而，在排除研究中排除先前的糖尿病时，主要结果，血糖状态的进展是统计上不同的，p-值= 0.046（p <0.05）。以及24周随访时2型糖尿病的发生率在三组之间在统计学上不同，14.29％，13.33％和12.5％，p-值= 0.699（p <0.05）分别在CFD，CF，CF，PL组中。次要结果也未能证明饮食补充剂对血糖，脂质纤维纤维，体重，BMI和血液化学的影响。