XiaoMi-AI文件搜索系统
World File Search System伪影
生理伪影及其对脑的影响......
摘要 — 通过脑机接口 (BMI) 和闭环深部脑刺激器 (DBS) 精确测量脑活动是脑与后续处理模块之间通信的最重要步骤之一。在 DBS 中经常使用的传统胸装系统中，传感接口中会产生大量伪影，通常是施加在外壳和传感电极之间的共模信号。由于接口的共模抑制比 (CMRR) 能力有限，因此衰减这种共模信号在这些系统中可能是一个严峻的挑战。正在开发的新兴 BMI 和 DBS 设备可以安装在头骨上。将系统安装在颅骨区域可以通过限制伪影幅度来抑制这些感应生理信号。在本研究中，我们使用躯干形体积导体中的电流源偶极子模型，通过关注心脏活动来模拟伪影的影响。使用不同的 DBS 架构执行有限元仿真，我们估计了几种设备架构的 ECG 共模伪影。使用该模型有助于定义整个系统 CMRR 的总体要求，以保持大脑活动的分辨率。模拟结果估计，颅骨安装系统的心脏伪影影响将明显低于包括胸部区域的非颅骨系统。预计对于胸部安装的设备，至少需要 60-80 dB CMRR 来抑制 ECG 伪影，而对于颅骨安装的设备，在最坏情况下 20 dB CMRR 就足够了。用于估计心脏伪影的方法可以扩展到其他来源，例如运动/肌肉源。设备对伪影的敏感性对于闭环 DBS 和 BMI 的实际转化具有重要意义，包括生物标志物的选择以及绝缘体和导线系统的设计要求。
使用模拟的肌电伪影
最近的研究表明，能够记录患有半晶状体切除术的脑外伤（TBI）患者的脑电图（EEG）中高γ信号（80-160 Hz）。然而，由于与面部和头部运动相关的表面肌电图（EMG）伪影的混淆带宽重叠，因此提取与运动相关的高γ仍然具有挑战性。在我们以前的工作中，我们描述了一种增强的独立组件分析（ICA）方法，用于从EEG中删除EMG伪像，并通过添加EMG来源（ERASE）称为EMG降低。在这里，我们对六名Hemicraniectomies患者记录的EEG测试了该算法，同时他们执行了拇指流失任务。删除的平均值为52±12％（平均±S.E.M）（最大73％）EMG伪影。相比之下，常规ICA从EEG中删除了EMG伪像的平均值为27±19％（平均值±S.E.M）。尤其是，在擦除擦除后，在半晶切除术中的对侧手运动皮层区域中，高γ同步显着改善。更复杂的高γ复杂性是分形维度（FD）。在这里，我们在每个通道上计算了EEG高γ的FD。高γ的相对FD定义为移动状态下的FD在空闲状态下减去FD。我们发现，施加擦除后，高γ的相对FD与半骨切除术相对于半晶状分裂术，与纤维流量的振幅密切相关。的结果表明，与拇指流量相关的电极上的显着相关系数平均为〜0.76，而非流行性辐射切除术区域的同源电极的系数接近0。在常规ICA之后，在两个半开裂区域（最高0.86）和非流行颅切除术区域（最高0.81）中，高γ和力之间的相对FD之间的相关性均保持较高。在所有受试者中，使用擦除后，平均83％的电极与力显着相关。常规ICA后，只有19％的具有显着相关性的电极位于半晶切除术中。
基于节能树的脑电图伪影检测
摘要 — 在癫痫监测中，由于脑电图伪影在幅度和频率上具有形态相似性，因此经常被误认为是癫痫发作，这使得癫痫发作检测系统容易受到更高的误报率的影响。在这项工作中，我们介绍了一种基于并行超低功耗 (PULP) 嵌入式平台上最少数量的脑电图通道的伪影检测算法的实现。分析基于 TUH 脑电图伪影语料库数据集，并重点关注颞电极。首先，我们使用自动机器学习框架在频域中提取最佳特征模型，在 4 个颞脑电图通道设置下实现了 93.95% 的准确率和 0.838 F1 得分。所实现的准确率水平比最先进的水平高出近 20%。然后，这些算法针对 PULP 平台进行并行化和优化，与最先进的低功耗伪影检测框架实现相比，能效提高了 5.21 倍。将此模型与低功耗癫痫发作检测算法相结合，可以在可穿戴外形尺寸和功率预算下使用 300 mAh 电池进行 300 小时的连续监测。这些结果为实现经济实惠、可穿戴、长期癫痫监测解决方案铺平了道路，该解决方案具有低假阳性率和高灵敏度，可满足患者和护理人员的要求。临床意义——所提出的 EEG 伪影检测框架可用于可穿戴 EEG 记录设备，结合基于 EEG 的癫痫发作检测算法，以提高癫痫发作检测场景的稳健性。索引词——医疗保健、时间序列分类、智能边缘计算、机器学习、深度学习
增强 AI 对图像编码伪影的适应性
