XiaoMi-AI文件搜索系统
World File Search System脑卒中
静息态功能连接对中风后上肢功能结果的影响：一项功能性近红外光谱研究
方法：纳入 49 名患有皮质下病变的亚急性（2 周 − 6 个月）脑卒中患者，根据 FMA-UE 评分分为三组：轻度损伤（n = 17）、中度损伤（n = 13）和重度损伤（n = 19）。所有患者均接受 FMA-UE 评估和 10 分钟静息态 fNIRS 监测。在 7 个 ROI 上记录 fNIRS 信号：双侧背外侧前额皮质（DLPFC）、中部前额皮质（MPFC）、双侧初级运动皮质（M1）和双侧初级体感皮质（S1）。通过每个通道与每个 ROI 对之间的相关系数计算功能连接（FC）。为了揭示三组之间 FC 的综合差异，我们比较了组水平和 ROI 水平的 FC。此外，为了确定不同 ROI 之间的 FMA-UE 评分与 RSFC 之间的关联，我们进行了 Spearman 相关性分析，显著性阈值为 p < 0.05。为了便于比较，我们在 MATLAB R2013b 中将左半球定义为同侧半球，并将病变右半球翻转。
利用脑磁共振图像和临床数据训练深度学习算法，预测放射冠梗塞患者的运动结果
早期准确预测长期运动恢复程度对于制定针对性脑卒中患者的康复策略具有重要意义。使用临床参数和脑磁共振图像作为输入，我们开发了一种深度学习算法，以提高对放射冠 (CR) 梗塞患者长期运动结果的预测准确性。使用脑磁共振图像和 CR 梗塞后不久获得的临床数据，我们开发了一种综合算法来预测患者发病后 6 个月的手部功能和步行结果。为了开发和评估该算法，我们回顾性招募了 221 名 CR 梗塞患者。综合改良 Brunnstrom 分类预测模型验证集的曲线下面积为 0.891，95% 置信区间为（0.814–0.967），综合功能性步行类别预测模型的曲线下面积为 0.919，95% 置信区间为（0.842–0.995）。我们证明了使用患者的临床数据和 CR 梗塞后不久获得的脑磁共振图像训练的综合算法可以促进对长期手部功能和行走结果的准确预测。未来的努力将致力于寻找更合适的输入变量，以进一步提高深度学习模型在临床应用中的准确性。
基于脑电图的中风患者运动想象和运动执行过程中大脑连接的变化
脑电图 (EEG) 可以记录与运动相关的大脑区域的功能连接，并预测中风后运动恢复的可能性 ( Hoshino et al., 2020 )。PMA 位于皮质运动区前部，中央前回前方。其主要生理功能是运动的准备和计划，这是一个至关重要的运动控制组成部分 ( Park et al., 2011; Wang et al., 2016 )。在 ME 期间，MA 接收来自 PMA 的信号，随后向身体肌肉发送命令来执行动作，从而控制身体运动 ( Fleischmann et al., 2014 )。此外，通过 EEG 测量的运动皮质连接，特别是同侧运动区和同侧运动前区 (PMA) 连接，与运动障碍和中风后治疗的改善密切相关；因此，它可能是皮质功能和可塑性的有用生物标志物 ( Wu et al., 2015 )。与功能性磁共振成像（fMRI）或脑磁图（MEG）相比，电流源估计的可靠性和空间分辨率有限；但脑电图具有低成本和便携性的优势（Xiaogang et al.，2021）。它可用于脑卒中患者的床边评估，其毫秒级的时间分辨率有利于探索神经活动的动态变化（Warbrick，2022）。
基于 VR 的运动想象和观察任务激活大脑：一项 fMRI 研究
在脑卒中后康复策略中，训练运动想象 (MI) 和运动观察 (MO) 任务正被广泛利用来促进大脑可塑性。这可能得益于使用闭环神经反馈，嵌入脑机接口 (BCI) 以提供替代的非肌肉通道，该通道可通过虚拟现实 (VR) 传递的具体反馈进一步增强。在这里，我们在一组健康成年人中使用功能性磁共振成像 (fMRI) 来绘制由基于 VR-BCI 范式的生态有效任务 NeuRow 引起的大脑激活，参与者用左臂或右臂进行划船的 MI（即 MI），同时以第一人称视角观察同一侧化身的虚拟手臂的相应运动（即 MO）。我们发现，与基于 Graz BCI 范式的传统 MI 任务以及明显的运动执行任务相比，此 MI-MO 任务引发了更强的大脑激活。它除了激活躯体运动和运动前皮质外，还激活了大部分顶叶和枕叶皮质，包括与动作观察相关的镜像神经元系统 (MNS)，以及与视觉注意力和运动处理相关的视觉区域。总体而言，我们的研究结果表明，生态有效的 MI-MO 任务中手臂的虚拟表示比传统的 MI 任务更能激发大脑的参与，我们建议可以探索更有效的神经康复方案。
中风维持期（生活期）康复的影响......
