XiaoMi-AI文件搜索系统
World File Search System于脑
HUT：用于脑病变和肿瘤分割的混合 UNet 变换器
像 UNet 这样的监督式深度学习网络在分割脑部异常（如病变和肿瘤）方面表现良好。然而，这类方法被提出用于单模态或多模态图像。我们使用混合 UNet Transformer (HUT) 来提高单模态病变分割和多模态脑肿瘤分割的性能。HUT 由两个并行运行的管道组成，其中一个基于 UNet，另一个基于 Transformer。基于 Transformer 的管道在训练期间依赖于 UNet 解码器中间层中的特征图。HUT 网络采用 3D 脑容量的可用模态，并将脑容量嵌入体素斑块中。系统中的变压器提高了全局注意力和体素斑块之间的长程相关性。此外，我们在 HUT 框架中引入了一种自监督训练方法，以提高整体分割性能。我们证明，在中风后病变解剖追踪 (ATLAS) 数据集的单模态分割中，HUT 的表现优于最先进的网络 SPiN，Dice 得分高出 4.84%，Hausdorffi 距离得分高出 41%。HUT 在脑肿瘤分割 (BraTS20) 数据集的脑部扫描中也表现良好，并且比最先进的网络 nnUnet 的 Dice 得分高出 0.96%，Hausdorffi 距离得分高出 4.1%。
pybci：用于脑部计算机接口的Python软件包（BCI ...
PYBCI设计为轻巧且用户友好，强调快速自定义，并与实验室流层（LSL）无缝集成以进行数据采集和标签（Kothe等，2023）。该平台包括Pytorch（Paszke等，2019），Tensorflow（Abadi等，2015）和Scikit-Learn（Pedregosa等，2011），以及特征提取工具，以及诸如Antropy（Vallat，2023），Numpy（Olippy（Olipean），AlipeN（Quirane），以及2006年，2006年，。 ）。 这种集成使用户可以更多地专注于他们的研究，而不是软件开发。 尽管将与其他软件解决方案进行详细比较，但在“现场状态”部分中，Pybci通过强调易用性和技术集成而与众不同。。 ）。这种集成使用户可以更多地专注于他们的研究，而不是软件开发。尽管将与其他软件解决方案进行详细比较，但在“现场状态”部分中，Pybci通过强调易用性和技术集成而与众不同。
通过领域适应提高基于脑电图的听觉注意点解码
摘要 目的。本文提出了一种新的领域适应 (DA) 框架，以提高基于脑电图 (EEG) 的听觉注意力分类的准确性，特别是对注意语音的方向（左或右）进行分类。该框架旨在提高最初分类准确度较低的受试者的表现，克服工具和人为因素带来的挑战。数据集大小有限、由于噪声、电极错位或受试者等因素导致的 EEG 数据质量变化以及跨不同试验、条件和受试者进行概括的需要，必须使用 DA 方法。通过利用 DA 方法，该框架可以从一个 EEG 数据集中学习并适应另一个，从而可能产生更可靠和更强大的分类模型。方法。本文重点研究一种基于并行传输的 DA 方法，用于解决听觉注意力分类问题。本研究中使用的 EEG 数据来自一项实验，其中受试者被指示选择性地注意同时呈现的两个空间分离的声音之一。主要结果。与基线相比，当将来自一个受试者的不良数据传输到来自不同受试者的良好数据域时，分类准确度显著提高。数据较差的受试者的平均分类准确度从 45.84% 提高到 67.92%。具体而言，来自一个受试者的最高分类准确度达到 83.33%，比基线准确度 43.33% 大幅提高。意义。我们的研究结果表明，通过实施 DA 方法可以提高分类性能。这使我们更接近在神经引导听力设备中利用 EEG。
注意力网：通过基于脑电图的测量系统监测学生的注意力类型
摘要 - 学生的关注是揭示其目标，意图和兴趣的必不可少的输入，这对于从心理学到互动系统的众多研究领域被证明是无价的。但是，大多数现有的对注意力进行分类的方法都无法对其复杂的性质进行建模。为了弥合这一差距，我们提出了一种新型的基于卷积神经网络的方法，该方法利用脑电图（EEG）数据将注意力分类为五个状态：选择性，持续，持续，分裂，交流和放松状态。我们通过标准的神经心理学任务收集了20个受试者的数据集，以引起不同的注意状态。我们提出的模型在此配置时的平均跨学生精度为92.3％（SD = 3.04），非常适合最终用户应用。我们基于转移学习的方法将模型个性化为个别受试者有效地解决了脑电图信号中个体可变性的问题，从而提高了对现实世界应用程序模型的性能和适应性。这代表了基于EEG的分类领域中的显着进步。实验结果表明，在受试者独立和受试者依赖性设置中，注意力集优于流行的EEGNET基线（P值<0.05），尽管我们数据集局限性，但确认了我们提出的方法的有效性。这些结果强调了使用EEG数据注意注意力集对注意力的有希望的潜力。索引术语 - eeg，注意，情感计算，认知参与评估
