XiaoMi-AI文件搜索系统
World File Search System瞳孔
从学生到大脑：通过瞳孔测定法研究皮质可塑性的新见解
瞳孔大小的变化与大脑活动模式的变化有关，与特定的认知因素有关，例如唤醒，注意力和精神努力。基因座（LC）是大脑去甲肾上腺素能系统中的关键枢纽，被认为是对学生大小的认知控制的关键调节剂，瞳孔直径的变化与去甲肾上腺素（NE）的释放相对应。目光跟踪技术和开源软件的进步已促进了各种实验环境中准确的学生大小测量，从而增加了对使用瞳孔计量法来跟踪神经系统激活状态的兴趣，并作为脑疾病的潜在生物标志物。本评论探讨了瞳孔测定法作为一种非侵入性和完全翻译的工具，用于研究皮质可塑性，从最近的文献开始，这表明羽毛状测定法可能是估计人类受试者残留可塑性程度的有希望的技术。鉴于NE被称为皮质可塑性和唤醒的关键介体，因此综述包括数据揭示了LC-NE系统在调节脑可塑性和瞳孔大小中的重要性。最后，我们将回顾一下数据，表明瞳孔测定法可以在临床前研究中提供对皮质可塑性的定量和互补度量。
基于遗传算法和人工神经网络的瞳孔反应客观疼痛测量实验研究
摘要 对医疗保健提供者来说，获得患者疼痛程度的客观测量一直是一个挑战。医院环境中最常见的疼痛评估方法是询问患者的口头评分，这被认为是一种主观方法。为了获得患者的客观疼痛程度，我们建议使用瞳孔反应和机器学习算法来客观地测量疼痛程度。东北大学招募了 32 名健康受试者参与了这项研究。通过要求健康受试者将手放在装满冰水的桶中，对他们施加疼痛刺激。我们从瞳孔直径数据中提取了 11 个特征。为了获得最佳特征子集，使用遗传算法 (GA) 为人工神经网络 (ANN) 分类器选择特征。在特征选择之前，ANN 的 f1 分数为 54.0 ± 0.25%，包含所有 11 个特征。经过特征选择后，ANN 使用所选特征子集（即平均值、均方根 (RMS) 和瞳孔曲线下面积 (PAUC)）表现出最佳性能，准确率为 81.0%。实验结果表明，瞳孔反应与机器学习算法相结合可能是一种有前途的客观疼痛水平评估方法。这项研究的结果可以改善患者在远程医疗中测量疼痛的体验，尤其是在大多数人不得不待在家里的疫情期间。
验光委员会 - 会议材料 - CA.gov
• PupilQuest 临床案例研究 • 临床案例研究#1：单侧黑蒙 • 预计无瞳孔不等大 o 预计无黑蒙性固定瞳孔 • 临床案例研究#2：单侧TractusLesion • 预计无瞳孔不等大 • 预计病变对侧出现 RAPD • 临床案例研究#3：单侧PretectumLesion • 预计无瞳孔不等大 • 预计出现 RAPD • 总结和展望： o 继续完善 Pupi/Quest o 瞳孔测量法可用于检测： • 脑损伤 • 睡眠障碍（例如睡眠呼吸暂停） • 其他眼科疾病。 • 瞳孔测量法是非侵入性的。 o 瞳孔测量法可在移动环境中进行。
自动瞳孔测量和认知范式揭示急性脑损伤中的隐秘意识
摘要背景：识别重症监护病房 (ICU) 昏迷和其他意识障碍 (DoC) 患者的隐性意识对于治疗决策至关重要，但缺乏灵敏的低成本床边标记。我们研究了自动瞳孔测量结合被动和主动认知范式是否可以检测出患有 DoC 的 ICU 患者的残留意识。方法：我们前瞻性地招募了来自三级转诊中心 ICU 的临床反应低或无反应的创伤性或非创伤性 DoC 患者。年龄和性别匹配的健康志愿者作为对照组。患者被分为临床无反应（昏迷或无反应性觉醒综合征）或临床反应低（微意识状态或更好）。使用自动瞳孔测量法，我们记录了被动（视觉和听觉刺激）和主动（心算）认知范式下的瞳孔扩张情况，并设定了特定任务的成功标准（例如，连续 5 次心算任务中 5 次瞳孔扩张中有 ≥ 3 次）。结果：我们从 91 名 ICU 脑损伤患者（平均年龄 60 ± 13.8 岁，31% 为女性，49.5% 为非创伤性脑损伤）的 178 个时间点获取了 699 次瞳孔测量记录。还从 26 名匹配的对照者（59 ± 14.8 岁，38% 为女性）获取了记录。被动范式对患者和对照者之间的区别有限。然而，主动范式可以区分不同的意识状态。对于中等复杂程度的心算，17.8% 的临床无反应患者和 50.0% 的临床低反应患者出现≥ 3 次瞳孔扩张（风险比 4.56，95% 置信区间 2.09–10.10；p < 0.001）。相比之下，76.9% 的健康对照者出现≥ 3 次瞳孔扩张（p = 0.028）。使用不同成功阈值进行的敏感性分析的结果保持一致。Spearman 等级分析强调了心算过程中瞳孔扩张与意识水平之间的密切关联（rho = 1，p = 0.017）。值得注意的是，一名行为无反应的患者在出现明显的意识迹象前 2 周表现出持续的服从命令行为，表明认知运动分离存在长时间。结论：自动瞳孔测量结合心算可以识别 ICU 急性 DoC 患者的认知努力，从而识别隐性意识。关键词：心脏骤停、认知运动分离、昏迷、重症监护医学、创伤性脑损伤
