XiaoMi-AI文件搜索系统
World File Search System脑性
使用基于树的脑电图数据的“脑性别”预测...
1。Alexandre Gramfort，Martin Luessi，Eric Larson，Deni A. Engemann，Strohmeier Daniel，Christian Brodbeck，Roman Goj，Mainak Jas，Brooks，Lauri和Matti S.任何Python的Mne-Python。神经科学的前线，7（267）：1-13，2013。2。Cabanero-Gome，L.，Hervas，R.，Constance，I。和Rodrig-Benite，L。（2021）。eglib：用于EEG提取的Python模块。3。 Head，T.，Mechcoder，G。L.，＆Shcherbatyi，I。 （2018）。 skikit-optimize：v0。 5.2。 版本V0，5 4。 Joel，D。，Berman，Z （2015）。 人脑。 112（50），15468-15473。 5。 Go，G.，Meng，Q.，Finy，T.，T.，Chen，W.，W.，W.，... Liu，T.-Y. （2017）。 LightGBM：高速公路激动人心的梯度。 神经信息系统的进步，30，3146–3154 6。 Phillips，Opery，A。K.，Hsu，V.，Ollila，H。M.，Hillary，R。P.，R.，R。，J。，J.＆Singh，M。K.（2019）。 超越二元类别的性别：对不同差异，心理病理学和基因型的检查。 Sychiatry Academy，58（8），787-798。 7。 TOOLE，JM和BOYLAN，G。B. （2017）。 neral：新生儿脑电图的定量特征使用matlab。3。Head，T.，Mechcoder，G。L.，＆Shcherbatyi，I。（2018）。skikit-optimize：v0。5.2。版本V0，5 4。Joel，D。，Berman，Z （2015）。 人脑。 112（50），15468-15473。 5。 Go，G.，Meng，Q.，Finy，T.，T.，Chen，W.，W.，W.，... Liu，T.-Y. （2017）。 LightGBM：高速公路激动人心的梯度。 神经信息系统的进步，30，3146–3154 6。 Phillips，Opery，A。K.，Hsu，V.，Ollila，H。M.，Hillary，R。P.，R.，R。，J。，J.＆Singh，M。K.（2019）。 超越二元类别的性别：对不同差异，心理病理学和基因型的检查。 Sychiatry Academy，58（8），787-798。 7。 TOOLE，JM和BOYLAN，G。B. （2017）。 neral：新生儿脑电图的定量特征使用matlab。Joel，D。，Berman，Z（2015）。人脑。112（50），15468-15473。5。Go，G.，Meng，Q.，Finy，T.，T.，Chen，W.，W.，W.，... Liu，T.-Y. （2017）。 LightGBM：高速公路激动人心的梯度。 神经信息系统的进步，30，3146–3154 6。 Phillips，Opery，A。K.，Hsu，V.，Ollila，H。M.，Hillary，R。P.，R.，R。，J。，J.＆Singh，M。K.（2019）。 超越二元类别的性别：对不同差异，心理病理学和基因型的检查。 Sychiatry Academy，58（8），787-798。 7。 TOOLE，JM和BOYLAN，G。B. （2017）。 neral：新生儿脑电图的定量特征使用matlab。Go，G.，Meng，Q.，Finy，T.，T.，Chen，W.，W.，W.，... Liu，T.-Y.（2017）。LightGBM：高速公路激动人心的梯度。神经信息系统的进步，30，3146–3154 6。Phillips，Opery，A。K.，Hsu，V.，Ollila，H。M.，Hillary，R。P.，R.，R。，J。，J.＆Singh，M。K.（2019）。 超越二元类别的性别：对不同差异，心理病理学和基因型的检查。 Sychiatry Academy，58（8），787-798。 7。 TOOLE，JM和BOYLAN，G。B. （2017）。 neral：新生儿脑电图的定量特征使用matlab。Phillips，Opery，A。K.，Hsu，V.，Ollila，H。M.，Hillary，R。P.，R.，R。，J。，J.＆Singh，M。K.（2019）。超越二元类别的性别：对不同差异，心理病理学和基因型的检查。Sychiatry Academy，58（8），787-798。 7。 TOOLE，JM和BOYLAN，G。B. （2017）。 neral：新生儿脑电图的定量特征使用matlab。Sychiatry Academy，58（8），787-798。7。