XiaoMi-AI文件搜索系统
World File Search System受试者
具有信心意识的主体间迁移学习...
摘要 — 脑电图 (EEG) 的受试者间/受试者内变异性使得脑机接口 (BCI) 的实际使用变得困难。通常，BCI 系统每次使用时都需要一个校准程序来调整模型。这个问题被认为是 BCI 的主要障碍，为了克服它，最近出现了基于迁移学习 (TL) 的方法。然而，许多 BCI 范例的局限性在于它们由首先显示标签然后测量“图像”的结构组成，在受试者到受试者的 TL 过程的许多情况下，包含不包含控制信号的数据的源受试者的负面影响被忽略了。本文的主要目的是提出一种排除预计会对受试者到受试者 TL 训练产生负面影响的受试者的方法，该方法通常使用来自尽可能多的受试者的数据。在本文中，我们提出了一个仅使用高置信度受试者进行 TL 训练的 BCI 框架。在我们的框架中，深度神经网络使用基于小损失技巧的共同教学算法为 TL 过程选择有用的对象并排除嘈杂的对象。我们在两个公共数据集（2020 年国际 BCI 竞赛 Track 4 和 OpenBMI 数据集）上尝试了留一法验证。我们的实验结果表明，选择具有小损失实例的对象的置信感知 TL 可以提高 BCI 的泛化性能。关键词 — 脑机接口、脑电图、运动意象、迁移学习、嘈杂标签
招募人类学科的指南
招募受试者是涉及人类受试者的研究最具挑战性的方面之一。招募受试者必须是公平的，包括种族，种族，教育，社会经济和性别多样性，适合于所研究的条件或情况。所有招聘工作都必须尊重个人权利和保密性，遵守健康保险携带与问责制法（HIPAA）法规或其他隐私法规的适用，并避免受试者的胁迫或不当影响。具有特定疾病或状况的受试者通常通过某种类型的记录（例如，癌症病例，手术或X射线日志，就业，医疗或学校记录）将其视为潜在的受试者。控制可能来自与受试者相同的人群（例如随机临床试验），是无关的人或成为普通人群的志愿者。有关入学学生作为研究学科的信息，请查看“将大学生作为研究学科入学指南”文档或“注册K-12学生作为研究学科的指南”。描述IRB申请中的所有潜在招聘活动，并包括任何招聘或广告材料。与从病历中识别的潜在受试者联系
跨学科深度神经活动映射
摘要 — 目的。在本文中，我们考虑跨受试者解码问题，其中从给定受试者（目的地）的前额叶皮层收集的神经活动数据用于从不同受试者（源）的神经活动解码运动意图。方法。我们将神经活动映射问题置于概率框架中，其中我们采用深度生成模型。我们提出的算法使用深度条件变分自动编码器将源受试者的神经活动的表示推断到进行神经解码的目标受试者的适当特征空间中。结果。我们在实验数据集上验证了我们的方法，其中两只猕猴对八个目标位置之一进行记忆引导的视觉扫视。结果显示，与特定受试者的解码相比，跨受试者解码的峰值提高了 8%。结论。我们证明，使用一个受试者的神经活动信号训练的神经解码器可用于以高可靠性稳健地解码不同受试者的运动意图。尽管神经活动信号具有非平稳性，且记录条件因人而异，但我们仍能实现这一目标。意义。本文报告的研究结果是朝着开发跨学科脑机系统迈出的重要一步，该系统可以很好地推广到整个人群。
通过元更新实现超高效迁移学习...
不同受试者的脑电图 (EEG) 信号的模式存在显著差异，这对 EEG 分类器提出了挑战，因为 1）有效地将学习到的分类器应用于新受试者，2）适应后保留已知受试者的知识。我们提出了一种有效的迁移学习方法，称为元更新策略 (MUPS-EEG)，用于跨不同受试者进行持续的 EEG 分类。该模型通过元更新学习有效的表示，这加速了对新受试者的适应，同时减轻了对先前受试者知识的遗忘。所提出的机制源自元学习，其作用是 1）找到广泛适用于不同受试者的特征表示，2）最大化损失函数的灵敏度以快速适应新受试者。该方法可应用于所有面向深度学习的模型。在两个公共数据集上进行的大量实验证明了所提模型的有效性，在适应新主题和保留已学主题知识方面，其表现远远优于当前最先进的模型。我们的代码可在 https://github.com/tiehangd/MUPS-EEG 上公开获取。
内分泌、糖尿病和营养
结果：276 名受试者平均年龄为 55.2 岁（SD 15.42），他们被随机分组。第 16 周，接受骨化二醇 100 μg 治疗（92.3%）和 125 μg 治疗（91.8%）的受试者中，大多数受试者的反应水平达到 ≥ 20 ng/mL，而接受安慰剂治疗（7.3%）的受试者中，大多数受试者的反应水平达到 ≥ 20 ng/mL。骨化二醇 100 μg 组和 125 μg 组分别有 49% 和 76.4% 的受试者的反应水平达到 ≥ 30 ng/mL，而安慰剂组没有受试者达到该水平。两种剂量的骨化非二醇在所有时间点的每个反应水平上均表现出优于安慰剂（第 52 周时 p 为 80 ng/mL，血清钙 (tCa) 水平正常）。在整个研究过程中，tCa 水平 > 10.5 mg/dL 的受试者的发生率很低：安慰剂组为 3 例，骨化非二醇组各为 2 例。
an0025，PGE2受体E型4的新型拮抗剂4（...
