XiaoMi-AI文件搜索系统
World File Search System受试者
将深度学习模型从健康的受试者转移到运动成像脑部计算机界面中的中风患者
摘要。目标：基于脑电图（EEG）的运动图像（MI）脑部计算机界面（BCI）主要是用于中风康复的，但是由于中风数据有限，当前的跨学科分类深度学习方法依赖于健康数据。本研究旨在评估使用健康个体数据进行预训练的MI-BCI模型的可行性，以检测中风患者的MI。方法：我们引入了一种新的转移学习方法，其中使用健康个体的两类MI数据的特征来检测中风患者的MI。我们将所提出方法的结果与中风数据中的分析获得的结果进行了比较。实验是使用深度转弯和特定于主题的机器学习MI分类器进行的，对来自健康受试者的OpenBMI两级MI-EEG数据进行了评估，并从健康受试者和两级MI和中风患者的REST数据进行了评估。主要结果：我们的研究结果表明，通过使用健康受试者数据进行预训练的模型，平均MI检测准确性为71.15％（46％）可以在71名中风患者中实现。我们证明，在转移学习后，预训练模型的准确性增加了18.15％（P p。0.001）。此外，拟议的转移学习方法的表现优于Deep Convnet和FBCSP所取得的特定主题结果，其绩效的显着增强分别为7.64％（P p。0.001）和5.55％（P p pst）。意义：转移值得注意的是，健康到中风的转移学习方法的表现与中风转移学习相似，没有显着差异（pą0.05）。使用转移模型确定的通道相关模式来解释的AI分析，这些模式表明了皮质的双侧运动，额叶和顶端区域对中风患者的MI检测的贡献。
阿尔茨海默氏病的纵向轨迹CSF生物标志物和认知健康受试者的血压
注意：使用Kruskal-Wallis ANOVA比较连续变量的组（ANOVA对年龄进行除外）。数据表示为平均值±标准偏差，除非另有说明。对于CSF生物标志物，我们使用ANCOVA调整年龄，并将数据作为平均值±标准误差。 T-TAU和P-TAU 181的 P值来自排名的Ancova。 第五次访问时限制数据，对中位时间进行了评估。 缩写：Apoe，载脂蛋白E； BMI，体重指数； DBP，舒张压； HDL，高密度脂蛋白； LDL，低密度脂蛋白； NL，认知正常； NTN，正常性； SBP，收缩压； Quicki，定量胰岛素灵敏度检查指数。 显着的P值以粗体。 可用于196名受试者的数据（129个正常人，36名患有受控高血压[HTN]的受试者，而31例HTN不受控制）。 b数据可用于200名受试者（131个正常人，35名受控HTN的受试者和34名不受控制的HTN的受试者）。 c数据可用于156名受试者（104个正常人，25个受控HTN的受试者，而27名不受控制的HTN受试者）。 d数据可用于195名受试者（127个正常人，34名受控HTN的受试者和34名不受控制的HTN的受试者）。 e可用于190名受试者（122个正常人的人，34名受控HTN受试者和34名受其不受控制的HTN的受试者）。 f数据可用于186名受试者（120个正常人，34名受控HTN的受试者和32名具有不受控制的HTN的受试者）。 *在<0.05校正时与正常的组不同（Bonferroni）。对于CSF生物标志物，我们使用ANCOVA调整年龄，并将数据作为平均值±标准误差。T-TAU和P-TAU 181的 P值来自排名的Ancova。 第五次访问时限制数据，对中位时间进行了评估。 缩写：Apoe，载脂蛋白E； BMI，体重指数； DBP，舒张压； HDL，高密度脂蛋白； LDL，低密度脂蛋白； NL，认知正常； NTN，正常性； SBP，收缩压； Quicki，定量胰岛素灵敏度检查指数。 显着的P值以粗体。 可用于196名受试者的数据（129个正常人，36名患有受控高血压[HTN]的受试者，而31例HTN不受控制）。 b数据可用于200名受试者（131个正常人，35名受控HTN的受试者和34名不受控制的HTN的受试者）。 c数据可用于156名受试者（104个正常人，25个受控HTN的受试者，而27名不受控制的HTN受试者）。 d数据可用于195名受试者（127个正常人，34名受控HTN的受试者和34名不受控制的HTN的受试者）。 