XiaoMi-AI文件搜索系统
World File Search System受试者
2021 BEETL 竞赛：推进针对受试者独立性和异构 EEG 数据集的迁移学习
Stylianos Bakas 1 , 2 , 3 stelios@cogitat.io Siegfried Ludwig 1 , 2 siegfried@cogitat.io Konstantinos Barmpas 1 , 2 ntinos@cogitat.io Mehdi Bahri 1 , 2 mehdi@cogitat.io Yannis Panagakis 1 , 2 , 4 yannis@cogitat.io Nikolaos Laskaris 1 , 2 , 3 nikos@cogitat.io Dimitrios A. Adamos 1 , 2 , 3 dimitrios@cogitat.io Stefanos Zafeiriou 1 , 2 stefanos@cogitat.io William C. Duong 5 , 6 wduong@dcscorp.com Stephen M. Gordon 5 , 6 sgordon@dcscorp.com 弗农·J·劳恩 (Vernon J. Lawhern) 6 vernon.j.lawhern.civ@army.mil Maciej ´ Sliwowski 7 , 8 , 9 maciej.sliwowski@opium.sh Vincent Rouanne 7 vincent.rouanne@gmail.com Piotr Tempczyk 9 , 10 piotr.tempczyk@opium.sh 1 Cogitat Ltd.，英国 2 智能行为理解小组，伦敦帝国理工学院，英国 3 塞萨洛尼基亚里士多德大学，希腊 4 雅典国立和卡波迪斯特里安大学，希腊 5 DCS 公司，弗吉尼亚州亚历山大，美国 6 人类研究与工程理事会，DEVCOM 陆军研究实验室，马里兰州阿伯丁试验场，美国 7 大学。格勒诺布尔阿尔卑斯大学，CEA，LETI，Clinatec，F-38000 格勒诺布尔，法国 8 巴黎萨克雷大学，CEA，List，F-91120，帕莱索，法国 9 波兰国家机器学习研究所 (OPIUM)，华沙，波兰 10 deeptale.ai，波兰
跨受试者脑电情绪分类的迁移判别词典对学习方法
脑电信号具有不易伪装、可携带、无侵入等特点，在情绪识别中被广泛应用。然而由于个体差异的存在，不同受试者的同一种情绪状态下的脑电信号数据分布会存在一定的差异。传统的情绪识别方法为了得到对新受试者分类效果良好的模型，需要收集大量新受试者的标记数据，但这往往不现实。本研究针对跨受试者脑电情绪分类提出了一种迁移判别字典对学习（TDDPL）方法。TDDPL方法将不同受试者的数据投影到领域不变子空间中，基于最大均值差异（MMD）策略构建迁移字典对学习。在子空间中，TDDPL学习共享的综合字典和分析字典，搭建从源域（SD）到目标域（TD）的判别知识桥梁。通过最小化每个子字典的重构误差和类间分离项，学习到的合成字典具有判别性，而学习到的低秩编码具有稀疏性。最后，在 TD 中，基于分类器参数、分析字典和投影矩阵构建判别分类器，而无需计算编码系数。在 SEED 和 SEED IV 数据集上验证了 TDDPL 方法的有效性。
基于监督自动编码器的独立于受试者的脑机接口框架
摘要 — 基于运动想象的脑机接口 (MI-BCI) 需要校准程序来为新用户调整系统。此过程非常耗时，并且会阻止新用户立即使用系统。由于 MI 信号的主体相关特性，开发独立于主体的 MI-BCI 系统以减少校准阶段仍然具有挑战性。已经开发了许多基于机器学习和深度学习的算法来从 MI 信号中提取高级特征，以提高 BCI 系统对主体的泛化能力。然而，这些方法基于监督学习并提取可用于区分各种 MI 信号的特征。因此，这些方法无法在 MI 信号中找到共同的潜在模式，并且其泛化水平有限。本文提出了一种基于监督自动编码器 (SAE) 的独立于主体的 MI-BCI 来绕过校准阶段。建议的框架在 BCI 竞赛 IV 中的数据集 2a 上得到了验证。模拟结果表明，在九个受试者中的八个中，我们的 SISAE 模型在平均 Kappa 值方面优于传统的和广泛使用的 BCI 算法、常见空间和滤波器组常见空间模式。
耶鲁大学和 IRB 的人体受试者研究
IRB 拥有检查表，研究人员可以使用这些检查表来帮助确定一项研究是否符合 QI/QA 的定义。临床 QI 检查表 - https://your.yale.edu/policies-procedures/other/ch-9-clinical-quality-improvement SBE QI 检查表 - https://your.yale.edu/policies-procedures/other/sbe-quality-improvement-checklist • 注意 — QI/QA 和人类受试者研究的项目需要提交给 IRB 审查研究部分。
基于脑电图的跨受试者驾驶员困倦识别...
