睡眠是促进大脑和身体健康的强大系统。研究表明,睡眠在清除有毒副产物 [ 1–3 ]、突触稳态 [ 4 ]、记忆巩固 [ 5–11 ]、代谢 [ 12 ]、心血管功能 [ 13–16 ] 和身体核心组织更新 [ 17 ] 等多种功能中发挥作用。特别是,非快速眼动 (NREM) 睡眠具有大振幅、低频慢波,被认为可以引导这些有益作用(例如,参见参考文献 18 中的综述)。慢波上行阶段反映神经元活动期,慢波下行阶段反映神经元沉默期 [19],从而协调丘脑皮质睡眠纺锤波和海马尖波涟漪之间的时间相互作用,这已被证明可以支持长期记忆保留 [20,21]。尽管如此,慢波是否是维持大脑和身体健康的不可或缺的驱动力,仍在很大程度上尚未得到探索。为了阐明慢波对大脑和身体功能的功能性作用,需要调节这些振荡。在过去的几年里,听觉刺激已经成为一种有前途的、非侵入性的、可行的方法,可以在深度睡眠期间选择性地调节慢波 [9,22–24]。然而,由于刺激方案多种多样,导致对行为结果的发现不一致(例如,参见参考文献25 中的综述),并且缺少对这些方法在选择性增强或减少慢波方面的有效性的比较。Ngo 等人[9] 首次报告,针对正在进行的慢波的上升阶段似乎对改善隔夜记忆巩固很重要。另一方面,下行阶段刺激则会干扰慢波以及陈述性记忆和运动记忆的巩固[9, 26]。然而,除了选择合适的听觉刺激目标阶段外,序列中的刺激数量也是可变的,例如,双音调刺激方案之后是后续刺激中断[9, 23],或窗口方法,其中听觉刺激仅在预定长度的 ON 窗口内呈现[7, 8, 22]。除了上述在一定程度上依赖于慢波相位和/或存在(闭环刺激)的程序外,完全开环听觉刺激也已被证明可以增强慢波[11,27]。需要考虑的另一个参数是刺激的音量以及刺激是通过耳机还是扬声器播放。此外,一些研究使用50至60 dB之间的固定音量[9,23,28],或30至60 dB之间的个体和/或自适应音量[10,11,22]。尽管已经应用了许多刺激方法,但听觉刺激仍处于起步阶段。因此,听觉刺激的全部潜力尚未得到充分挖掘,为此需要对其效果有更深入的了解。此外,目前尚不清楚听觉刺激效果是否在整个睡眠周期内保持稳定,以及刺激效果是否在几秒钟的刺激中保持不变。为了促进对听觉慢波调制的理解,我们在此提出了一种新方法,使用窗口 10 秒刺激开启(播放听觉刺激)然后 10 秒关闭(不播放听觉刺激)方法比较单个睡眠期间的不同听觉刺激条件。这种夜间设计消除了任何
摘要 在生态环境中理解和预测他人的行为是社会神经科学的一个重要研究目标。在这里,我们部署了一种移动脑体成像 (MoBI) 方法来分析现场爵士乐表演期间专业音乐家之间的脑间交流。具体来说,在一场分为三部分的 45 分钟的爵士乐表演中,我们进行了双谱分析以评估来自三位专业音乐家的头皮脑电图 (EEG) 信号的同步性,在此期间,每五分钟就会有一位新音乐家加入。我们估算了所有音乐家二元组、电极组合和五个频带的双谱。结果显示,当更多音乐家一起表演以及他们同步演奏乐句时,β 和伽马频带 (13-50 Hz) 中的双谱更高。在确定的同步表演事件前约三秒发现了正双谱幅度变化,表明准备性皮质活动可预测协同行为动作。此外,随着音乐家的表演越来越多,电极区域之间的同步脑电图活动也越来越多,其中颞叶、顶叶和枕叶区域之间的脑内同步最为频繁。音乐家大脑活动同步性的提高反映了音乐即兴演奏任务中共享的多感官处理和动作意图。
Vikrant Kumar,1,2,35 Richard B. Pouw,3,4,5,35 Matias I. Autio,1,6,35 Manfred G. Sagmeister,7,35 Zai Yang Phua,1 Lisa Borghini,1,26,26,26,26,27 Ouwer,4,5 Ellie Pinnock,10 Jan Hazelzet,12 Marieke Emonts,13,14,15 Michiel van der Flier,16,17 Mark Rei,然后,每个霍夫曼18岁。 Es,23,24,25 Salas,25,Colk Fin 10 Enitan D. Carrol,28 Andrew J. Pollard,29 Lachlan J. Coin,30 Werner Zenz,Werner Zenz,7 Diana Wouters,4,4,5 Lay Teng Ang,9 Martin L.
