XiaoMi-AI文件搜索系统
World File Search System自主神经
自主神经病变 - 深蓝存储库
图 1 自主神经病变的诊断方法。CV，心血管；GI，胃肠道；GU，泌尿生殖系统；ED，勃起功能障碍；ARS，自主神经反射筛查；ECG，心电图；TST，体温调节发汗测试；MR，磁共振；PNS，周围神经系统；CNS，中枢神经系统；NMDA，抗 N-甲基 D-天冬氨酸 (NMDA) 脑炎；OH，直立性低血压；NCS，神经传导研究；AAG，自身免疫性自主神经节病；LEMS，兰伯特·伊顿重症肌无力综合征；ANNA-1，抗神经元核抗体 1 型；CRMP-5，Collapsin 反应介质蛋白 5；ANA，抗核抗原；ENA，可提取性核抗原；GBS，格林-巴利综合征；AASN，急性自主神经和感觉神经病变； TIND，治疗引起的糖尿病神经病变；AL，获得性轻链；TTR，转甲状腺素蛋白；HSAN，遗传性感觉自主神经病变；TTG，组织型转谷氨酰胺酶；IENFD，表皮内神经纤维密度；POTS，体位性心动过速综合征；OH，直立性低血压；SBP，收缩压；DBP，舒张压
原创研究急性应激对皮质电活动和心脏自主神经耦合的影响
心率变异性评估（反映心脏自主神经系统）已显示出对压力的一些预测能力。此外，通过心电图和脑电图评估的大脑皮层活动和心脏自主神经相互作用的不同模式的预测能力尚未在急性压力的背景下进行探索。本研究确定了静息和急性压力状态下神经-心脏自主神经耦合的不同模式。特别是在压力任务期间，额叶 delta 波活动与低频心率变异性呈正相关，与高频心率变异性呈负相关。低高频功率与压力和焦虑以及迷走神经控制下降有关。发现静息高频心率变异性和额中部伽马活动之间存在正相关，而静息时低频心率变异性和伽马波耦合之间存在直接的反比关系。在压力任务中，低频心率变异性与额叶 delta 活动呈正相关。也就是说，在压力任务中，副交感神经系统活动减少，而额叶 delta 波活动增加。我们的研究结果表明，心脏副交感神经系统活动与静息和急性压力期间的额叶中央伽马和 delta 活动之间存在关联。这表明，在急性压力期间，副交感神经活动减少，并且与神经元皮质前额叶活动相结合。本研究确定的神经-心脏耦合的不同模式为大脑和心脏之间的动态关联提供了独特的见解
智能家居系统 (SHS) 中用户体验的神经生理相关性：来自脑电图和自主神经测量的首个证据
家庭自动化将技术、工程和用户体验 (UX) 融为一体。在此框架内，甚至神经科学也可以成为探索用户体验的宝贵学科。在这项研究中，我们首次使用神经科学方法强调了家庭自动化对用户认知和情感行为的一些独特影响。为了确定智能家居系统 (SHS) 对用户体验的可能影响，我们采用了神经科学多方法，目的是记录和对照 19 名个体在静息状态 (RS) 基线期间的神经活动 (脑电图，EEG) 和自主神经系统反应，并探索家庭自动化环境中的五个不同的技术互动区域。EEG 结果显示，当参与者探索面对 RS 的技术区域时，α 波段活动反映了普遍的神经激活。与额叶和顶枕叶区域相比，δ 波段主要存在于颞中部，并被解释为与整个用户体验相关的更高情绪激活。与 RS 相比，第六个技术互动区域（即卧室）也发现了这种影响，这应该代表着对更高多感官互动区域的情绪反应和整合处理增强。至于自主活动，与 RS 相比，卧室区域的心率 (HR) 有所增加，因此显示出对这一引人入胜的技术区域的生理指标有特定的影响。本研究是首次尝试从神经科学的角度了解用户对 SHS 的认知和情感参与反应。将根据神经生理学结果描述从这种方法中获得的一些高价值益处。
使用机器学习算法检测心血管自主神经病
抽象的心血管自主神经病（CAN）是一种无症状的糖尿病并发症（DM）的并发症。与1型糖尿病（T1 DM）相比，它在2型糖尿病（T2 DM）中更为普遍。可能会损害交感神经和副交感神经和血管神经纤维，从而导致心率变异性（HRV）和血管动力学降低。HRV中的抑郁症是罐头的指标。心血管反射测试（EWING测试）目前被用作可以检测的诊断工具，但是这些测试无法检测到亚临床可以并且需要患者合作。因此，我们建议在5分钟内评估HRV特征（线性和非线性）的可行性，并嵌入机器学习模型中，以为有CAN的患者提供全面的筛查。我们的研究使用了来自Physionet的ECG数据集，由100例患者（50例T2糖尿病和50个健康个体）组成。我们将汉密尔顿峰检测算法应用于ECG信号，以检测QRS峰并提取心率信号。线性和非线性HRV分析方法用于从HRV信号的每个5分钟段中提取各种特征。 这些功能用于准备数据集，并将K折交叉验证技术应用于单独的培训和测试数据集以使分类模型降低偏差。 在我们的研究中，我们使用逻辑回归，k-nearest邻居（KNN）和支持向量机（SVM）作为机器学习分类算法。线性和非线性HRV分析方法用于从HRV信号的每个5分钟段中提取各种特征。这些功能用于准备数据集，并将K折交叉验证技术应用于单独的培训和测试数据集以使分类模型降低偏差。在我们的研究中，我们使用逻辑回归，k-nearest邻居（KNN）和支持向量机（SVM）作为机器学习分类算法。为了最大程度地提高性能，使用超参数优化技术来为每个分类模型选择正确参数的合并。精确度量为96.67％（逻辑回归），93.33％（K-NN）和93.33％（SVM），达到了最高水平的性能，并且发现这些绩效是在糖尿病患者中诊断为CAN中最重要的。提出的基于机器学习的分类模型可以预测罐头的早期发作，并降低由于心肌梗死而导致的死亡率。