e可用于190名受试者（122个正常人的人，34名受控HTN受试者和34名受其不受控制的HTN的受试者）。 f数据可用于186名受试者（120个正常人，34名受控HTN的受试者和32名具有不受控制的HTN的受试者）。 *在<0.05校正时与正常的组不同（Bonferroni）。P值来自排名的Ancova。第五次访问时限制数据，对中位时间进行了评估。缩写：Apoe，载脂蛋白E； BMI，体重指数； DBP，舒张压； HDL，高密度脂蛋白； LDL，低密度脂蛋白； NL，认知正常； NTN，正常性； SBP，收缩压； Quicki，定量胰岛素灵敏度检查指数。显着的P值以粗体。可用于196名受试者的数据（129个正常人，36名患有受控高血压[HTN]的受试者，而31例HTN不受控制）。b数据可用于200名受试者（131个正常人，35名受控HTN的受试者和34名不受控制的HTN的受试者）。c数据可用于156名受试者（104个正常人，25个受控HTN的受试者，而27名不受控制的HTN受试者）。d数据可用于195名受试者（127个正常人，34名受控HTN的受试者和34名不受控制的HTN的受试者）。e可用于190名受试者（122个正常人的人，34名受控HTN受试者和34名受其不受控制的HTN的受试者）。f数据可用于186名受试者（120个正常人，34名受控HTN的受试者和32名具有不受控制的HTN的受试者）。*在<0.05校正时与正常的组不同（Bonferroni）。g数据可用于201名受试者（131个正常人，36名受控HTN的受试者和34名不受控制的HTN的受试者）。h数据可用于203名受试者（134个正常人，36名受控HTN的受试者，而33个受试者不受控制的HTN）。I可用于201名受试者的数据（131个正常人，36名受控HTN的受试者和34名不受控制的HTN的受试者）。†与受控高血压<0.05校正时不同。
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。
曾感染过 SARS-CoV-2 的受试者接种一剂疫苗后，对 SARS-CoV-2 变异株产生强烈的中和抗体反应
1 芬兰赫尔辛基芬兰健康与福利研究所健康安全部微生物学专家组，2 芬兰赫尔辛基芬兰健康与福利研究所健康安全部传染病控制与疫苗接种组，3 芬兰赫尔辛基芬兰健康与福利研究所知识经纪人部数据与分析组，4 芬兰图尔库图尔库大学医院儿科与青少年医学系，5 芬兰图尔库图尔库大学医院临床微生物学，6 芬兰图尔库图尔库大学生物医学研究所免疫遗传学实验室，7 芬兰图尔库图尔库大学生物医学研究所感染与免疫组，以及 8 芬兰坦佩雷芬兰健康与福利研究所公共卫生与福利部干预组
区域脑体积测量的单受试者分析可能会受到头部尺寸调整方法的强烈影响
抽象目的总颅内体积（TIV）通常是基于MRI的脑容量的滋扰。这项研究比较了两种TIV调整方法在区域大脑体积估计的单个受试者分析中对Z分数的影响。在包含5059 T1W图像的正常数据库中分割了脑脑实质，海马，丘脑和TIV的方法。使用剩余方法或比例方法调整了TIV的区域体积估计值。年龄。TIV和年龄调整后的区域体积转化为Z分数，然后在两种调整方法之间进行比较。在127例多发性硬化症患者中测试了它们对丘脑萎缩检测的影响。结果剩余方法在所有地区删除了与TIV的关联。比例方法导致了方向的转换，而没有相关的关联强度变化。使用剩余方法的生理学间变异性的降低比使用比例方法更大。用残差方法与比例方法获得的z得分之间的差异与TIV密切相关。在5％的受试者中，它大于一个z得分点。用剩余方法比使用比例方法（0.84对0.79），鉴定多发性硬化症患者的TIV和年龄调整后的丘脑体积的ROC曲线下的面积更大。结论在单个受试者分析中，应首选剩余方法进行TIV和基于T1W-MRI的大脑体积估计的年龄调整。
基于子带级联 CSP 的深度迁移学习，用于跨受试者下肢运动意象分类