基于移动智能手机的数字瞳孔测量曲线在创伤性脑损伤诊断中的应用
的严重 TBI 患者未得到充分分诊并被送往非创伤医院（Capone-Neto 和 Rizoli，2009 年；Carrick 等人，2021 年）。这种分诊不足模式导致美国 TBI 患者的超额死亡率为 25%（Chesnut 等人，1993 年；Capone-Neto 和 Rizoli，2009 年；Chen 等人，2011 年；Cheng 等人，2017 年；Carrick 等人，2021 年）。在世界 85% 的人口居住的中低收入国家，超额死亡率可能更高，严重 TBI 后的死亡率会翻倍（Couret 等人，2016 年；Alali 等人，2018 年；Dagain 等人，2018 年；Dewan 等人，2018a 年）。在现场进行初步创伤调查本质上非常复杂，特别是在涉及头部和颈部受伤的病例中（Alali 等人，2018 年）。一种完善的 TBI 生物标志物是瞳孔对光反射 (PLR)。瞳孔对闪光的反射性收缩直接反映了中枢神经系统的功能状态 (Dewan 等人，2018b；GBD，2019；Gurney 等人，2020)。PLR 可指示颅内压升高，这是 TBI 的更严重后果 (Haas 等人，2010)，并且即使在脑震荡 (Hall and Chilcott，2018) 和轻度 TBI (Helmick 等人，2015) 中也显示出异常。 PLR 是 TBI 最重要的早期指标之一（Hernández-Sierra 等人，2021 年），最简单、最常见的 PLR 评估方法是传统的笔电检查（也称为手动瞳孔测量法），其中使用手持光源引起瞳孔收缩。然后，检查者用肉眼确定 PLR 的程度和性质。虽然这种方法简单且经济实惠，但缺乏观察者间的信度（GBD，2019 年）。数字瞳孔测量法目前是评估 PLR 的黄金标准（Larson 和 Behrends，2015 年）；然而，这种机器价格昂贵，需要专门的培训才能使用。为了解决当前临床瞳孔测量技术的缺点，我们开发了一款名为 PupilScreen 的移动应用程序（Mariakakis 等人，2017 年；图 1）。 PupilScreen 是一款机器学习驱动的应用程序，依赖于计算机视觉神经网络算法，旨在在智能手机平台上进行瞳孔测量，以提供一种比手动瞳孔测量更准确、更可靠的 PLR 评估方法，同时比数字瞳孔测量更容易使用。虽然之前发表的一项研究证明了该应用程序在评估 PLR 方面的准确性（Mariakakis 等人，2017 年），但将这些结果呈现给检查者进行解释的最佳方法仍不清楚。本研究的目的是确定从业者是否可以通过查看 PupilScreen 生成的 PLR 曲线来评估 PLR 是否正常，并将这种评估方法与更传统的笔电方法的评分者间信度进行比较。确实存在通过智能手机检测 PLR 的替代方法（Meeker 等人，2005 年；McAnany 等人，2018 年；Master 等人，2020 年），但 PupilScreen 目前在双目测量 PLR 的方法方面是独一无二的。
医疗政策定量胎合法/伪造
指南：•本政策未证明福利的福利或授权，这是由每个个人保单持有人条款，条件，排除和限制合同指定的。它不构成有关承保或报销/付款的合同或担保。自给自足的小组特定政策将在小组补充计划文件或个人计划决策中指导其他情况时取代该一般政策。•最重要的是通过编码逻辑软件适用于所有医疗主张的编码编辑，以评估对公认国家标准的准确性和遵守。•本医疗政策仅用于指导医疗必要性，并解释用于协助做出覆盖决策和管理福利的正确程序报告。范围：X专业X设施描述：瞳孔检查已被用作重症患者的基本措施，对疾病的预后和管理很重要。传统上，瞳孔测量是以主观的方式进行的 - 通过笔手电筒来评估反应性和学生规模的瞳孔量表。瞳孔测定法是指测量学生直径的客观方法。Neuroptics NPI-100划分仪是一种手持式便携式红外装置，可靠地测量瞳孔光反射和学生尺寸。是神经学瞳孔指数（NPI）的数字量表，允许对瞳孔反应进行更严格的解释和分类。研究受到不受控制的设计的限制；缺乏高质量控制的临床试验数据。策略：通过比较瞳孔的光反射与NPI模型中的规范性数据，并自动得出瞳孔反射是正常范围（“ Brisk”），还是在正常范围内（“ Slugggy”）（“ Sluggging”），并提供可靠的拟定响应的方式来定量分类。在已发表的同行评审的科学文献中没有足够的证据证明了定量式划分测定法的有效性或临床实用性。尚未确定瞳孔测定法的作用。
测试盒代表与眼部相关的脑损伤......