原创研究 AGL-Net：基于脑电图的驾驶员疲劳检测高效神经网络
背景：近年来，由于全球道路上车辆的激增，道路交通安全已成为一个突出问题。驾驶员疲劳检测的挑战在于平衡检测过程的效率和准确性。虽然有各种检测方法，但脑电图 (EEG) 被认为是黄金标准，因为它在检测疲劳方面具有很高的精度。然而，基于 EEG 疲劳检测的深度学习模型受到其大量参数和低计算效率水平的限制，因此难以在移动设备上实现它们。方法：为了克服这一挑战，本文提出了一种基于注意力的 Ghost-LSTM 神经网络 (AGL-Net) 用于基于 EEG 的疲劳检测。AGL-Net 利用注意力机制关注相关特征，并结合 Ghost 瓶颈来有效提取空间 EEG 疲劳信息。使用长短期记忆 (LSTM) 网络提取时间 EEG 疲劳特征。我们建立了两种类型的模型：回归模型和分类模型。在回归模型中，我们使用线性回归来获得回归值。在分类模型中，我们根据从回归获得的预测值对特征进行分类。结果：AGL-Net 比现有的深度学习模型表现出更高的计算效率和更轻量级的设计，其每秒浮点运算数 (FLOPs) 和 Params 值分别为 2.67 M 和 103,530 证明了这一点。此外，AGL-Net 使用上海交通大学 (SJTU) 情绪脑电图数据集 (SEED)-VIG 疲劳驾驶数据集实现了约 87.3% 的平均准确率和约 0.0864 的平均均方根误差 (RMSE)，表明其具有先进的性能。结论：使用 SEED-VIG 数据集进行的实验证明了所提出的疲劳检测方法的可行性和先进性能。通过彻底的消融实验验证了每个 AGL-Net 模块的有效性。此外，Ghost 瓶颈模块的实现大大提高了模型的计算效率。总体而言，该方法比现有的疲劳检测方法具有更高的精度和计算效率，具有相当的实际应用价值。
基于脑机接口的工作记忆训练与评定
工作记忆 (WM) 是在推理、理解和学习等复杂任务中临时存储和处理信息所必需的认知系统（Baddeley，1992、2010）。研究表明，通过有目的的指导和有针对性的认知训练，工作记忆训练 (WMT) 可以提高工作记忆能力（Shipstead 等，2012；Melby-Lervåg 和 Hulme，2013；Finc 等，2020）。如何进行有效的工作记忆训练和评估是一个重要的研究课题。随着科技的发展，脑机接口 (BCI) 与虚拟现实 (VR) 技术的结合，即 BCI-VR，是一种新兴技术，在有效的工作记忆训练方面具有巨大潜力。 BCI-VR系统将VR的沉浸式感官反馈与大脑活动的实时脑电图（EEG）信号相结合，与传统方法相比，使认知训练更具吸引力和效率（Elbamby等人，2018年；Wen等人，2021年）。近年来，BCI-VR已广泛应用于康复医学领域，针对多种疾病，包括自闭症（Amaral等人，2017年）、中风（Lechner等人，2014年；Vourvopoulos和Bermúdez I Badia，2016年）、注意力缺陷多动障碍（ADHD）（Rohani和Puthusserypady，2015年）、帕金森病（Morales-Gomez等人，2018年）。然而，BCI-VR 在 WM 训练和评估中的神经影像学研究仍处于早期阶段，需要做更多的工作才能最终有效地提高 WM 能力。在这篇评论文章中，我们将分析当前 WM 训练和 WM 评估的 EEG 信号分析方法的相关文献，说明 BCI-VR 的价值及其在 WMT 中的应用，并讨论当前的挑战以及潜在的未来方向。希望这些分析能为 WMT 领域带来启示。
通过长短期记忆循环深度神经网络提高基于脑电图的情绪识别的准确性
人们已经采用了多种方法来辨别人类的情绪，包括分析语音模式和语调（ Moriyama 和 Ozawa，2003；Zeng 等人，2009）。然而，值得注意的是，这种身体状态很容易被操纵或模仿（ Schuller 和 Schuller，2021）。面部表情及其变化通常用于情绪识别；然而，这些表情可以被个人有意修改，这对准确辨别他们的真实情绪提出了挑战（ Aryanmehr 等人，2018； Dzedzickis 等人，2020； Harouni 等人，2022）。 EEG（脑电图）是一种通过测量大脑内集体神经活动产生的电压变化来监测大脑活动的技术（San-Segundo 等人，2019 年；Dehghani 等人，2020 年、2022 年、2023 年；Sadjadi 等人，2021 年；Mosayebi 等人，2022 年）。