摘要 — 由于人类大脑中左右下肢运动的生理表征过于接近，下肢运动想象 (MI) 分类是脑机接口 (BCI) 中一个具有挑战性的研究课题。此外，MI 信号具有严重的受试者特异性。以前的研究中为特定受试者设计的分类方案无法满足通用 BCI 系统中跨受试者分类的要求。因此，本研究旨在建立跨受试者下肢 MI 分类方案。提出了三种新型子带级联公共空间模式 (SBCCSP) 算法来提取具有低冗余度的代表性特征。已根据从执行 MI 任务的受试者中收集的下肢步进式 MI 信号进行了验证。已验证了采用三种 SBCCSP 算法的所提方案具有比其他公共空间模式 (CSP) 变体更好的准确度和运行时间性能，最佳平均准确度为 98.78%。本研究首次研究了基于实验步进式 MI 信号的跨受试者 MI 分类方案。所提出的方案将对开发用于下肢辅助和康复应用的通用 BCI 系统做出重要贡献。
一种室内和受试者内部转移校准方案，用于改善基于感觉运动节奏的反馈性能BCI康复
脑部计算机界面（BCI）是以可靠的方式作为人机相互作用的外在途径（Birbaumer，2006）。残疾人通过神经活动来控制外部设备是有效的（Buch等，2008）。中风患者特别是运动障碍患者，能够执行BCI临床康复任务（Meng等，2016）。在这种处理中，感觉运动节律变化用作主动干预的神经系统调节（Mane等，2019）。在康复期间，要求患者尝试或想象进行运动。然后，电动机尝试（MA）或运动图像（MI）-BCI系统将通过训练有素的分类器基于先前的数据集（Pillette等，2020年），输出同步的感觉生物反馈（例如机器人臂恢复）。在干预中，功能运动是由神经生理活性显着启发的（Xu等，2014）。这是大脑可塑性和功能恢复的持续过程（Remsik等，2019）。最近的研究报道了使用长期感觉运动节律（SMR）-BCI干预措施改善中风患者的肢体运动（Ramos-Murguialday等，2013; Pichiorri等，2015; Bundy等，2017）。尽管如此，BCI康复受到较差的效率识别算法和模型个性变异性的限制（Grosse-Wentrup等，2011）。相关的工作证明，BCI解码精度对于康复结果不足（Mane等，2020）。此外，BCI反馈的失败也减少了受训者的信心（Foong等，2019）。因此，应对模式识别和模型校准进行各种改进，以提高临床应用中的SMR-BCI性能。
伤寒结合疫苗在健康印度受试者中的免疫原性和安全性：一项随机、阳性对照、比较临床试验
来自以下机构的儿科：1 儿童健康研究所，加尔各答，西孟加拉邦；3 GMERS 医学院及综合医院，巴罗达，古吉拉特邦；5 甘地医学院及医院，塞康德拉巴德，特伦甘纳邦；8 Panchsheel 医院私人有限公司，新德里；医学部；2 GCS 医学院、医院和研究中心，艾哈迈达巴德，古吉拉特邦；4 高科技医学院及医院，布巴内斯瓦尔，奥里萨邦；6 印美超级专科医院，海得拉巴，特伦甘纳邦；7 SMS 医学院及医院，斋浦尔，拉贾斯坦邦；9 新产品开发部和 10 疫苗制造部，卡迪拉医疗有限公司，艾哈迈达巴德，古吉拉特邦，印度。联系人：Pavankumar Daultani 博士，卡迪拉医疗有限公司新产品开发部高级经理，Sigma CommerZone，对面。 ISCON 寺庙 BRTS 展台，靠近卫星十字路口，Ambli-Bopal 路，艾哈迈达巴德 380 015，古吉拉特邦，印度。drpavandaultani@gmail.com 收稿日期：2019 年 2 月 16 日；初审：2019 年 4 月 29 日；接受日期：2020 年 1 月 4 日。
建议对 Ames 阳性药物或代谢物进行后续检测，以支持对健康受试者进行首次人体临床试验
基因毒性试验可定义为体外和体内试验，旨在识别通过各种机制诱导基因损伤（致突变性或致染色体断裂性）的化合物。这些试验能够识别与 DNA 损伤及其固定相关的危害。DNA 损伤的固定是基因突变（即影响单个基因的 DNA 序列变化）和更大规模的改变（如染色体丢失或易位，所有这些都被认为是不可逆的影响）在细胞中建立的过程。这些变化可能是遗传的并可能导致癌症。然而，基因改变只是导致癌症的一个因素。癌症被视为一个复杂的多步骤过程的结果，涉及基因改变，可能与非遗传决定因素相结合。
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）。