XiaoMi-AI文件搜索系统
World File Search System发作
使用视网膜图像的心脏病发作风险预测
评估心血管风险。高级图像处理和机器学习：系统采用最先进的图像处理技术和机器学习算法来从视网膜图像中提取相关特征。与心血管健康指标的相关性：通过建立视网膜血管变化与心血管健康之间的相关性，该系统提供了更全面的风险评估。早期检测潜力：拟议的系统有可能在早期阶段识别出心血管风险的细微指标，从而及时干预。具有成本效益且易于使用的：视网膜成像为
使用机器学习方法预测全身性癫痫发作
摘要 — 近年来，癫痫发作的脑电图 (EEG) 信号识别已发展成为确定癫痫的常规程序。由于由专业神经科医生对癫痫发作进行物理识别是一项劳动密集型、耗时的过程，而且还会产生一些错误。因此，需要高效、计算机化的癫痫发作检测。导致癫痫发作的脑功能紊乱会对患者的病情产生影响。如果在癫痫发作前就能预测到，那么药物可以非常成功地预防癫痫发作。脑电图 (EEG) 信号被用于使用机器学习算法和复杂的计算方法来预测癫痫发作。此外，影响预期时间和真正阳性预测率的两个重大挑战是从 EEG 信号中提取特征和从 EEG 信号中去除噪声。因此，我们提出了一个提供可靠预处理和特征提取技术的模型。为了自动识别癫痫发作，我们使用了多种基于集成学习的分类器从脑电图信号中提取基于频率的特征。我们的算法提供了更高的真实阳性率，并在癫痫发作之前就对其进行了足够的预见性诊断。在 24 名受试者的头皮脑电图 CHB-MIT 数据集上，该建议的框架检测到了发作前状态的开始，即拘留开始前几分钟的状态，导致真实阳性率 (91%) 高于传统方法，最佳估计时间为 33 分钟，平均预测时间为 23 分 36 秒。根据实验结果，本研究的最大准确率、灵敏度和特异性率分别为 91%、98% 和 84%。
使用机器检测脑电图中的癫痫发作
摘要 本研究使用健康受试者和癫痫患者的脑电信号记录公共数据集构建了三个时间复杂度较低的简单分类器，分别是决策树、随机森林和 AdaBoost 算法。首先对数据进行预处理，提取代表大脑活动的短波电信号。然后将这些信号用于选定的模型。实验结果表明，随机森林在检测脑电信号中是否存在癫痫发作方面准确率最高，为 97.23%，其次是决策树，准确率为 96.93%。表现最差的算法是 AdaBoost 评分准确率，为 87.23%。此外，决策树的 AUC 得分为 99%，随机森林为 99.9%，AdaBoost 为 95.6%。这些结果与时间复杂度更高的最先进的分类器相当。
狗慢性硬膜下血肿急性发作
一只十个月大的雄性约克夏犬在遭受脑外伤四个月后接受了 CT 检查。头部 CT 扫描显示脑室扩张，右顶骨附近有新月形外周血肿，并有矿化区域。血肿的内脏层在原生扫描中呈高衰减，静脉注射碘化造影剂后显示中度对比增强。颅骨未发现骨折。这些发现与急性慢性钙化性硬膜下血肿相符，这种血肿在人类中已有更详细的描述。这是第一份报告，其中描述了使用计算机断层扫描对狗进行这种疾病的成像结果。关键词：犬、头部创伤、脑外伤、计算机断层扫描
癫痫发作行动计划 (SAP) - 哥伦比亚特区健康
癫痫发作时意识丧失超过 5 分钟，即使有救援药物也无反应 癫痫反复发作超过 10 分钟，发作间期无恢复，即使有救援药物也无反应 癫痫发作后呼吸困难
DNA甲基化发作性gabriele-de vries综合征
hal是一个多学科的开放访问档案，用于存款和传播科学研究文件，无论它们是否已发表。这些文件可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。
年轻发作2型视网膜病变率高...
