XiaoMi-AI文件搜索系统
World File Search System细心
端到端3D卷积神经网络，用于解码细心的精神状态
对待精神状态的检测在神经反馈过程以及注意力缺陷和多动症（ADHD）中起着至关重要的作用。但是，检测方法的性能仍然不满意。挑战之一是为脑电图（EEG）数据找到适当的表示，该数据可以保留时间信息并保持空间拓扑特征。受到大脑 - 计算机界面（BCI）领域研究中的深度学习（DL）方法的启发，提出了提出了带有级联和平行卷积操作的3D卷积神经网络模型的EEG信号的3D表示。该模型利用了三个级联块，每个级联块由两个平行的3D卷积分支组成，以同时提取多尺度特征。在包含26名受试者的公共数据集上进行了评估，与对象内，受试者间和受试者自适应分类方案相比，所提出的模型的性能更好。这项研究证明了3D CNN模型检测细心状态的有希望的潜力。©2021 Elsevier Ltd.保留所有权利。
患有和以后的自闭症的婴儿的细心脑状态
抽象的早期困难在使细心的大脑状态参与社会环境中可能会影响学习并对社会发展产生级联影响。我们在8个月大的婴儿（FH，n = 91）和没有（NOFH，n = 40）的自闭症谱系障碍（ASD）的家族史（ASD）中，使用多通道脑电图在面部/非面部范式中进行了多通道脑电图（ASD）。在3岁时接受ASD诊断为ASD的FH婴儿（FH-ASD; n = 19），与事件相关的潜在组成部分进行了NC的比较（FH- NOASD; n = 72）和NOFH的婴儿（也没有，也没有，也没有，也没有，Heafter nofhnoafhnoassd; n = 40;“原型”微晶格，并与后来的分类和维度结果进行了检查。机器学习用于识别最佳预测ASD和社会适应技巧的微晶特征。结果表明，尽管大脑状态时机的度量与分类ASD结果有关，但大脑状态强度与社会功能的维度测量有关。特别是，FH-ASD组相对于其他组显示出较短的NC潜伏期，而对面部的细节响应的持续时间对于分类结果预测提供了信息。降低了直接凝视的面部面孔与专注微晶格的非社会控制刺激和强度对面孔的强度的降低，这有助于预测社交技能的维度变化。在一起，这提供了一致的证据，表明非典型关注参与在社会化中困难的出现，并表明，使用全脑激活的时空特征来在婴儿期定义脑状态，为理解导致ASD的神经发育机制提供了一种重要的新方法。