XiaoMi-AI文件搜索系统
World File Search System密度比
通过密度比的正交分解来学习皮质肌肉依赖性
皮质脊髓神经途径对于运动控制和移动执行至关重要，在人类中，通常使用并发的电解质学（EEG）和肌电图（EMG）录音来研究它。但是，当前捕获这些记录之间高级和上下文连接性的方法具有重要的局限性。在这里，我们基于密度比的正交分解来介绍统计依赖估计量的新应用，以模拟皮质和肌肉振荡之间的关系。我们的方法通过学习特征值，特征函数和密度比的投影空间从信号实现的实现，解决皮质 - 肌肉连接性皮质的可解释性，可伸缩性和局部时间依赖性来扩展。我们通过实验证明，从皮质肌肉连通性中学到的本征函数可以准确地对运动和受试者进行分类。此外，它们揭示了确认运动过程中特定脑电图通道激活的通道和时间依赖性。我们的代码可在https://github.com/bohu615/corticomuscular-eigen-coder上找到。
比较颅骨密度比与其他颅骨指标对磁共振引导聚焦超声丘脑切开术治疗震颤的影响
目的 用于预测 MRgFUS 丘脑切开术成功可能性的关键指标之一是整体颅骨密度比 (SDR)。然而，这一指标并不能完全预测所需的超声处理参数或技术成功率。作者旨在评估其他可能有助于技术成功的颅骨特征。方法作者回顾性研究了 2017 年至 2021 年期间在其中心接受 MRgFUS 治疗的连续特发性震颤患者。他们评估了不同治疗参数（特别是最大功率和输送能量）与一系列患者颅骨指标和人口统计数据之间的相关性。机器学习算法被用于研究是否可以仅从颅骨密度指标预测超声处理参数，以及将局部换能器 SDR 与整体颅骨 SDR 相结合是否会提高模型准确性。结果 共纳入 62 名患者。平均年龄为 77.1（SD 9.2）岁，78% 的治疗（49/63）发生在男性身上。平均 SDR 为 0.51（SD 0.10）。在评估的指标中，SDR 与治疗中使用的最大功率（ρ = −0.626，p < 0.001；局部 SDR 值 ≤ 0.8 组的比例也有 ρ = +0.626，p < 0.001）和最大能量传输（ρ = −0.680，p < 0.001）的相关性最高。机器学习算法对预测局部和整体 SDR 所需的最大功率和能量具有中等能力（最大功率的准确度约为 80%，最大能量的准确度约为 55%），对预测局部和整体 SDR 达到的平均最高温度具有很高的能力（准确度约为 95%）。结论 作者将一系列颅骨指标与 SDR 进行了比较，结果表明，SDR 单独使用时是治疗参数的最佳指标之一。此外，还提出了许多其他机器学习算法，可在获得更多数据时进行探索以提高其准确性。还应确定和探索与最终超声处理参数相关的其他指标。