脑电图是大脑活动和功能的反映，具有多种应用，包括但不限于情绪识别（Dehghani 等人，2011a、b、2013；Ebrahimzadeh 和 Alavi，2013；Nikravan 等人，2016；Soroush 等人，2017、2018a、b、2019a、b、2020；Bagherzadeh 等人，2018；Alom 等人，2019；Ebrahimzadeh 等人，2019a、b、c、2021、2022、2023；Bagheri 和 Power，2020；Karimi 等人，2022；Rehman 等人，2022；Yousefi 等人，2022， 2023 年）。
功能性电刺激与机械手套联合用于脑卒中后患者手部康复的疗效评价
摘要背景：中风患者的主要症状是上肢偏瘫和手部功能丧失。联合使用功能性电刺激和机械手套可以克服单独应用的局限性。目的/目标：评估机械手套和功能性电刺激对改善中风后患者手部功能的综合效果及其对生活质量的影响。方法：从 PUBMED、Google Scholar 和 Cochrane 等在线资源中搜索了 2011 年至 2022 年期间发表的不同文章。本综述包括实验研究、临床试验、初步调查、试点研究、随机对照试验。还对所有已确定文章的参考文献列表进行了二次搜索。然后对每项研究进行独立审查。结果：共搜索了 30 篇文章。在 30 项研究中，筛选出了 10 项，其中 4 项研究因方法学缺陷被排除在外。其余 6 项支持性研究报告称，功能性电刺激和机器人手套的结合作用比单独使用常规疗法更有利于改善手部功能。结论：因此，可以得出结论，功能性电刺激和机器人手套比常规疗法更有效地改善中风后患者的特定任务，例如完全伸展、抓握、释放、举重任务、饮水等。关键词：功能性电刺激、手部康复、机器人手套、中风。引言根据世界卫生组织的定义，中风是一种临床综合征，包括迅速发展的局部脑功能紊乱临床症状，持续时间超过 24 小时或导致死亡，除血管起源外没有明显原因。（1）根据 1990 年的全球疾病负担 (GBD) 研究，中风是全球第二大死亡原因。（2）中风幸存者表现出身体功能障碍，例如神经肌肉骨骼和运动相关功能的显着偏差或丧失
基于脑电图的运动想象分类的动态域自适应深度学习网络
摘要：脑电信号相邻通道之间存在相关性，如何表示这种相关性是目前正在探索的问题。另外，由于脑电信号的个体间差异，这种差异导致新受试者需要花费大量的校准时间进行基于脑电的运动想象脑机接口。为了解决上述问题，我们提出了一种基于动态域自适应的深度学习网络。首先，将脑电数据映射到三维几何空间，通过3D卷积模块学习其时空特征，然后利用空间通道注意机制加强特征，最后的卷积模块可以进一步学习特征的时空信息。最后，为了考虑受试者间和跨会话的差异，我们采用了动态领域自适应策略，通过引入最大均值差异损失函数来减少特征之间的距离，并利用部分目标域数据对分类层进行微调。我们在BCI竞赛IV 2a和OpenBMI数据集上验证了所提方法的性能。在受试者内实验下，在OpenBMI和BCIC IV 2a数据集上获得了70.42±12.44和73.91±11.28的准确率。
tumordetnet：一种用于脑肿瘤检测和分类的统一深度学习模型
在较早阶段对脑肿瘤类型的准确诊断对于治疗过程至关重要，并有助于挽救全球大量人的生命。因为他们是无创和备用的患者，因此经常使用磁共振成像（MRI）扫描来识别肿瘤。肿瘤的手动识别很困难，由于大量的三二次图像，需要大量时间，这是一个患者大脑从各个角度产生的MRI扫描。进一步，脑肿瘤的位置，大小和形状的变化也使检测和对不同类型的肿瘤进行分类的挑战。因此，已经提出了计算机辅助诊断系统（CAD）系统以检测脑肿瘤。在本文中，我们提出了一种新型的统一端到端深度学习模型，称为肿瘤肿瘤检测和分类。我们的Tumordetnet框架采用了48个带有漏水（LRELU）和RELU激活功能的卷积层来计算最独特的深度特征图。此外，平均合并和辍学层也用于学习区分模式并减少过度拟合。最后，使用一个完全连接的和软层层来检测并将脑肿瘤分为多种类型。我们在六个标准的kaggle脑肿瘤MRI数据集上评估了我们方法的表现，以将脑肿瘤检测和分类为（恶性和良性），以及（神经胶质瘤，垂体和脑膜瘤）。我们的模型成功地鉴定出了99.83％的明显精度，分类的良性和恶性脑肿瘤，理想的精度为100％，而脑膜化，垂体和胶质瘤肿瘤的精度为99.27％。这些结果揭示了对可靠鉴定和分类脑肿瘤的建议方法的效力。