XiaoMi-AI文件搜索系统
World File Search System脑部
基于EEG的脑部计算机界面中用户培训的协议设计标准化
摘要。大脑计算机界面（BCIS）是使人仅使用神经活动与机器进行交互的系统。这种相互作用对于用户而言可能是不直接的，因此培训方法是为了增加一个人的理解，信心和动机，这将在并行提高系统性能。要清楚地解决BCI用户培训协议设计中的当前问题，在这里分为介绍期和BCI相互作用期。首先，必须将介绍期（BCI交互之前）视为与用户培训的BCI交互同样重要。为了支持这一主张，对论文的审查表明，BCI绩效可以取决于此类入门期内提出的方法。为了使其设计标准化，人类计算机相互作用（HCI）的文献已调整为BCI上下文。第二，在用户BCI交互期间，接口可以采用大量的形式（2D，3D，大小，颜色等）和模态（视觉，听觉或触觉等）无需遵循任何设计标准或准则。也就是说，探索对神经活动的感知阶段的研究表明，可以从对某些物体的简单观察结果触发运动神经元，并取决于对象的属性（大小，位置等）神经反应可能差异很大。令人惊讶的是，在BCI背景下未研究感知阶段的影响。对BCI的介绍都不一致，以及可变的界面设计使得繁殖实验很困难，预测其结果并比较它们之间的结果。为了解决这些问题，提出了用于用户培训的协议设计标准化。
阿尔茨海默氏症的脑部炎症：免疫细胞对淀粉样蛋白β的反应不同，研究表明
“细菌由于血脑屏障而无法进入我们的大脑，”英国剑桥大学的大卫·克莱尔曼（David Klenerman）教授的博士后学院说。“但是小蛋白可能在我们的大脑中像细菌一样起作用，并引起神经炎症，这可能会导致痴呆症。”他补充说。
即将来临的基于运动图像的脑部计算机界面的范式变化
在中枢神经系统病变后，为患有运动障碍的患者开发可靠的辅助设备仍然是非侵入性脑部计算机界面（BCIS）领域的主要挑战。这些方法主要由脑电图造影，并依靠高级信号处理和机器学习方法来提取运动活动的神经相关性。但是，尽管巨大的努力仍在进行，但它们作为有效临床工具的价值仍然有限。我们主张，一个相当被忽视的研究途径在于努力质疑传统上针对非侵入性运动BCIS的神经生理标记。我们提出了一种替代方法，该方法是基于非侵入性神经生理学的最新进展，特定主题的特征特征特征提取了通过（可能是磁脑摄影术 - 优化）的磁磁磁性术记录的感应活动爆发。这条道路有望克服现有限制的显着比例，并可以促进在康复协议中更广泛地采用在线BCI。
一个基于Python的脑部计算机接口软件包，用于神经数据分析
这篇论文是由Scholarworks @ Utrgv免费带给您的。它已被授权的ScholarWorks @ UTRGV的授权管理人纳入这些论文和论文。有关更多信息，请联系William.flores01@utrgv.edu。
通过头脑风暴检测脑部疾病
Rishabh Srivastava 1、Siddhant Singh 2、Ujjawal Yadav 3 印度 Galgotias 工程技术学院计算机科学与工程系 摘要：脑部疾病是全球面临的重大且日益严重的健康挑战，涵盖从阿尔茨海默病和帕金森病等神经退行性疾病到各种神经精神疾病等一系列疾病。及时准确地发现脑部疾病对于及时干预、制定适当的治疗方法和改善患者的整体生活质量至关重要。本研究论文探讨了一种创新的跨学科方法，通过整合头脑风暴技术和先进的机器学习算法来增强脑部疾病检测过程。该研究深入探讨了头脑风暴技术在脑部疾病检测中的适应性和有效性，利用了临床记录、遗传信息和患者病史等各种数据源。该研究介绍了各种头脑风暴技术，用于分析、识别和得出可用于检测脑部疾病的最佳方法。关键词：头脑风暴、帕金森、 SWOT、思维导图、星爆。
基于选择性听觉注意解码的脑部计算机界面的无监督精度估计