抽象引言患有2型糖尿病的年轻人（YOD），定义为40岁之前的糖尿病诊断，具有血管并发症的终身风险很高。我们旨在估计挪威一般实践中2型糖尿病（T2D）成年人中YOD的流行，并探索糖尿病诊断与整体糖尿病诊断年龄之间的关联。研究设计和方法，我们从2014年的10241名成年人的通用电子医疗记录中收集了横截面数据，并重复测量了2012年至2014年的血红蛋白A 1C（HBA 1C）。使用多元逻辑回归，我们评估了YOD与后来发作的T2D，性别和视网膜病之间的关联。所有T2D患者的结果，在两个男女40岁之前被诊断出10％。与后期发作的T2D相比，YOD的HBA 1C速度更快，在诊断时，HBA 1C的HBA 1C在男性中，尤其是在YOD中。视网膜病在25％的YOD中发现，频率是后来的两倍。 在对混杂因素（年龄，原产国，教育，体重指数）或视网膜病变的调整后，YOD的男性（OR 2.6（95％CI 2.0至3.5））和YOD的妇女（OR 2.2（1.5至3.0））增加了。 在对潜在介体（糖尿病持续时间和HBA 1C）进行进一步调整之后，YOD的男性（或1.8（1.3至2.4））较高或持久，但对YOD女性不再具有重要意义。 结论视网膜病变的患病率是YOD的两倍以上，是以后发作的T2D。视网膜病在25％的YOD中发现，频率是后来的两倍。在对混杂因素（年龄，原产国，教育，体重指数）或视网膜病变的调整后，YOD的男性（OR 2.6（95％CI 2.0至3.5））和YOD的妇女（OR 2.2（1.5至3.0））增加了。在对潜在介体（糖尿病持续时间和HBA 1C）进行进一步调整之后，YOD的男性（或1.8（1.3至2.4））较高或持久，但对YOD女性不再具有重要意义。结论视网膜病变的患病率是YOD的两倍以上，是以后发作的T2D。YOD中视网膜病变的可能性增加是由HBA 1C较高和T2D持续时间较长的部分介导的，但是在考虑到这些因素的情况下，YOD的男性仍然更高。
早期发作2型糖尿病：定性洞察力研究的发现
•很少有人报告预警信号，并且在诊断前患有非糖尿病高血糖 /糖尿病。•诊断时提供的护理和建议会影响个人的管理能力以及他们是否孤独或支持。•许多人描述了自己在年轻时被诊断出的内gui和否认。•有些人并不惊讶，由于家族史，有些人预计会患上2型糖尿病。•但是，其他人描述了警报，震惊和缺乏接受。•大多数报道的关于缓解前景的讨论很少。•人们说他们的联系较少，并与临床团队进行跟进
基于常见空间模式和机器学习技术的癫痫发作预测新方法
癫痫是最常见的神经系统疾病之一，其特征是由大脑电功能短暂紊乱引起的反复发作。在30%的病例中，这种疾病无法通过药物或切除成功治疗，直接影响患者的生活质量。因此，人们对开发可靠的工具来预测癫痫发作、帮助做出决策、或至少在癫痫发作时提醒患者做好准备有着浓厚的兴趣。所提出的癫痫发作预测方法基于头皮脑电图 (EEG) 的时频分析和使用空间滤波技术提取能够区分发作间期和发作前活动的特征。通过离散小波变换分解获得的脑电图的 theta、alpha 和 beta 节律系数受到常见空间模式滤波技术的影响。提取统计和熵相关属性，然后选择特征并将其应用于具有高斯核的 SVM 分类器，以区分大脑状态为发作前或非发作前。对来自波士顿儿童医院和麻省理工学院 (CHB-MIT) 数据库的 17 名难治性癫痫患者的多通道表面记录进行了评估。在后处理步骤中还比较了卡尔曼滤波器和中值滤波器两种技术，以平滑分类器结果。每个 EEG 时期的最终决定都是在经过平衡过程后做出的。最佳结果显示样本分类的平均准确率为68.8%。警报生成器报告的误报率为每小时0.334。
使用机器学习算法预测癫痫发作的智能设备
摘要：超过 6500 万人患有癫痫。癫痫发作的不可预测性大大增加了受伤的风险，尤其是在行走或驾驶等日常活动中。该项目的目的是开发一种精确的预测设备，利用原始脑电图数据预测癫痫发作，提前提醒患者即将发作，以逃离危险情况。使用原始脑电图数据，通过应用快速傅里叶变换计算不同脑波的平均功率谱密度来提取特征。这些特征被用作机器学习算法的输入数据集。每个模型都使用各种指标（例如准确度、精确度、召回率和 F1 分数）用新的未见数据进行测试。性能最高的算法随机森林 (RF) 的预测准确率为 99.0%，精确度为 99.3%。计算了 RF 算法的通道重要性。此分析有助于将通道数量从特征重要性之前的 22 个减少到仅 7 个，而性能指标没有显著影响。使用 RF 算法，开发了一个嵌入式程序，运行在便携式低功耗硬件设备上，以预测癫痫发作的发生。该硬件包括运行开源软件的 BeagleBone Black 微控制器和蓝牙发射器-接收器，用于将预测传输到智能手机设备。通过将 EEG 通道数量减少到 7 个通道，该系统更适合未来的可穿戴设备。具有预测癫痫发作能力的硬件可以使许多患者免于驾驶或游泳等潜在危险情况。它可以通过消除不确定性和改善他们的生活质量来帮助许多患者的日常生活。