目的：评估AN0025与局部晚期癌症患者相结合的AN0025与术前放疗和化学疗法结合使用的安全性和效率。患者和方法：二十八名患有局部晚期直肠癌的受试者参加了这项识别器，开放标签，IB期试验。注册受试者每天接受250 mg或500毫克的AN0025接受10周的LCRT或SCRT进行化学疗法（7个受试者/组）。参与者的安全性/效率从研究药物管理局开始，并进行了2年。结果：未观察到符合剂量限制标准的治疗急性不良事件或严重的不良事件，由于不良事件，只有3名受试者停用了AN0025治疗。28名受试者中有25名完成了10周的AN0025和辅助治疗，并评估了效率。总体而言，有36.0％的受试者（9/25受试者）达到了病理完全反应或完整的临床反应，包括26.7％的受试者（接受手术的4/15名受试者）获得了病情的完整反应。完成治疗后，总共有65.4％的受试者具有磁共振成像限制的下降阶段3。中位随访30个月。12个月的无病生存期和总生存期为77.5％（95％的置次间隔[CI]：56.6，89.2）和96.3％（95％CI：76.5，99.5）。这些发现表明其活性值得在较大的临床试验中进一步研究。结论：用AN0025治疗10周以及术前SCRT或LCRT的治疗似乎并未使局部晚期直肠癌受试者的毒性恶化，并且具有良好的耐受性，并且在引起病理和完全临床反应方面表现出了希望。2023由Elsevier B.V.放射疗法和肿瘤学185（2023）109669
主管地塞米松对颅内肿瘤患者神经肿瘤量表神经系统评估的影响
基于研究对象的人口统计学特征，发现年龄的平均值为53.29±8.5岁。大多数研究受试者是男性，总计20受试者（54.1％），而女性为17名受试者（45.9％）。大多数类型的颅内肿瘤是次要肿瘤，总肿瘤总计22名受试者（59.5％），而原发性肿瘤总计15名受试者（40.5％）表1。本研究中受试者的平均年龄与Mariska等人先前进行的研究有关。[12]。报告说，颅内肿瘤患者的平均年龄为51.36±2。85年。这也与Rambe等人的研究一致。[5]发现颅内肿瘤患者的平均年龄为51.45（11-87）年。与上述研究的结果相比，可以看出大多数肿瘤病例发生在40岁> 40岁的年龄组中，因此，该结果与其他研究的结果一致，因为年龄因素确实会影响
![arXiv:2404.06966v1 [cs.LG] 2024 年 4 月 10 日](/simg/2\2cae8fb902652ad8f392644c2b23046ac4a89220.webp)
arXiv:2404.06966v1 [cs.LG] 2024 年 4 月 10 日
摘要。与大多数其他数据领域一样，EEG 数据分析依赖于丰富的领域特定预处理。除了这种预处理之外，机器学习者还希望像处理任何其他时间序列数据一样处理此类数据。对于 EEG 分类，已经开发了许多模型，这些模型的层类型和架构在时间序列分类中通常看不到。此外，通常会为每个单独的受试者学习单独的模型，而不是为所有受试者学习一个模型。在本文中，我们系统地研究了 EEG 分类模型和通用时间序列分类模型之间的差异。我们描述了三种不同的模型设置来处理来自不同受试者的 EEG 数据，即特定于受试者的模型（大多数 EEG 文献）、与受试者无关的模型和受试者条件模型。在对三个数据集的实验中，我们证明按受试者训练的现成时间序列分类模型的表现接近 EEG 分类模型，但并没有达到领域特定建模的性能。此外，我们将时间序列模型与主题嵌入相结合，以在所有受试者上训练一个联合主题条件分类器。所得到的模型在 3 个数据集中的 2 个中与专用 EEG 模型具有竞争力，甚至在其中一个数据集上胜过所有 EEG 方法。
刺激后大脑反应的刺激知情广义典型相关分析
摘要 — 在脑机接口或神经科学应用中，广义典型相关分析 (GCCA) 通常用于提取关注同一刺激的不同受试者神经活动中的相关信号成分。 这可以量化所谓的受试者间相关性，或提高刺激后大脑反应相对于其他（非）神经活动的信噪比。 然而，GCCA 不了解刺激：它不考虑刺激信息，因此不能很好地处理较少量的数据或较小的受试者群体。 我们提出了一种基于 MAXVAR-GCCA 框架的新型刺激知情 GCCA 算法。 我们展示了所提出的刺激知情 GCCA 方法的优越性，该方法基于一组受试者聆听相同语音刺激的脑电图反应之间的受试者间相关性，尤其是对于较少量的数据或较小的受试者群体。