摘要 — 在基于脑电图 (EEG) 的驾驶员困倦识别中，设计免校准系统仍然具有挑战性，因为 EEG 信号在不同的受试者和记录会话之间差异很大。人们已经做出了许多努力来使用深度学习方法从 EEG 信号中识别心理状态。然而，现有的工作大多将深度学习模型视为黑盒分类器，而模型学到了什么以及它们在多大程度上受到 EEG 数据中噪声的影响仍未得到充分探索。在本文中，我们开发了一种新型卷积神经网络，并结合了一种解释技术，可以对重要特征进行样本分析以进行分类。该网络结构紧凑，利用可分离卷积以时空序列处理 EEG 信号。结果表明，该模型在 11 个受试者的留一法跨受试者困倦识别中实现了 78.35% 的平均准确率，高于传统基线方法的 53.40%-72.68% 和最先进的深度学习方法的 71.75%-75.19%。解释结果表明，该模型已经学会从脑电信号中识别出具有生物学意义的特征，例如 Alpha 主轴，作为不同受试者困倦的强有力指标。此外，我们还利用解释技术探索了一些错误分类样本背后的原因，并讨论了提高识别准确率的潜在方法。我们的工作展示了使用可解释的深度学习模型从复杂的脑电信号中发现与不同心理状态相关的有意义模式的有希望的方向。
以及脑成像和解码中的受试者内部变异性
人类个体之间和个体内部都存在普遍而难以捉摸的变异性，这对解释和解码人类大脑活动构成了重大挑战。个体在大脑解剖和功能上的差异导致了个体间变异。多种因素都可能导致个体内变异，包括神经处理、大脑活动非平稳性、神经生理机制和某些未知因素。最近的研究集中于接受变异性而不是忽视它。通过关注变异性，他们加深了对个体差异和跨会话变异的洞察，从而能够根据个体变异性和相似性精确映射和解码大脑功能区域。例如，迁移学习技术通过处理在广泛的会话和日子范围内从不同受试者收集的数据的变化，提高了大脑解码性能。神经生理生物特征的适用性取决于其明显的个体间变异性和最小的个体内变异性。因此，出现了一些问题：如何观察、分析和模拟受试者间和受试者内的变异性，研究人员从这种变异性中会得到什么或失去什么，以及如何应对脑成像和解码中的变异性。本研究主题强调需要考虑脑成像和解码中的受试者间和受试者内的变异性。本合集包含相关领域的扩展概述，可以阐明这些领域的未来努力。我们在本社论中重点介绍了从本主题的十六篇论文中出现的三个领域：
美国创伤中心急诊科的小儿准备就绪：与生存相关的组件的机器学习分析等离子体标志物预测非痴呆受试者淀粉样蛋白，tau，萎缩和认知的变化
目前尚不清楚血浆生物标志物是否可以用作独立的预后工具来预测与早期阿尔茨海默氏病相关的变化。在这项研究中，我们试图通过评估血浆生物标志物是否可以预测非痴呆个体中淀粉样蛋白负荷，tau积累，脑萎缩和认知的变化来解决这个问题。为了实现这一目标，在159名非痴呆个体中确定了159名非痴呆患者，患有Alzheimer病痴呆症患者的159名患者，在159名非痴呆患者中确定了血浆淀粉样蛋白B 42/40（A B 42/40），磷酸化-TAU181，磷酸化-TAU217和神经膜片光。他接受了纵向淀粉样蛋白（18 f- utemetamol）和Tau（18 F-Ro948）PET，结构MRI（T 1-加权）和认知测试。我们的单变量线性混合效应模型表明，血浆生物标志物与成像和认知度量之间存在几种显着关联。但是，当所有生物标志物都包含在相同的多变量线性混合效应模型中时，我们发现，纵向淀粉样蛋白-PET信号的增加是由低基线血浆A B 42/40独立预测的（P = 0.012）（P = 0.012）（P = 0.012），而TAU-PET信号，较差的识别和较差的认知能够独立于5个独立的认知量7 0.004）。这些生物标志物的形成良好或更好，比在CSF中测得的相应生物标志物。此外，他们显示出与使用Youden指数定义的二进制等离子体生物标志物值相似的性能，Youden指数可以更容易在诊所中实施。此外，等离子体A B 42/40和磷酸化-TAU217不能预测非阿尔茨海默氏症神经退行性疾病患者的纵向变化。总而言之，我们的发现表明血浆A B 42/40和磷酸化-TAU217在临床实践，研究和药物开发中可能是未来阿尔茨海默氏病病理学的预后标志物。