1）佐伯悟、蜂须贺晶子、伊藤英明等：脑卒中后重返工作岗位的现状。 Stroke 41: 411–416, 2019 2) Edwards JD、Kapoor A、Linkewich E 等：年轻人中风后重返工作岗位：系统评价。Int J Stroke 13: 243–256, 2018 3) Tanaka Kotaka、Toyonaga Toshihiro：职业医生在帮助中风患者重返工作岗位中的作用。日本职业事故医学学会杂志 57: 29–38, 2009 4) Rabadi MH, Akinwuntan A, Gorelick P: 中风后驾驶商用机动车的安全性。中风 41: 2991–2996, 2010 5) Akinwuntan AE, Feys H, De Weerdt W 等：中风后驾驶预测：一项前瞻性研究。神经康复神经修复 20: 417–423, 2006 6) Sumiyoshi Chihiro, Sato Satomi, Toyoda Akihiro 等：中风患者恢复驾驶的程序 - 基于公共交通发展情况的比较 -。日本职业事故医学会杂志 66: 99–104, 2018 7) Chanmas G, Taveekitworachai P, Paliyawan P 等: 基于模拟器的中风驾驶评估系统中的驾驶场景和环境设置：系统评价。Top Stroke Rehabil 8: 1–9, 2023
使用机器学习进行早期预测和风险分析
如今，精神疾病是我们日常生活中功能性和社会问题的主要原因。神经科学表明，我们的大脑是精神压力、焦虑和抑郁的根本原因。我们大脑中的情绪和慢性水平会导致各种生理疾病，如双相情感障碍 (BD)。双相情感障碍是一种情绪障碍，从躁狂发作到严重抑郁，有不同的阶段。临床和研究数据显示，治疗延迟会导致高水平的压力和情绪波动发作，并伴有更严重的后果，如心脏骤停、脑卒中、心脏病发作和抑郁。本文旨在通过研究特征选择、分类和交叉验证来识别心理层面。因此，本文提出了基于机器学习 (ML) 的框架，可在早期识别双相情感障碍，该框架有助于制作基于计算机的预测和诊断工具，用于精神和压力检测。此外，本文分析了不同的转变，如抑郁到躁狂、从抑郁到双相情感障碍、从双相情感障碍到轻躁狂，并识别前双相抑郁症。机器学习算法，如支持向量机 (SVM)、逻辑回归 (LR)、朴素贝叶斯 (NB) 和 K-最近邻 (K-NN)，用于分析风险因素和准确性以获得输出。不同的机器学习模型用于分析心理阶段检测的风险因素和准确性。根据数据集推导出精度、准确度、F1 分数和召回值分析，以预测所需结果。
浅析脑机接口中的人工智能应用
摘要 人工智能 (AI) 已成为神经病学领域的一种变革性工具，为脑部疾病的诊断、治疗和管理提供了创新的解决方案。本综述重点介绍了 AI 在三个关键领域的应用：中风、阿尔茨海默病和动脉瘤。通过分析机器学习算法、深度学习模型和神经网络的最新进展，本文强调了 AI 在提高诊断准确性、预测疾病进展和个性化治疗计划方面的重大影响。在中风的背景下，AI 在增强成像技术和预测患者结果方面发挥了重要作用。对于阿尔茨海默病，通过分析神经影像和临床数据，AI 驱动的工具在早期检测和监测疾病进展方面显示出良好的前景。在动脉瘤的情况下，AI 应用改善了检测和风险评估，促进了及时有效的干预。尽管取得了这些进展，但本综述还讨论了与 AI 整合到临床实践相关的伦理考虑、挑战和局限性。这篇浅显的评论旨在为研究人员、临床医生和政策制定者提供宝贵的见解，促进人工智能技术在脑部疾病管理中的进一步探索和实施，以及脑部疾病成像的商业平台。关键词：脑卒中、阿尔茨海默病、动脉瘤、人工智能、脑部疾病
物理学博士后职位新型磁性微...
