XiaoMi-AI文件搜索系统
World File Search System左半球
胶质瘤侧化：重点关注解剖定位...
摘要：众所周知，多形性胶质母细胞瘤 (GBM) 的精确定位可以预测肿瘤在周围神经结构中扩散的方向。本综述的目的是通过评估 GBM 经常发生的解剖区域以及在不同大脑区域观察到的主要分子改变来揭示 GBM 的侧化。根据文献，GBM 的精确或最常见的侧化尚未确定。然而，可以说 GBM 在额叶中更常见。与 GBM 有关的束和束似乎集中在皮质脊髓束、上纵束 I、II 和 III 束、弓状束长段、额海峡束和下额枕束。考虑到胶质母细胞瘤的解剖特征及其对大脑的累及，主要累及的大脑区域分别是额叶、颞叶、顶叶和枕叶，这是合乎逻辑的。尽管右半球的肿瘤体积较大，但已确定左半球被诊断为癌症的患者的预后更差，这可能反映了一些有害改变的解剖分布，例如 TP53 突变、PTEN 缺失、EGFR 扩增和
白质大脑结构可预测语言表现和学习成功
图 2 左半球的网络基序 1 ，其在训练前的流行程度与第 1 天的基线表现相关。 （a）九个大脑区域的矢状面和轴向视图（使用 BrainNet viewer；Xia et al., 2013 创建），其中网络组件具有最高（绝对）连接（标签根据 Glasser et al., 2016 ，在图 b 中）。 （b）网络基序中最强连接的弦图，线条粗细表示基序内连接的绝对权重，颜色表示符号（红色：正，蓝色：负）。请注意，网络基序中具有负权重的连接实际上与基序流行程度呈负相关。然后，绘制 185 个大脑区域中的 67 个，网络基序的主要成分（图 a）以彩色突出显示。 （c）训练前网络流行度（右奇异向量V）与训练第一天受试者在双中心嵌入任务中的表现的回归图（r=.567，p=.046）
人类大脑中的超模态句子处理
本研究调查了两个问题。一是：除了单个单词之外的句子处理在多大程度上独立于输入模态（语音与阅读）？第二个问题是：两种模态所招募的网络的哪些部分对句法复杂性敏感？这些问题是通过让 200 多名参与者阅读或聆听格式良好的句子或一系列不相连的单词来调查的。发现一个主要位于左半球的额颞顶网络本质上是超模态的，即独立于输入模态。此外，左下额叶 (LIFG) 和左后中颞叶 (LpMTG) 与左分支复杂性最明显相关。左前颞叶对右分支复杂性不同的句子表现出最大的敏感性。此外，LIFG 和 LpMTG 中的活动从句子开始到结束增加，同时左分支复杂性也增加。虽然 LIFG、双侧前颞叶、后 MTG 和左下顶叶均对超模态统一过程有所贡献，但结果表明这些区域对句法复杂性相关处理的贡献各不相同。本文讨论了这些发现对语言处理的神经生物学模型的影响。
脑网络近似熵在半球差异研究中的应用
摘要：人脑是一个动态复杂系统，可以用不同的方法进行研究，包括线性和非线性方法。脑电图 (EEG) 分析中广泛使用的非线性方法之一是熵，即系统无序性的测量值。本研究调查了大脑网络，应用近似熵 (ApEn) 测量来评估半球脑电图差异；评估了不同记录会话中 ApEn 数据的可重复性和稳定性。20 名健康成年志愿者接受了 80 次闭眼静息脑电图记录。枕骨区域存在显著差异，左半球的熵值高于右半球，表明根据执行的功能，半球以不同的强度变得活跃。此外，事实证明，在相对较短的 EEG 时期以及 36 名受试者的 1 周间隔时间内，本方法都是可重复且稳定的。非线性方法是研究大脑网络动态的有趣探索。ApEn 技术可能为了解与年龄相关的大脑断开的病理生理过程提供更多见解，并可用于监测药物和康复治疗的影响。
图表之间的因果关系，并应用于自闭症谱系障碍中功能性大脑连通性
摘要：图形/网络已成为数据建模的强大分析方法。此外，随着传感器技术的进步，动态的时间不断发展的数据变得越来越普遍。在这种情况下，一个兴趣点是对网络内部和网络之间的信息流的更好理解。因此，我们旨在推断网络时间序列之间的Granger因果关系（G-CAUSALITY）。在这种情况下，完善的矢量自回归模型的直接应用是不可行的。因此，我们需要一个理论框架来建模时间变化图。一种可能性是考虑一个具有时变参数（假定为随机变量）的数学图模型。假设我们识别图模型参数之间的g-causality。在这种情况下，我们可以使用它来定义图之间的g-果实。在这里，我们表明，即使模型未知，光谱半径也是某些随机图模型参数的合理估计。我们说明了我们的提议的应用，以研究对照组的大脑半球与被诊断为自闭症谱系障碍（ASD）的儿童之间的关系。我们表明，ASD和对照之间的G-伴侣强度从大脑的右侧到左半球有所不同。
TSception：利用脑电图进行情绪检测的深度学习框架