基于跨受试者脑电图的情绪识别多分支网络
近年来基于心电图（EEG）的情绪识别在情感计算中受到越来越多的关注。由于脑电信号的个体差异性较大，大多数模型都是针对特定受试者训练的，应用于新受试者时泛化性较差。针对这一问题，本文提出了一种多分支网络（MBN）模型。根据跨受试者数据的特点，设计不同的分支网络将脑电信号的背景特征和任务特征分离进行分类，以获得更好的模型性能。此外，模型训练时无需新受试者数据。为了避免差异较大的样本给模型训练带来的负面改善，我们使用极少量的新受试者数据来过滤训练样本，进一步提升模型性能。在训练模型之前，通过比对受试者之间的背景特征，删除与新受试者有显著差异的样本。实验结果表明，与单分支网络（SBN）模型相比，MBN 模型在 SEED 数据集上的准确率提高了 20.89%，且与其他常用方法相比，所提方法占用的新受试者数据更少，提高了其在实际应用中的实用性。关键词：多分支网络，脑电图（EEG），情绪识别，跨受试者
体内近红外光谱谱图将阿尔茨海默氏病的受试者与年龄匹配的对照区分开
摘要。背景：诸如阿尔茨海默氏病（AD）的PET和MRI AID临床评估之类的医学成像方法。便宜，技术要求较低，并且需要更广泛的可部署技术来扩大客观筛查以进行诊断，治疗和研究。我们先前在体外报道了脑组织近红外光谱（NIR），表明有可能满足这种需求的潜力。目标：通过匹配对照组的临床，临床，NIR Invivo CandistinguishAdpatients，临床，NIR Invivo CandistryishAdpatients，并显示了NIR作为临床筛查的潜力和监测治疗性有效性的潜力。方法：在体内获取NIR光谱。研究了三组：尸检确认AD，对照和轻度认知障碍（MCI）。使用强度归一化光谱的第一个衍生物的特征选择方法用于发现最能区分“ ad-alone”（即没有其他显着神经病理学）的光谱区域。然后将该方法应用于其他尸检确认的AD病例和临床诊断的MCI病例。结果：大约860和895 nm的两个区域将AD患者与对照组完全分开，并根据损伤程度区分MCI受试者。895 nm功能在将MCI受试者与对照组分开（权重：1.3）方面更为重要。 860 nm功能对于区分MCI和AD（重量比率：8.2）更为重要。结论：这些结果构成了近红外光谱可以检测和分类患病和正常人脑的概念的证明。需要进行临床试验来确定这两个特征是否可以跟踪疾病进展并监测潜在的治疗干预措施。
人工智能与人类受试者研究的交集-
关于“可识别”和“私人”信息的重要概念： - 《隐私法》规定了什么是个人身份信息 (PII) - 《健康保险流通与责任法案》 (HIPAA) 规定了什么是受保护的健康信息 (PHI) - 国防部和国防部组成部分公民自由指令讨论隐私 - 卫生与公众服务部研究保护办公室就何时可能存在合理的隐私期望提供指导 - 个人身份信息在社交媒体网站上或通过社交媒体网站共享，并不一定意味着它不是“私人”的（请参阅服务条款、访问/使用期望等）- 个人身份信息的原始收集可能有控制下游使用的使用条款（例如，隐私法 - 声明、数据共享协议、同意书） - 无数其他法规可能控制信息（例如教育记录、财务记录、遗传信息等）- “编码”数据不是去识别数据（代码密钥重新链接数据） - 间接标识符可以组合以重新链接数据，因此并不总是去识别数据