摘要 乐器调音的标准音高是 440 Hz,而另一种音高是 432 Hz,也称为威尔第的 A。伟大的塞尔维亚科学家尼古拉·特斯拉的名言认为,通过思考能量、振动和频率可以揭示宇宙的秘密,由此得出结论,在音乐作为一种通用的行星语言中应用频率标准非常重要。作者通过大量实验试图证明 432 Hz 音乐的积极甚至治疗作用,这些实验使用生物识别方法进行,监测呼吸、心率、血压或皮肤水分。本文是借助脑电图设备直接测量大脑反应并比较 432Hz 和 440 Hz 乐器对音乐听众的影响的尝试的结果。
使用深度学习技术通过 MRI 图像对脑肿瘤进行检测和分类 Rashika Mangla 德里理工大学应用数学系,新德里,印度 *通讯作者电子邮件:rashika123mangla@gmail.com Chetna 德里理工大学应用数学系,新德里,印度 电子邮件:chetnamor4family@gmail.com 摘要 --- MRI 图像在脑肿瘤分类和检测中起着重要作用,但与使用医疗设备进行检测和分类(由放射科医生或临床专业人员完成一项耗时费力的任务,其准确性仅取决于经验)相比,使用深度学习技术和算法对脑肿瘤进行检测和分类会有所帮助。因此,为了克服这些限制,使用计算机辅助技术变得越来越重要。在本文中,早期检测和诊断的脑肿瘤图像及其 csv 数据已被用来找出 CNN 算法对肿瘤检测的准确性和 SVM 算法对肿瘤良性和恶性分类的准确性。HOG 已用于特征提取。经过实验,观察到CNN的检测准确率达到了87.02%,进一步利用SVM对肿瘤进行分类,最高准确率达到了96.35%。实验证明,即使在整个过程中使用了三种不同的方法,检测和分类的准确率仍然很高。关键词---CNN (卷积神经网络)、HOG (方向梯度直方图)、SVM (支持向量机)、磁共振成像 (MRI)。引言脑瘤是一种脑部异常生长,可能是有害的,也可能是无癌的。不受控制的细胞增殖和过度的脑损伤会导致
使用 DGMM²RBCNN 技术进行脑肿瘤检测和分类 Sandhya。 U 助理教授,ECE 系,GRT 工程技术学院,蒂鲁塔尼 电子邮件:sandhya.u@grt.edu.in K Naresh Kumar 助理教授/ECE,GRT 工程技术学院,蒂鲁塔尼 电子邮件:naresh.kr84@gmail.com Saranya AP 助理教授,ECE,GRT 工程技术学院,蒂鲁塔尼 电子邮件:saranya.ap@grt.edu.in N. Jayapal 助理教授,ECE 系,Kongunadu 工程技术学院,Trichy² 621215,泰米尔纳德邦 jayapal385@gmail.com 电子邮件:S. Kumarganesh 博士 教授,ECE 系,知识技术学院,Salem-637504,泰米尔纳德邦 电子邮件:skgece@kiot.ac.in 摘要 --- 多形性胶质母细胞瘤占成人恶性原发性脑肿瘤的 80%,分为两种类型: 高级别胶质瘤(HGG)和低级别胶质瘤(LGG)。LGG 肿瘤的侵袭性低于 HGG 肿瘤,生长速度较慢,对治疗有反应。由于脑肿瘤患者难以进行肿瘤活检,因此磁共振成像 (MRI) 等非侵入性成像方法已被广泛用于诊断脑癌。在本文中,我们利用多序列 MR 数据研究了深度卷积神经网络 (ConvNets) 对脑肿瘤进行分类。使用基于人工智能的解决方案可以早期发现肿瘤。这样,可以尽早发现肿瘤,并解决可能危及人类生命的疾病。该架构用于尽早发现可能的脑癌,这对人类生命构成了严重威胁。