摘要 — 在本文中，我们提出了一种深度学习框架 TSception，用于从脑电图 (EEG) 中检测情绪。TSception 由时间和空间卷积层组成，可同时学习时间和通道域中的判别表示。时间学习器由多尺度 1D 卷积核组成，其长度与 EEG 信号的采样率有关，可学习多个时间和频率表示。空间学习器利用额叶大脑区域情绪反应的不对称特性来学习来自大脑左半球和右半球的判别表示。在我们的研究中，设计了一个系统来研究沉浸式虚拟现实 (VR) 环境中的情绪唤醒。使用该系统从 18 名健康受试者收集了 EEG 数据，以评估所提出的深度学习网络对低情绪唤醒状态和高情绪唤醒状态进行分类的性能。将所提出的方法与 SVM、EEGNet 和 LSTM 进行了比较。 TSception 实现了 86.03% 的高分类准确率，显著优于之前的方法（p <0.05）。索引词 — 深度学习、卷积神经网络、脑电图、情绪唤醒、虚拟现实
神经学鸿沟：散文和代码写作的 fMRI 研究
软件工程涉及编写新代码或编辑现有代码。最近的研究已经调查了与阅读和理解代码相关的神经过程——然而，我们缺乏对代码编写背后的人类认知过程的透彻理解。虽然散文阅读和写作已经得到了彻底的研究，但同样的研究还没有应用于代码编写。在本文中，我们利用功能性脑成像来研究代码编写与散文写作的神经表征。我们提出了第一项人类研究，其中参与者在接受功能性磁共振成像 (fMRI) 脑部扫描时编写代码和散文，使用全尺寸 fMRI 安全的 QWERTY 键盘。我们发现代码编写和散文写作是截然不同的神经任务。虽然散文写作需要与语言相关的大量左半球活动，但代码编写需要更多右半球的激活，包括与注意力控制、工作记忆、规划和空间认知相关的区域。这些发现与研究代码和散文理解的现有工作不同。相比之下，我们提出了第一个证据，表明代码和散文写作在神经层面上有很大不同。
使用计算机断层扫描 (CT) 成像检查人脑内的子弹
我们报告了使用计算机断层扫描 (CT) 的 2D 和 3D 图像中人脑内子弹的位置。它基于在圆形 3600 CCD 探测器上用 X 射线光子扫描大脑的硬组织和软组织以及子弹。目标大脑和子弹的吸收在测量电流 (mA) 和映射的亨斯菲尔德单位 (HU) 方面存在显著差异，这是切片数量的函数。2D 和重建的 3D 图像显示大脑软组织，与 HU 较高的子弹部分相比，大脑软组织较暗且 HU 较低，而子弹部分为白色且 HU 较高。子弹与铜 (Cu) 的衰减系数和脑颅骨与钙 (Ca) 的衰减系数高于脑软组织与氢 (H) 和氧 (O) 的衰减系数。一个典型的例子是观察到切片中心的图像在 3071 HU 处显示更亮。生成了 3D 脑结构图像，并在不同的观察位置进行了可视化。子弹的测量值为距离入口（前部）11.28 厘米，距离后部 7.92 厘米，深度 6.96 厘米，位于大脑上部。根据我们的分析，子弹位于左半球，是下丘脑和胎盘的一部分。
构建利用多脑区 GLCM 特征和机器学习技术的精神分裂症识别方法
摘要：准确诊断精神分裂症是一种复杂的精神疾病，对于有效管理治疗过程和方法至关重要。各种类型的磁共振 (MR) 图像都有可能作为精神分裂症的生物标志物。本研究旨在通过结构 MR 图像对精神分裂症患者和健康对照者大脑双侧杏仁核、尾状核、苍白球、壳核和丘脑区域可能出现的纹理特征差异进行数值分析。为此，使用机器学习方法对从右脑、左脑和双侧大脑的五个区域获得的灰度共生矩阵 (GLCM) 特征进行分类。此外，还分析了这些特征在哪个半球更具特色，以及 Adaboost、Gradient Boost、eXtreme Gradient Boosting、随机森林、k-Nearest Neighbors、线性判别分析 (LDA) 和朴素贝叶斯中的哪种方法具有更高的分类成功率。检查结果显示，左半球这五个区域的 GLCM 特征在精神分裂症患者中的分类性能优于健康人。使用 LDA 算法，在健康和精神分裂症患者中，分类成功率为 100% AUC、94.4% 准确率、92.31% 灵敏度、100% 特异性和 91.9% F1 得分。因此，这表明五个预定区域而不是整个大脑的纹理特征是识别精神分裂症的重要指标。
发掘弱监督端到端的潜力......
中风后言语和语言障碍（失语症）严重影响患者的生活质量。许多症状轻微的患者仍未得到诊断，而且由于医疗费用和/或服务不足，大多数人没有接受建议的强化治疗。自动语音识别 (ASR) 可以通过提高诊断率和在定制治疗期间提供反馈来帮助克服这些困难。然而，由于言语错误的高度可变性和训练数据集的稀缺，其性能通常不令人满意。本研究评估了最近发布的端到端模型 Whisper 在中风后失语症 (PWA) 患者中的表现。我们调整了它的超参数以实现失语症语音的最低字错误率 (WER)。与年龄匹配的对照组相比，PWA 中的 WER 显着更高（10.3% vs 38.5%，p < 0.001）。我们证明，通过表达性（外显命名和自发性言语生成）和接受性（书面和口头理解）语言评估，更严重的失语症与更严重的 WER 相关。中风病变大小不会影响 Whisper 的性能。考虑人口统计学因素、治疗持续时间和中风后时间的线性混合模型证实，左半球额叶病变患者的 Whisper 性能更差。我们讨论了这些发现对于如何在 PWA 中改进未来 ASR 的意义。