XiaoMi-AI文件搜索系统
World File Search System伪影
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
MAUDGAN：具有不同脑肿瘤的多中心 MRI 数据的运动伪影无监督解缠生成对抗网络
摘要。目的：本研究提出了一种新颖的回顾性运动减少方法，即运动伪影 11 无监督解缠生成对抗网络 (MAUDGAN)，该方法可减少来自肿瘤和转移性脑图像的运动伪影。MAUDGAN 使用多模态多中心 3D T1- 13 Gd 和 T2 流体衰减反转恢复 MRI 图像进行训练。方法：在 k 空间中为 3D T1-Gd MRI 图像模拟具有不同伪影 14 级别的运动伪影。MAUDGAN 由使用残差块构建的两个生成器、两个鉴别器和两个特征提取器网络组成。生成器将图像从内容空间映射到伪影空间，反之亦然。另一方面，鉴别器试图 17 区分内容代码以学习无运动和运动损坏的内容空间。结果：我们将 MAUDGAN 与 CycleGAN 和 Pix2pix-GAN 进行了比较。从定性上讲，MAUDGAN 可以消除软组织对比度最高的运动，而不会增加空间和频率失真。从定量上讲，我们报告了六个指标，包括归一化均方误差 (NMSE)、结构相似性指数 (SSIM)、多尺度结构相似性指数 (MS-SSIM)、峰值信噪比 (PSNR)、视觉信息保真度 (VIF) 和多尺度梯度幅度相似性偏差 (MS-GMSD)。MAUDGAN 获得了最低的 NMSE 和 MS-GMSD。平均而言，所提出的 MAUDGAN 重建的无运动图像具有最高的 SSIM、PSNR 和 VIF 值以及可比的 MS-SSIM 值。结论：MAUDGAN 可以在多模态框架下从 3D T1-Gd 数据集中分离出运动伪影。运动减少将改善自动和手动 26 后处理算法，包括自动分割、配准和引导治疗（例如 27 放射治疗和手术）的轮廓勾画。28
使用深度学习去除脑电图中的眼部伪影
摘要 —EEG 信号是复杂的低频信号。因此，它们很容易受到外界因素的影响。EEG 伪影去除在神经科学中至关重要，因为伪影会对 EEG 分析结果产生重大影响。在这些伪影中，眼部伪影的去除最具挑战性。在本研究中，通过开发基于双向长短期记忆 (BiLSTM) 的深度学习 (DL) 模型，提出了一种新颖的眼部伪影去除方法。我们通过结合 EEGdenoiseNet 和 DEAP 数据集创建了一个基准数据集来训练和测试所提出的 DL 模型。我们还通过在不同 SNR 水平下用 EOG 污染地面真实干净的 EEG 信号来增强数据。然后使用通过小波同步压缩变换 (WSST) 获得的高度局部化时频 (TF) 系数将 BiLSTM 网络馈送到从增强信号中提取的特征。我们还将基于 WSST 的 DL 模型结果与传统 TF 分析 (TFA) 方法，即短时傅里叶变换 (STFT) 和连续小波变换 (CWT) 以及增强原始信号进行了比较。首次提出的基于 BiLSTM 的 WSST-Net 模型获得了 0.3066 的最佳平均 MSE 值。我们的结果表明，与传统 TF 和原始信号方法相比，WSST-Net 模型显著提高了伪影去除性能。此外，所提出的 EOG 去除方法表明，它优于文献中许多传统和基于 DL 的眼部伪影去除方法。索引词 —EEG、眼部伪影、深度学习、LSTM、BiLSTM、WSST、STFT、CWT。
植入式传感器的神经刺激伪影去除可提高信号清晰度和运动意志解码