摘要 - 目的：选择性听觉注意解码（AAD）算法处理大脑数据（例如脑电图），以解码一个人参加的多个竞争声源。例子是神经ste的助听器或通过脑部计算机界面（BCI）进行通信。最近，已经证明可以在无监督的环境中基于刺激重建的刺激重建来训练此类AAD解码器，在这种情况下，没有关于参加哪种声音源的地面真相。在许多实际情况下，这种地面真相标签不存在，因此很难量化解码器的准确性。在本文中，我们旨在开发一种完全无监督的算法，以估算竞争性说话者聆听任务期间基于相关的AAD算法的准确性。方法：我们通过将AAD决策系统建模为具有添加剂白色高斯噪声的二进制相移键通道来使用数字通信原理。结果：我们表明，针对不同量的培训和估计数据以及决策窗口长度，提出的无监督性能估计技术可以准确地确定AAD准确性。此外，由于不同的应用需要不同的目标准确性，因此我们的方法可以估计任何给定目标准确性所需的训练量最小。结论：我们提出的估计技术准确地预测了基于相关的AAD算法的性能，而无需访问地面图标签。在BCIS中，它可以支持强大的沟通范式，并提供护理人员的准确反馈。显着性：在神经启动的助听器中，我们方法提供的准确性估计值可以支持时间自适应解码，动态增益控制和神经反馈。
将合成临床数据迁移到常规临床数据以检测脑部 T1 加权 MRI 中的运动伪影
临床数据仓库 (CDW) 包含数百万患者的医疗数据，为开发计算工具提供了绝佳机会。MRI 对图像采集过程中的患者运动特别敏感，这将导致重建图像中出现伪影（模糊、重影和振铃）。因此，CDW 中的大量 MRI 因被这些伪影破坏而无法使用。由于扫描次数太多，无法手动检测，因此有必要开发一种工具来自动排除带有运动的图像，以充分利用 CDW。在本文中，我们提出了一种 CNN 来自动检测 3D T1 加权脑部 MRI 中的运动。我们的迁移学习方法基于合成运动生成，包括两个步骤：使用合成运动对研究数据进行预训练，然后进行微调步骤，将我们的预训练模型推广到临床数据，依靠 5500 张图像的手动标记。目标是 (1) 能够排除具有严重运动的图像，(2) 检测轻微的运动伪影。我们的方法在第一个目标上实现了出色的准确率，平衡准确率几乎与注释者的准确率相似（平衡准确率 > 80%）。然而，对于第二个目标，其表现较弱，远低于人类评分者。总体而言，我们的框架将有助于在医学成像中利用 CDW，并强调对基于研究数据训练的模型进行临床验证的重要性。
MECHETER，Imene 等人。利用多分辨率手工特征进行深度学习，用于脑部 MRI 分割。在：医学中的人工智能，20
磁共振 (MR) 图像分割是创建伪计算机断层扫描 (CT) 图像的一项关键任务，伪计算机断层扫描 (CT) 图像可用于实现正电子发射断层扫描 (PET) 衰减校正。创建伪 CT 图像的主要挑战之一是难以对脑 MR 图像中的骨组织进行准确分割。深度卷积神经网络 (CNN) 已被广泛而有效地应用于执行 MR 图像分割。这项工作的目的是提出一种分割方法，将多分辨率手工制作的特征与基于 CNN 的特征相结合，以添加方向属性并丰富用于执行分割的特征集。主要目标是有效地将大脑分割成三个组织类别：骨骼、软组织和空气。所提出的方法使用不同的机制将非下采样 Contourlet (NSCT) 和非下采样 Shearlet (NSST) 系数与 CNN 的特征相结合。计算熵值以选择最有用的系数并降低输入的维数。使用 50 张临床脑部 MR 和 CT 图像通过计算精度、召回率、骰子相似系数 (DSC) 和 Jaccard 相似系数 (JSC) 来评估分割结果。还将结果与文献中报道的其他方法进行了比较。骨骼类的 DSC 从 0.6179 ± 0.0006 提高到 0.6416 ± 0.0006。将 NSCT 和 NSST 的多分辨率特征与 CNN 的特征相加，显示出了令人鼓舞的结果。此外，NSST 系数比 NSCT 系数提供了更多有用的信息。
脑部疾病的神经影像学特征
此手稿总结了设计机器学习模型的研究，以发现精神障碍的大脑成像特征。我们探索了缩小维度和正规化策略，以提出由大量的介导测量引起的“维度的诅咒”。鉴于稀疏模型产生稳定且可解释的预测性特征的局限性，我们建议通过整合空间约束来推动正则化。对实验数据的评估表明，这些约束迫使解决方案遵守生物学先验，从而产生更合理的可解释的预测性临床状态脑签名。为了弥合生物学过程和脑成像之间的间隙，我们提出了多元潜在可变稀疏模型，以研究大脑对遗传的影响。