摘要 目的:从脑电信号中解码手部运动对上肢障碍患者的康复和辅助至关重要。现有的从脑电信号中解码手部运动的研究很少考虑干扰因素。然而在实际生活中,患者在使用手部运动解码系统时可能会受到干扰。本文旨在研究认知干扰对运动解码性能的影响。方法:首先利用黎曼流形提取仿射不变特征和高斯朴素贝叶斯分类器(RM-GNBC),提出一种从脑电信号中对认知干扰进行手部运动方向鲁棒解码的方法。然后,利用无干扰和有干扰条件下的实验和模拟脑电数据,比较三种解码方法(包括所提出的方法、切向空间线性判别分析(TSLDA)和基线方法))的解码性能。结果:仿真和实验结果表明,基于黎曼流形的方法(即RM-GNBC和TSLDA)在无认知分心和有认知分心条件下的准确率均高于基线方法,且无认知分心和有认知分心条件下解码准确率的下降幅度小于基线方法。此外,RM-GNBC方法在无认知分心和有认知分心条件下的准确率分别比TSLDA方法高6%(配对t检验,p=0.026)和5%(配对t检验,p=0.137)。结论:结果表明,基于黎曼流形的方法对认知分心具有更高的鲁棒性。意义:本研究有助于开发脑机接口(BCI),以改善现实生活中手部残疾患者的康复和辅助,并为研究分心对其他BCI范式的影响开辟了道路。
近年来,机器学习在图像分割和分类任务中表现出色,被广泛应用于医学图像分析。机器学习,尤其是监督学习的成功取决于手动注释数据集的可用性。对于医学成像应用,这种带注释的数据集并不容易获取,需要大量的时间和资源来整理带注释的医学图像集。在本文中,我们提出了一种有效的脑部 MRI 图像注释框架,可以为人类专家提供信息丰富的样本图像进行注释。我们在两个不同的脑图像分析任务上评估了该框架,即脑肿瘤分割和全脑分割。实验表明,对于 BraTS 2019 数据集上的脑肿瘤分割任务,仅使用 7% 带有提示性注释的图像样本训练分割模型就可以实现与在完整数据集上训练相当的性能。对于 MALC 数据集上的全脑分割,使用 42% 带有提示性注释的图像样本进行训练就可以实现与在完整数据集上训练相当的性能。所提出的框架展示了一种在医学成像应用中节省手动注释成本和提高数据效率的有希望的方法。
在包含胶质母细胞瘤的 MRI 图像中,我们考虑了全自动脑肿瘤分割的问题。我们建议采用 3D MedImg-CNN(三维卷积神经网络)方法,该方法在实现高效率的同时实现了高结果,这是当前技术难以实现的组合。我们的 3D MedImg-CNN 直接在原始图像模态上形成,因此可以直接从数据中学习特征表示。我们建议采用两种通路的新型级联架构,每种通路都提供肿瘤细节模型。充分利用我们模型的卷积特性也有助于我们在一分钟内分割出完整的大脑图像。建议的 3D MedImg-CNN 与 CNN 分割系统的效率是使用骰子相似系数 (DSC) 确定的。在 2013 年、2015 年和 2017 年 BraTS 数据集上进行的实验表明,所提出的方法在文献中占主导地位,因为它是最有效的方法之一。关键词 脑肿瘤、卷积神经网络、深度学习、分割
许多视网膜假体系统表明,由于视网膜外变性疾病而失去视力的个体,可以恢复有用的视力。早期的假体研究主要集中在电刺激的结合上,以改善空间分辨率和/或特定视网膜神经节细胞(RGC)类型的偏置刺激,以选择性视网膜在/OFF道路上的选择性激活,以增强视觉感知。为了更好地复制正常视力,考虑通过在RGC种群中产生的峰值活动来考虑信息传递也是至关重要的,因为将大量的视觉信息从眼睛转移到大脑。在以前的研究中,尚未充分探索,这是根据微电极传递的电刺激而创建了多少人工视觉信息。在目前的工作中,我们讨论了神经信息对高质量人工愿景的重要性。首先,我们总结了先前的文献,这些文献从RGC的峰值活动中计算出信息传输速率,以响应视觉刺激。第二,我们举例说明了一些研究,这些研究从电诱发的反应中计算出神经信息。第三,我们介绍了如何以代表性的两种方式计算信息速率 - 直接方法和重建方法。第四,我们在硅方法中介绍了建模人工视网膜神经网络,以探索信息量与尖峰模式之间的关系。最后,我们以临床意义结束了审查,以强调考虑视觉信息传输以进一步改善视网膜假体的必要性。