TOOLE，JM和BOYLAN，G。B.（2017）。neral：新生儿脑电图的定量特征使用matlab。ARXIV预印型ARXIV：1704.05694。Vinck，M.，Oostenveld，R.，Van Wingerden，M.，Battaglia，F。，＆Pennartz，C。M.（2011）。 在存在体积传导，噪声和样品大小偏置的情况下，改进了相结合的相同步指数。 Neuroimage，55（4），1548-1565。 8。 Zhang，C.，Dougherty，C.C.，Baum，S.A.，White，T。，＆Michael，A。M.（2018）。 功能连通性预测性别：静止大脑连通性中性别差异的证据。 人类脑图，39（4），1765-1776。Vinck，M.，Oostenveld，R.，Van Wingerden，M.，Battaglia，F。，＆Pennartz，C。M.（2011）。在存在体积传导，噪声和样品大小偏置的情况下，改进了相结合的相同步指数。Neuroimage，55（4），1548-1565。8。Zhang，C.，Dougherty，C.C.，Baum，S.A.，White，T。，＆Michael，A。M.（2018）。 功能连通性预测性别：静止大脑连通性中性别差异的证据。 人类脑图，39（4），1765-1776。Zhang，C.，Dougherty，C.C.，Baum，S.A.，White，T。，＆Michael，A。M.（2018）。功能连通性预测性别：静止大脑连通性中性别差异的证据。人类脑图，39（4），1765-1776。
脊髓小脑性共济失调 3 型患者的局部脑和脊髓体积减少
1 德国神经退行性疾病中心 DZNE，德国波恩 2 德国波恩大学医院神经内科 3 德国波恩亚琛工业大学神经内科 4 德国于利希研究中心 JARA-脑研究所分子神经科学和神经成像 5 巴西坎皮纳斯神经科学与神经技术研究所 (BRAINN) 6 巴西坎皮纳斯大学神经内科 7 中南大学湘雅医院神经内科，中国长沙 8 中南大学湘雅医院放射科，中国长沙 9 荷兰奈梅亨拉德堡德大学医学中心唐德斯脑、认知与行为研究所神经内科 10 巴黎索邦大学脑研究所、AP-HP、INSERM、CNRS、法国巴黎皮提耶-萨尔佩特里埃大学医院 11 英国伦敦伦敦大学学院皇后广场神经病学研究所临床和运动神经科学系共济失调中心 12 英国伦敦伦敦大学学院医院 NHS 基金会国家神经病学和神经外科医院 13 德国图宾根大学神经退行性疾病系和赫蒂临床脑研究所 14 德国图宾根神经退行性疾病中心 (DZNE) 15 德国图宾根大学医院诊断和介入神经放射学系 16 美国明尼苏达州明尼阿波利斯市明尼苏达大学放射学系磁共振研究中心 17 荷兰格罗宁根大学格罗宁根大学医学中心神经病学系
加速！大脑性能的突破
约翰霍普金斯大学和美国军医大学教授；约翰霍普金斯医院神经重症监护主治医师；美国陆军退役上校；美国国防高级研究计划局生物技术办公室创始主任；脑健康中心 Jean Ann Brock 脑健康项目联合领导人。
atxn3：一种参与多谷氨酸疾病脊髓脑性共济失调3
atxn3是一种泛素水解酶（或去泛素酶，DUB），ATXN3基因的产物，在包括周围和神经元组织在内的各种细胞类型中表达，并参与多种细胞途径。重要的是，ATXN3基因内CAG三核苷酸的扩展导致编码蛋白中的聚谷氨酰胺结构域扩展，该蛋白质已与脊椎小脑共济失调的3型发作相关，这也是Joseph病 - 也称为Machado - Joseph Disease，是最常见的Joseph疾病，是最常见的占主导地位的共生性共济失因Worldwordiide Worldword Worldweldiide。ATXN3几十年来一直在进行密集调查中。在这篇综述中，我们总结了ATXN3在蛋白质，DNA修复和转录调节中的主要功能，以及在调节染色质结构中的新兴作用。在病理扩展的ATXN3形式的背景下，还审查了提到的ATXN3的分子函数。
血压变异性，夜间心率变异性和内皮功能预测缺血性卒中后复发性脑性心血管事件
简介：表征血压（BP），心率（HR），内皮功能和动脉刚度的心血管参数可预测一般人群中的脑血管血管内事件（CCVE）。考虑到中风患者的数据稀少，我们评估了这些参数是急性中风中复发性CCVE的潜在预测指标。患者和方法：这是对前瞻性观察性纵向睡眠效率和中风结果研究的次要结果分析（ClinicalTrials.gov识别：NCT02559739）。该研究连续招募了急性缺血性中风患者。心血管参数（血压变异性[BPV]，心率变异性[HRV]，内皮功能和动脉僵硬）在中风后的第一周内评估。未来的CCVE记录了3年的随访。多元COX回归分析用于研究有关CCVE风险的48个心血管参数的预后值。结果：在447名招募患者中，有359名包括在此分析中。20％的患者发展了未来的CCVE。分别调整了人口统计学参数，心血管危险因素和平均BP或HR的调整后，急性中风的收缩BP（n = 333）和夜间HR（非线性参数; n = 187）的高可变性。急性中风的内皮功能障碍（n = 105）预测年龄和性别调整后的CCVE风险，但在调整心血管危险因素之后不会。急性中风时的昼夜HR和动脉僵硬与CCVE风险无关。结论：高血压变异性，高夜间HRV和内皮功能有助于中风后未来CCVE的风险。