三种不同的脑神经调节运动。脑神经 III、IV 和 VI。脑神经 III 支配上直肌和下直肌，使瞳孔上下移动。脑神经 VI 支配外直肌，使瞳孔向外拉，然后脑神经 III 支配内直肌，使瞳孔向内拉。通过这种方式，人们可以通过观察是大运动受损还是协调受损来区分影响神经或通路的病变。
通过触摸材料表面来测量情绪
通过基于对各种刺激进行盲测的协议，研究了触摸材料时产生的情感。人类对材料的情感反应通过以下方式进行评估：（i）使用问卷收集效价和强度的明确测量，以及（ii）通过瞳孔测量设备对自主神经系统活动的隐性测量。一组由 25 名大学生（13 名女性，12 名男性）组成的小组，年龄从 18 岁到 27 岁不等，盲测了 12 种材料，例如聚合物、砂纸、木材、天鹅绒和毛皮，这些材料是随机排列的。在测量初始瞳孔直径作为参考后，记录了其在触觉探索过程中的变化。每次触摸后，参与者都被要求量化材料的情感价值。结果表明，瞳孔大小的变化与情感强度有关。与中性材料相比，触摸令人愉悦或不愉快的材料时，瞳孔大小明显更大。此外，在刺激后约 0.5 秒的时间段内，结果显示愉快刺激和不愉快刺激之间存在显著差异，并且根据性别也存在差异，即女性的瞳孔扩张程度高于男性。这些结果表明 (i) 自主神经系统最初对高唤醒刺激敏感，并且 (ii) 经过一段时间后，瞳孔大小会根据诱发的认知兴趣和采用的情绪调节而变化。这项研究表明了材料情感特征对产品设计的兴趣。
在竞争性视听任务条件下，神经 α 振荡和瞳孔大小差异性地指示认知需求
图 1. 实验设计。A：试验设计。听觉和视觉刺激同时呈现。听觉间隙检测任务：参与者必须在白噪声 7 秒内检测到间隙（间隙可能发生在 4-6 秒的时间窗口内）。对于“困难”条件，间隙持续时间单独滴定至 75% 正确。对于“简单”条件，间隙持续时间加倍。多物体跟踪任务：参与者观看 16 个移动点，并被要求在移动点场景中跟随最初提示的（红色）点。7 秒后，点停止移动，三个点被标记为绿色，并标为 1、2 和 3。参与者必须决定三个点中的哪一个是提示点。参与者必须跟随一个（简单）或五个（困难）点。分析集中在 3-4 秒的时间窗口（间隙前窗口；此外，由于其反应缓慢，还关注 5-6 秒的瞳孔大小窗口）。 B：单任务会话（左）和双任务会话（右）的设计。在单任务会话中，参与者分别执行听觉和视觉任务（但始终呈现视听刺激）。在双任务条件下，参与者同时执行这两项任务。C：假设示意图。如果生理测量指标独立于模态来指示认知需求，则难度增加的影响在各种模态之间应该是相同的（左图）。或者，难度增加的影响可能在不同的感官模态之间有所不同（右图）。
基于机器学习的操作员分析瞳孔反应，以评估临床超声成像中的认知工作量
简介：瞳孔测量，眼瞳直径的测量，是一种公认的客观形态，与认知工作量相关。在本文中，我们分析了超声成像算子的瞳孔响应，以评估其认知工作量，并在进行常规的胎儿超声检查时被捕获。我们的实验和分析是在自然临床环境条件下使用远程眼球跟踪获得的现实世界数据集进行的。方法：我们的分析管道涉及仔细的时间序列（时间序列）提取，通过回顾性将瞳孔直径数据与在多模态数据采集设置中相应的超声扫描视频中捕获的任务匹配。接下来是学生直径预处理和PU胎儿反应序列的计算。对操作员瞳孔响应（胎儿心脏与胎儿大脑）与操作员专业知识（新资格的与经验丰富的操作员）之间分布的探索性统计分析进行了比较。机器学习将被探索以将时间序列自动分类为具有经典（浅层）模型的时间，频谱和时频特征，并将其经验分类为相应的超声处理任务和操作员体验，以及卷积神经网络作为深度学习模型。结果：提取的瞳孔响应的初步统计分析显示，不同的超声任务和操作员专业知识的显着差异，表明每种情况下的认知工作量不同，如通过划分测量。对于超声检查任务分类和操作员经验分类，曲线（AUC）值（AUC）值（AUC）值分别为0.98和0.80，在曲线（AUC）值（AUC）值下实现了接收器的操作。结论：我们得出结论，我们可以在超声操作员执行常规扫描时成功地评估瞳孔直径变化的认知工作量。机器学习允许使用瞳孔响应序列作为操作员的认知工作量的索引来歧视执行的超声检查任务和扫描专业知识。高认知工作量可以降低操作员的效率并限制其决策，因此，客观评估认知工作量的能力是迈出这些对运营商在生物医学应用（例如医学成像等生物医学应用中）产生影响的第一步。