随着对具有可靠和多功能控制的假肢的需求不断增长，肌电模式识别和植入传感器方面的最新进展已被证明具有相当大的优势。此外，可以通过刺激残留神经实现假肢的感觉反馈，从而实现对假肢的闭环控制。然而，这种刺激会导致肌电图 (EMG) 信号中出现干扰伪影，从而降低假肢的可靠性和功能。在这里，我们实现了两种实时刺激伪影去除算法，即模板减法 (TS) 和 ε - 正则化最小均方 (ε -NLMS)，并研究了它们在植入神经袖和 EMG 电极的两名肱骨截肢者中离线和实时肌电模式识别的性能。我们表明，这两种算法都能够显著提高伪影破坏的 EMG 信号的信噪比 (SNR) 和离线模式识别准确性。此外，这两种算法都改善了主动神经刺激期间运动意图的实时解码。尽管这些结果取决于用户特定的传感器位置和神经刺激设置，但它们仍然代表了朝着能够进行多功能控制和同时感觉反馈的双向神经肌肉骨骼假肢迈出的进步。
硬膜下皮质电刺激中的伪影传播
通过脑皮层电图 (ECoG) 进行皮层刺激可能是在双向脑机接口 (BD-BCI) 中诱导人工感觉的有效方法。然而，电刺激引起的强电伪影可能会显著降低或掩盖神经信息。详细了解刺激伪影通过相关组织的传播可能会改进现有的伪影抑制技术或启发开发新的伪影缓解策略。因此，我们的工作旨在全面描述和模拟硬膜下 ECoG 刺激中伪影的传播。为此，我们收集并分析了四名患有癫痫并植入硬膜下 ECoG 电极的受试者的雄辩皮层映射程序数据。从这些数据中，我们观察到伪影在所有受试者的时间域中都表现出锁相和棘轮特性。在频域中，刺激导致宽带功率增加，以及基频刺激频率及其超谐波的功率爆发。伪影的空间分布遵循电偶极子的电位分布，在所有受试者和刺激通道中，拟合优度中值为 R 2 = 0.80。高达 ± 1,100 µ V 的伪影出现在距离刺激通道 4.43 至 38.34 毫米的任何地方。这些时间、光谱和空间特性可用于改进现有的伪影抑制技术，启发新的伪影缓解策略，并有助于开发新的皮质刺激方案。总之，这些发现加深了我们对皮质电刺激的理解，并为未来的 BD-BCI 系统提供了关键的设计规范。
使用双层脑电图来表征和消除乒乓球运动中的伪影
摘要：研究人员可以通过研究在现实环境中运动的人类来提高大脑研究的生态效度。最近的研究表明，双层脑电图可以提高步态过程中脑电皮层记录的保真度，但目前尚不清楚这些积极结果是否可以推广到非运动范式。在我们的研究中，我们在参与者打乒乓球时用双层脑电图记录大脑活动，乒乓球是一项全身反应性运动，可以帮助研究视觉运动反馈、物体拦截和表现监控。我们用时频分析和相关头皮和参考噪声数据来表征伪影，以确定不同传感器捕获伪影的效果。正如预期的那样，单个头皮通道与噪声匹配通道时间序列的相关性高于与头部和身体加速度的相关性。然后，我们比较了使用和不使用双层噪声电极的伪影去除方法。独立成分分析将通道分成多个成分，我们根据偶极子模型的拟合并使用自动标记算法来计算高质量大脑成分的数量。我们发现使用噪声电极进行数据处理可以提供更清晰的大脑成分。这些结果推动了记录需要全身运动的人类行为中高保真大脑动态的技术方法，这将对脑科学研究大有裨益。
丘脑底核神经元局部场诱发电位中深部脑刺激伪影的噪声消除
本研究介绍了一种噪声消除技术，用于 MER 机器通过丘脑底核深部脑刺激/或刺激器 (STN-DBS) 在局部场电位 (LFP) 中进行电刺激获取的丘脑底核 (STN) 神经元微电极信号。我们提出了一种新方法，用于消除由不同于典型 LFP (低频电位) 信号的脉冲发生器触发的诱导刺激伪影。该方法经过处理和准确性测试，并计算用于体外状态的执行。结果表明，该方法可以很好地抑制刺激伪影。并且还在帕金森病 (PD) 受试者 (患者) 的体内状态下进行了测试。它用于处理从 PD 手术中收集的 LFP 信号，以初步探索 STN、DBS 参数 (刺激强度、刺激电压、频率和幅度脉冲宽度) 内 beta 波段同步变化的定量依赖性。研究结果表明，DBS 过程可以克服过度的β频率（30Hz）活动，并且随着 DBS 电流在 1-3V 范围内增加，刺激频率在 60-120Hz 范围内增加，减少程度也随之增加。该方法为探索诱导电刺激对帕金森脑活动的即时效果提供了科学研究和技术支持，并可作为未来技术的研究工具。
