XiaoMi-AI文件搜索系统
World File Search System头皮
头皮-颅内脑电图联合研究
研究文章 | 系统/电路 睡眠觉醒的脑内动力学：头皮-颅内脑电图联合研究 https://doi.org/10.1523/JNEUROSCI.0617-23.2024 收稿日期：2023 年 4 月 10 日 修订日期：2024 年 2 月 5 日 接受日期：2024 年 2 月 12 日 版权所有 © 2024 作者
头皮护理中的全球消费者旅程
图2：头皮护理显着舒缓头皮不适。14天后，所有感觉等级得到显着提高。“刺痛”，“刺激”，“痒”和“不适”的参数是由主题自我评估的，而专家则对“发红”和“可见头皮刺激”进行了分级。在安慰剂组中，与基线相比，头皮感觉等级恶化，因此在此不表示。一个例外是“痒”评级。配对的学生的t检验
干细胞分泌介导的头皮牛皮癣的缓解
牛皮癣是一种相当常见的疾病，影响了全球约2-3％的人，无论其种族如何，都会影响所有年龄段的人。这是一种根植于炎症的疾病，导致有关皮肤，指甲和关节的问题。牛皮癣以红斑，缩放，瘙痒，炎症和燃烧感觉等症状为特征。该疾病的最常见形式是斑块牛皮癣，其特征是存在具有鳞状皮肤的斑点斑块。鳞片的颜色范围从银色白色到橙棕色。已发现该疾病与称为银屑病关节炎的关节炎有关。此外，还报道了与肥胖和代谢综合征的关联。在某些情况下，生活质量会受到损害，因为症状不仅会影响身体外观，而且会影响心理层面的患者，从而导致自尊心低。总体而言，银屑病患者的生活质量受到损害[1]。
Neuroair：来自头皮录制的神经信号的深度学习框架
摘要 - 空气写入识别是一项任务，涉及使用手指运动在自由空间中写的字母。这是手势识别的一种特殊情况，手势与特定语言的字母相对应。脑电图（EEG）是一种用于记录大脑活动的非侵入性技术，已被广泛用于脑部计算机界面应用中。杠杆eeg信号用于空气写作识别提供了一种有希望的替代输入方法，用于人类计算机相互作用。空气写作识别的一个主要优点是用户不需要学习新的手势。通过串联公认的字母，可以形成各种各样的单词，使其适用于更广泛的人群。但是，在使用脑电图信号识别空气写作方面的研究有限，这构成了本研究的核心重点。首先构建了包含在编写英语大写字母过程中记录的EEG信号的NeuroAir数据集。然后与不同的深度学习模型结合探索各种功能，以实现准确的空气写作识别。这些功能包括处理后的脑电图数据，独立的组件分析组件，基于源域的侦察时间序列以及基于球形和头部 - 基于基于的特征。此外，全面研究了不同EEG频带对系统性能的影响。这项研究中达到的最高准确度是44。04％使用独立的组件分析组件和EEGNET分类模型。结果强调了基于EEG的空气写入识别作为人类计算机交互应用中替代输入方法的用户友好模态的潜力。这项研究为未来的进步树立了强大的基准，并证明了基于EEG的空气写作识别的可行性和实用性。
使用生成的对抗网络将头皮映射到颅内脑电图中，以自动检测中间的癫痫样放电
摘要 - 头皮和颅内脑电图（EEG）对于诊断脑部疾病至关重要。但是，头皮脑电图（seeg）被头骨衰减并被伪像污染。同时，颅内脑电图（IEEG）几乎没有文物，并且可以捕获所有大脑活动，而无需任何衰减，因为靠近大脑。在这项研究中，目的是通过将SEEG映射到IEEG来提高SEEG的性能。为此，我们在这里使用生成的对抗网络开发了一个深神经网络，以估算IEEG的SEEG。所提出的方法适用于Seeg和IEEG，并从癫痫发作中同时记录以检测间隔癫痫样放电（IEDS）。所提出的方法检测IEDS的精度为76％的IED，并以最先进的方法为止。此外，它至少比比较方法少十二倍。
对全脑照射患者使用不同能量光子束和 MLC 阻断技术来增加头皮保护的剂量评估
简介全脑放射治疗 (WBRT) 是治疗脑转移瘤最有效的方法之一。全脑放射治疗通常采用 3D 适形计划，右侧和左侧光束排列，使用 6 兆伏 (MV) 光束能量。与高能光子束相比，低能光子束在表面水平分布的剂量更大。使用高能光子束 (15 MV) 治疗 WBRT 患者可以减少头皮剂量并提高患者的整体生活质量 (QOL)。方法该研究是对 10 名随机选择的全脑放射治疗患者的回顾性剂量分析。每位患者都有四个计划来比较 6 MV 与 15 MV 光子能量以及头皮保留技术与开放场技术。由于缺乏 IRB 批准，关键结构和头皮的剂量由首席研究员制作和分析。使用 IBM-SPSS Statistics 软件进行配对 t 检验，以检验组均值之间的显著性。结果结果表明，与 6 MV 计划和开放场技术计划相比，15 MV 计划和头皮保留计划的头皮剂量水平具有统计学意义的降低。与 6 MV 计划和头皮保留技术计划相比，15 MV 计划和开放场技术计划对大脑的剂量覆盖率更高。与 15 MV 相比，6 MV 对晶状体和视神经的剂量具有统计学意义的降低，而与 6 MV 相比，15 Mv 对腮腺的剂量具有统计学意义的降低。与开放场技术相比，头皮保留技术计划对晶状体和腮腺的剂量具有统计学意义的降低。结论通过使用头皮保留技术和/或使用更高能量的光子束（15 MV），可以显著减少头皮剂量，同时保持对大脑的足够覆盖。计划之间的关键结构剂量在临床上并不显著，并保持在其分配的公差范围内。未来的研究应该检查由于头皮剂量减少而导致的临床脱发和脱发的总体质量。