摘要 — 在机器对机器 (M2M) 传输环境中，非常需要使用有损压缩来减少传输的信息量。然而，常用的图像压缩方法是为人类感知而设计的，而不是为人工智能 (AI) 算法的性能而设计的。众所周知，这些压缩失真会影响许多基于深度学习的架构在多个计算机视觉任务上的表现。在本文中，我们专注于分类任务，并提出了一种名为专家训练的新方法，以增强卷积神经网络 (CNN) 对压缩失真的弹性。我们在 ImageNet 数据集上使用 MnasNet 和 ResNet50 架构验证了我们的方法，以抵抗三种常用方法 (JPEG、J2K 和 BPG) 引入的图像压缩失真。结果表明，使用所提出的专家训练方法，这两种架构对测试的编码伪影具有更好的鲁棒性。我们的代码可在 https://github.com/albmarie/expert training 上公开获取。索引术语 — 人工智能 (AI)、图像编码、机器对机器 (M2M)
消除运动引起的脑电图伪影
摘要 目的：脑电图 (EEG) 是一种非侵入性技术，使用放置在头皮上的电极记录皮质神经元的电活动。它已成为一种有前途的研究途径，超越了在静态条件下进行的最先进的 EEG 研究。EEG 信号总是受到伪影和其他生理信号的污染。伪影污染会随着运动强度的增加而增加。方法：在过去十年中（自 2010 年以来），研究人员已开始在动态设置中实施 EEG 测量，以提高研究的整体生态效度。许多不同的方法可用于从 EEG 信号中去除非大脑活动，并且没有明确的指导方针说明在动态设置中和针对特定运动强度应使用哪种方法。主要结果：目前，在运动研究中去除伪影的最常用方法是基于独立成分分析的方法。然而，伪影去除方法的选择取决于运动的类型和强度，这会影响伪影的特征和感兴趣的 EEG 参数。在非静态条件下处理 EEG 时，必须在实验设计阶段就特别小心。必须结合软件和硬件解决方案才能充分消除 EEG 测量中的无用信号。意义：我们根据运动强度提供了使用每种方法的建议，并强调了这些方法的优点和缺点。然而，由于目前文献中存在差距，需要进一步开发和评估运动过程中 EEG 数据中伪影的去除方法。
针对 BCI 应用的 EEG 伪影消除策略
摘要：本文旨在全面研究脑机接口及其产生的更多科学发现。本综述的最终目标是对 BCI 系统进行广泛的研究，同时关注最近在 BCI 中使用的伪影去除技术或方法以及 BCI 的重要方面。在预处理中，伪影去除方法至关重要。此外，本综述强调了与 BCI 进步相关的适用性、实际挑战和成果。这有可能加速该领域的未来进步。这项关键评估考察了 BCI 技术的现状以及最近的进展。它还确定了各种 BCI 技术应用领域。这项详细的研究表明，虽然正在取得进展，但用户进步仍面临重大挑战。对 BCI 中的 EEG 伪影去除方法进行了比较，并讨论了它们在现实世界的 EEG-BCI 应用中的实用性。还根据综述结果和现有的伪影去除方法提出了该领域未来研究的一些方向和建议。
基于学习的运动伪影在fnirs中的处理
本文对功能性近红外光谱（FNIRS）中基于学习的运动伪影（MA）处理方法进行了简要审查，强调了在受试者运动期间保持最佳接触的挑战，这可能导致MA并损害数据完整性。传统策略通常会导致血液动力学反应和统计能力的可靠性降低。认识到着重于基于学习的MA的研究有限的研究，我们研究了315项研究，确定了与我们的重点领域相关的七个研究。我们讨论了基于学习的MA校正方法的当前格局，并突出了研究差距。注意到缺乏用于MA校正质量评估的标准评估指标，我们建议一个新颖的框架，整合信号和模型质量考虑因素，并采用1个信噪比（1 SNR），混淆矩阵和平均平方误差等指标。这项工作旨在促进基于学习的方法在FNIRS上的应用，并提高神经血管研究的准确性和可靠性。
伪影可能会造成欺骗：深部脑刺激电极的实际位置与磁共振图像上看到的伪影不同
摘要 简介：深部脑刺激 (DBS) 是治疗各种神经和精神疾病的常用方法。最近的研究强调了神经影像学在定位电极触点相对于目标脑区的位置以优化 DBS 编程方面的作用。在不同的成像方法中，术后磁共振成像 (MRI) 已广泛用于 DBS 电极定位；然而，导线引起的几何失真限制了其准确性。在这项工作中，我们调查了导线尖端的实际位置与从 MRI 伪影估计的尖端位置之间的差异在多大程度上取决于 MRI 序列参数（例如采集平面和相位编码方向）以及导线的颅外配置。据此，设计并讨论了一种提高导线定位准确性的成像技术。方法：我们设计并构建了一个拟人化幻影