基于学习的基于学习的运动伪影在功能近红外光谱中的去除
尽管多年来FNIRS技术得到了改进，但FNIRS数据集的处理仍然是一项艰巨的任务。尤其是，由于Optodes和Scalp之间的耦合变化而导致的运动伪影识别并纠正并纠正了很难且耗时。此类伪影表示为时间序列信号中的峰值或偏移。由于峰或移位的幅度通常比血液动力学反应功能（HRF）高得多，因此FNIRS信号被显着污染，并且不会反映皮质激活。当头部和四肢的运动在实验方案中不可避免甚至需要时，这种现象就会更明显，例如语音，17个步行，18和手术任务。11，12最近，由于可穿戴或无线FNIRS设备（19，20）的升高，该问题加剧了这些设备的移动范围，用于跑步或团队工作，这些设备更容易受到运动文物的影响。因此，消除运动伪影的有效方法对于在这些情况下利用FNIR是必不可少的。多年来开发的一些策略包括在数据处理过程中保留任何具有运动伪像的试验。仅当收集大型数据集并且不是当前的主要实践时才使用。另一种策略是通过视觉检查识别具有运动伪影的试验/通道，或在普遍的FNIRS数据处理工具箱Homer2中使用诸如HMRMotionArtifact功能之类的功能，然后从进一步分析中丢弃它们。为例，参考。35最近的研究36不过，最合适的方法是使用高级时间序列数据处理方法处理这些试验/通道。这些包括样条插值，21小波滤波，22个主成分分析（PCA），23 Kalman滤波，24和基于相关的信号改进（CBSI）。25这些方法的性能在很大程度上取决于一组假设，以描述运动伪影和参数相关调整的主观选择（表1）。29证明，选择PCA参数，即PCA删除27为0.80和0.97的数据中的方差百分比产生了显着不同的结果。因此，高度可取的方法，不需要对参数的主观微调或不依赖严格的假设的方法。在这里，我们提出了一种自动学习噪声特征的深度学习方法。在过去十年中，深度神经网络已成为一种强大的工具，可以快速有效地抑制图像数据集中的噪声。深度学习模型已被证明可以增强竞争性降解结果，同时与召开方法相比，保留了更多纹理细节。30 - 33深度学习网络在应用于医学成像问题时也表现出卓越的性能。例如，denoising自动编码器（DAE）模型可以Denoise乳房X线照片[结构相似性指数量度（SSIM）从0.45到0.73]和Dental X射线数据（SSIM从0.62到0.86）。34 A DAE模型的峰值信噪比（PSNR）和SSIM高10％，而SSIM比胸部辐射图中的常规算法高。
使用带有元启发式优化非局部均值滤波器的小波变换自动识别和去除单通道脑电图中的肌肉伪影
摘要：脑电图 (EEG) 信号很容易受到肌肉伪影的污染，这可能导致脑机接口 (BCI) 系统以及各种医疗诊断的错误解读。本文的主要目标是在不扭曲 EEG 所含信息的情况下去除肌肉伪影。首次提出了一种新的多阶段 EEG 去噪方法，其中小波包分解 (WPD) 与改进的非局部均值 (NLM) 算法相结合。首先，通过预训练的分类器识别伪影 EEG 信号。接下来，将识别出的 EEG 信号分解为小波系数，并通过改进的 NLM 滤波器进行校正。最后，通过逆 WPD 从校正后的小波系数重建无伪影的 EEG。为了优化滤波器参数，本文首次使用了两种元启发式算法。所提出的系统首先在模拟脑电图数据上进行验证，然后在真实脑电图数据上进行测试。所提出的方法在真实脑电图数据上实现了 2.9684 ± 0.7045 的平均互信息 (MI)。结果表明，所提出的系统优于最近开发的具有更高平均 MI 的去噪技术，这表明所提出的方法在重建质量方面更佳并且是全自动的。
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。