一般背景。将药物局部输送到人体难以接近的部位是成功治疗各种严重疾病（如癌症、缺血性心脏病或缺血性脑卒中）的关键。传统疗法要么副作用明显（注射的药物影响健康组织），要么由于这些部位附近的血液循环停滞而导致药物向目标部位的运输效率低下。磁性纳米载体（携带药物的纳米颗粒或磁性脂质体）在外部施加的磁场下沿血管网络引导并直接在目标部位（肿瘤组织或血凝块）释放药物，原则上可以克服这些问题 [1]。然而，由于梯度磁场的物理限制，这种技术不能轻易控制纳米载体通过分支血管网络的位移。磁性载体的形状各向异性和/或柔韧性可通过将磁场梯度与 3D 振荡磁场的复杂叠加，结合其平移、角运动或跳动运动，显著改善对其运动的远程控制 [2]。这种磁性载体被称为磁性微游泳者。在过去的几十年中，人们设计了各种类型的磁性微游泳者，并开发了不同的游泳策略。然而，据我们所知，它们仍然没有一个能满足临床应用的大部分标准。其中一些太大（几毫米大小的微型机器人）而无法穿过血管 [3]，另一些则是使用非常复杂的方法制造的，并且/或者数量非常少，与实际应用不相容 [4]。最近，我们尼斯物理研究所 (INPHYNI, UMR 7010) 的研究小组已经证明，超小磁性纳米粒子 (
研究论文通过基于脑电图的大脑网络解码涉及下肢的运动协调意象
相较于传统物理治疗的疗效，一种利用运动想象疗法治疗脑卒中偏瘫患者的新疗法可诱导大脑可塑性并可使患者部分恢复运动能力。本文提出了一种利用下肢运动协调想象（正常步态想象和中风后偏瘫步态想象）的更新范式，并通过基于脑电图的脑网络对此类想象进行解码。招募30名受试者在下肢运动协调想象期间采集脑电图。采用时域分析、功率谱分析、时频分析、脑网络分析和统计学分析探讨下肢运动协调想象的神经机制。提取10个基于脑电图的脑网络特征，并使用支持向量机进行解码。结果显示，两种运动协调想象主要激活感觉运动区域，频带功率主要集中在θ和α带，脑功能连接主要发生在右前额。基于脑电信号的脑网络的网络属性与邻接矩阵的空间特征的组合对两种步态表象具有良好的可分离性（p < 0.05），组合特征的平均分类准确率为 92.96% ± 7.54%。综合来看，我们的研究结果表明脑网络特征可用于识别中风后的正常步态表象和偏瘫步态表象。
分析机器学习算法在中风检测中的性能
Trailokya Raj Ojha* 尼泊尔工程学院计算机科学与工程系助理教授，44800 巴克塔普尔，尼泊尔 电子邮件：trailikyaro@nec.edu.np ORCID iD：https://orcid.org/0000-0001-7554-1731 *通讯作者 Ashish Kumar Jha 尼泊尔工程学院计算机科学与工程系助理教授，44800 巴克塔普尔，尼泊尔 电子邮件：ashishkj@nec.edu.np ORCID iD：https://orcid.org/0000-0003-4530-1942 收到日期：2022 年 9 月 20 日；修订日期：2022 年 10 月 26 日；接受日期：2022 年 11 月 25 日；出版日期：2023 年 4 月 8 日 摘要：脑中风是一种脑供血不足导致细胞死亡的疾病。由于缺乏血液供应，脑细胞死亡，大脑不同部位出现残疾。近年来，中风已成为死亡和残疾的主要原因之一。对受影响个体的调查显示，有几种风险因素被认为是导致中风的原因。考虑到这些风险因素，已经进行了许多研究工作来对中风进行分类和预测。在这项研究中，我们应用了五种机器学习算法来根据个人的病史和身体活动识别和分类中风。考虑了不同的生理因素，并将其应用于机器学习算法，如朴素贝叶斯、AdaBoost、决策表、k-NN 和随机森林。决策表算法在根据应用数据集中的不同生理因素预测中风方面表现最佳，准确率为 82.1%。机器学习算法可以帮助更好地根据个人的病史和身体活动进行临床中风预测。索引词：脑卒中、机器学习、数据分析、预测