小脑性缄默症：从病理生理学到康复
小脑缄默症 (CMS) 是儿童颅后窝肿瘤手术切除后常见的并发症。语言表达改变，直至失语和情绪不稳定，通常在手术后至少 24 小时内报告，是术后 CMS 的标志。其他相关特征包括肌张力减退和其他小脑运动体征、小脑认知情感综合征、因长通路受累而导致的运动障碍和脑神经病变。恢复通常需要 6 个月，但大多数儿童都会受到长期残留障碍的困扰。致病机制可能是由于小脑近端传出通路受损，包括齿状核、小脑上脚及其在中脑被盖中的交叉。已证实的危险因素包括脑干侵袭、髓母细胞瘤诊断、中线定位、肿瘤大小、第四脑室侵袭、小脑上脚侵袭、左利手和小脑蚓部切开。目前，康复是小脑缄默症患者治疗的基石，必须考虑三个主要受损领域，即言语、认知/行为和运动。
在四脑性人>中的皮质grasp电路中解码掌握和语音信号
皮质抓紧网络编码语言的grasps和流程的规划和执行。该网络中的高级皮质区域是用于脑麦克氨酸界面（BMIS）的有吸引力的植入物。 虽然四边形患者执行了掌握运动图像和发声的语音，但从超肉眼回去（SMG），腹侧前的皮层（PMV）和So-超感染性皮质（S1）记录了神经活动。 在SMG和PMV中，五个想象的grasps在视觉提示呈现过程中由神经元种群的结构很好地表示。 在运动图像期间，这些抓取物在所有大脑区域都可以显着解码。 在语音生产过程中，SMG编码了口语掌握类型和五种颜色的名称。 虽然PMV神经元在掌握过程中显着调节其活性，但SMG的神经种群广泛编码运动图像和语音的特征。 一起，这些结果表明，来自人类皮层高级区域的大脑信号可用于抓握和语音BMI应用。该网络中的高级皮质区域是用于脑麦克氨酸界面（BMIS）的有吸引力的植入物。虽然四边形患者执行了掌握运动图像和发声的语音，但从超肉眼回去（SMG），腹侧前的皮层（PMV）和So-超感染性皮质（S1）记录了神经活动。在SMG和PMV中，五个想象的grasps在视觉提示呈现过程中由神经元种群的结构很好地表示。在运动图像期间，这些抓取物在所有大脑区域都可以显着解码。在语音生产过程中，SMG编码了口语掌握类型和五种颜色的名称。虽然PMV神经元在掌握过程中显着调节其活性，但SMG的神经种群广泛编码运动图像和语音的特征。一起，这些结果表明，来自人类皮层高级区域的大脑信号可用于抓握和语音BMI应用。
大脑性别
ho对性别差异及其起源不感兴趣？没有人。我对这个话题的严重兴趣可能始于普林斯顿。我于1969年开始在那里开始我的智力培训，这是包括女性在内的第一届新生课程的一部分。我最早的大学通讯之一告诉我，我的宿舍任务是“两个人房间”。幸运的是，房间里的另一个男人是一个叫艾米丽的人。后来，我的一位戒律领导人称我为Hines先生几个星期，显然是在意识到我不是男性之前。我开始不了解悠久的机构及其书面和讲话的形式，变化缓慢。从普林斯顿大学我去加州大学洛杉矶分校学习博士学位。在心理学中。 我对侵略感兴趣 - 它的原因和治愈方法。 我参加了人格计划，假设有一种被称为侵略性的个性。 我已经知道，我对理解的侵略性特征往往是男人。 我很快了解到，在其他物种中，性腺激素，尤其是An-drogens，对侵略产生了强大的影响。 我也意识到加州大学洛杉矶分校是关于激素和性别差异发展的研究的温床。 对于一个个性的学生来说，我不寻常，在神经科学和发育心理学方面进行了较小的研究，并将论文研究集中在与性别相关的行为上从普林斯顿大学我去加州大学洛杉矶分校学习博士学位。在心理学中。我对侵略感兴趣 - 它的原因和治愈方法。我参加了人格计划，假设有一种被称为侵略性的个性。我已经知道，我对理解的侵略性特征往往是男人。我很快了解到，在其他物种中，性腺激素，尤其是An-drogens，对侵略产生了强大的影响。我也意识到加州大学洛杉矶分校是关于激素和性别差异发展的研究的温床。对于一个个性的学生来说，我不寻常，在神经科学和发育心理学方面进行了较小的研究，并将论文研究集中在与性别相关的行为上
人脑性别差异的发展
从小到后期成人的早期，已经描述了脑解剖学中的抽象性差异，但研究之间没有任何明确的共识。在这里，我们采用了一种机器学习方法来估计162名男孩和185岁的185岁女孩中的连续（而不是二进制）分类的“脑性别”。随后使用滑动窗口方法计算出不同年龄段的估计性别差异随着时间的流逝而变化。我们假设男性和女性在童年时期已经在大脑结构上会差异，但是随着年龄的增长，这些差异会变得更加明显，尤其是在青春期。总体而言，分类器的表现良好，所有年龄段的精度为80.4％，AUC为0.897。评估年龄随年龄的估计性别变化显示出年龄增长的性别之间的差异越来越大。也就是说，从11岁开始，在儿童时期已经很明显的d = 1.2的效果很大，最终达到了17岁的d = 1.6的效果。完全表明，在儿童时期，大脑结构已经存在系统的性别差异，并且随后在青春期增加了这种差异。