头皮下脑电图
头皮下脑电图 (ssEEG) 正在成为超长期脑电图 (EEG) 记录中一项有前途的技术。鉴于这一新兴领域可用的设备种类繁多，其在癫痫评估中的实用性仍存在不确定性。本综述批判性地分析了 ssEEG 设备的许多拟议实用性，包括 (1) 癫痫发作量化、(2) 癫痫发作特征化、(3) 癫痫发作侧化、(4) 癫痫发作定位、(5) 癫痫发作警报、(6) 癫痫发作预测、(7) 生物标志物发现、(8) 睡眠医学和 (9) 反应性刺激。正在开发的不同 ssEEG 设备具有各自的设计理念，具有独特的优势和局限性。有些设备主要提供单侧记录（24/7 EEG TM SubQ、Neuroview TM、Soenia UltimateEEG TM），双侧记录（Minder TM、Epios TM），甚至还有具有响应刺激能力的设备（EASEE）。我们综合了目前对这些 ssEEG 系统的知识。我们回顾了（1）ssEEG 设备、（2）使用案例场景、（3）挑战并（4）提出了理想 ssEEG 设计的路线图。由 Elsevier BV 代表国际临床神经生理学联合会出版。这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
成骨前头部胚胎大脑与周围头皮之间发育相互依赖的拉伸压缩关系
内上皮片上的图案形成。4-8 在这些例子中，外部或浅层的约束或限制是使更深层结构（在生理压缩下）继续正常发育的关键机械因素。9,10 通过结合实验和计算数据的“形态力学”方法，Taber 等人 11,12 发现鸡视杯形成过程中的内陷是由外胚层和细胞外基质等外部限制因素驱动的。在发育中的脊椎动物大脑中，最近已经探索了壁内细胞和组织力学。13,14 已经讨论了成长中的大脑对周围颅骨或颅腔形成的可能生物力学影响（在成骨细胞增殖和骨化等事件中，通过拉伸经历这些事件的细胞）。 15 相反，有人提出，骨化的头骨（作为硬囊）调节大脑形态，包括大脑皮层的脑回形成，16 尽管实验和数学研究表明脑回形成可能通过大脑固有的机制进行物理处理。17-19 先前关于哺乳动物大脑-头骨机械关系的研究主要集中在骨化/矿化发生后的阶段。在早期（即成骨前）阶段，对鸡胚进行的研究提出了一个模型，其中早期神经管弯曲的出现（最前端的前脑向腹侧弯曲的现象）可能是由腹侧底层脊索或前肠施加的可能物理限制来解释的，这些结构向前延伸的程度小于前脑，20,21
NMT 头皮脑电图数据集：用于预测模型的健康和病理脑电图记录的开源注释数据集
脑电图 (EEG) 广泛用于诊断癫痫、神经退行性疾病和睡眠相关疾病等神经系统疾病。正确解释 EEG 记录需要训练有素的神经科医生的专业知识，而这种资源在发展中国家非常稀缺。神经科医生花费大量时间筛选 EEG 记录以寻找异常。由于 EEG 测试的产量低，大多数记录结果完全正常。为了最大限度地减少这种时间和精力的浪费，可以使用自动算法提供诊断前筛查，以区分正常和异常 EEG。数据驱动的机器学习提供了一种前进的方向，然而，现代机器学习算法的设计和验证需要经过适当策划的标记数据集。为了避免偏见，基于深度学习的方法必须在来自不同来源的大型数据集上进行训练。这项工作提出了一个新的开源数据集，名为 NMT 头皮 EEG 数据集，由来自不同参与者的 2,417 条记录组成，跨越近 625 小时。每条记录都由一组合格的神经病学家标记为正常或异常。还包括患者的性别和年龄等人口统计信息。我们的数据集主要针对南亚人口。我们在 NMT 上实施和评估了几种为 EEG 诊断前筛查而开发的最先进的深度学习架构，并将其与著名的天普大学医院 EEG 异常语料库的基线性能进行了比较。我们还研究了基于深度学习的架构在 NMT 和参考数据集上的泛化。发布 NMT 数据集是为了增加 EEG 数据集的多样性，并克服 EEG 研究缺乏准确注释的公开可用数据集的问题。
使用卷积神经网络进行头皮脑电图疼痛检测...
摘要——疼痛是一种综合现象，伴随着大脑中感觉和情境过程的动态相互作用，通常与可检测到的神经生理变化有关。大脑活动记录工具和机器学习技术的最新进展引起了用于客观和基于神经生理学的疼痛检测的神经计算技术的研究和开发。本文提出了一种基于脑电图 (EEG) 和深度卷积神经网络 (CNN) 的疼痛检测框架。通过招募 10 名慢性背痛患者，研究了 CNN 用于区分诱发疼痛状态和静息状态的可行性。实验研究分两个阶段记录 EEG 信号：1. 运动刺激 (MS)，通过执行预定义的运动任务来诱发背痛；2. 视频刺激 (VS)，通过观看一组视频片段来诱发背痛感知。多层 CNN 对静息状态和疼痛状态下的 EEG 片段进行分类。这种新方法具有高性能和稳定性，因此对于构建强大的疼痛检测算法具有重要意义。我们的方法的受试者工作特征曲线下面积 (AUC) 分别为 MS 和 VS 中的 0.83 ± 0.09 和 0.81 ± 0.15，高于最先进的方法。还分析了亚脑区，以检查与疼痛检测相关的不同脑拓扑结构。结果表明，MS 引起的疼痛