XiaoMi-AI文件搜索系统
World File Search System自动检测
使用可穿戴设备自动检测与FBD相关事件
并在对照组中产生了较高的ACC幅度与免疫后疗法和唤醒事件相关。在免疫疗法前后，患者的滋补和质量EDA升高，在治疗后平均和中位EDA活性下降，与缘缘激活相关。在HR和BVP中没有观察到显着变化。重大意义：发现使用可穿戴设备对FBD及其相关事件进行准确和自动检测的潜力，提供了一种非侵入性方法来量化征用负担和治疗功效。这种方法可以最大程度地减少院内监测的后勤挑战，并提供连续的，分散的手段，从而改善患者护理和临床决策。future研究应着重于将方法扩展到白天监控，并将其有效性与院内视频EEG和EMG聚书进行比较。
脑电信号伪差自动检测与滤波的初步研究*
摘要 —EEG 记录中最大的问题之一是伪影造成的信号污染，因为这些干扰会阻碍对真实神经信息的分析。因此，在研究 EEG 之前，在尽可能多地保留大脑数据的同时消除伪影是一个关键步骤。为了解决颅面伪影的自动去除问题，本文提出了一个两阶段程序：前一个阶段是检测阶段 - 同时应用 MLP 神经网络和动态阈值法来检测 EEG 的污染区域，而后一个阶段是去除阶段 - 结合 CCA 和 EEMD 算法仅去除伪影数据。实验结果表明，两种检测方法相当，但动态阈值检测略优于 MLP。此外，组合技术可以完全去除散布在所有 EEG 通道中的伪影。本研究将扩展到需要更复杂模型的眼部伪影。索引术语 —癫痫、EEG、伪影检测、伪影去除
使用深度学习来自动检测和分类Willis圈子
大多数颅内动脉瘤（ICA）出现在脑血管树的特定部分上，名为Willis圈（Cow）。尤其是，它们主要出现在构成这种圆形结构的主要动脉分叉上的十个。因此，对于有效而及时的诊断，开发一些能够准确识别每个感兴趣分叉（BOI）的方法至关重要。的确，自动提取出现ICA风险较高的分叉将使神经放射学家快速浏览最令人震惊的地区。由于最近在人工智能上的效果，深度学习是许多模式识别任务的最佳性能技术。此外，各种方法是专门为医学图像分析目的而设计的。这项研究旨在帮助神经放射科医生迅速找到任何出现ICA发生风险的分叉。它可以看作是一种计算机辅助诊断方案，在该方案中，人工智能有助于访问MRI内感兴趣的区域。在这项工作中，我们提出了一种完全自动检测和识别构成威利斯圈子的分叉的方法。已经测试了几个神经网络架构，我们彻底评估了分叉识别率。
使用数字图像相关和卷积神经网络自动检测疲劳裂纹路径
到实验数据集。13,14 副作用是，裂纹尖端载荷以及高阶项也由该方法确定。15 与直流电位降 (DCPD) 16,17 或柔度法等经典裂纹长度方法相比，18,19 图像分析技术能够检测各种形状的裂纹。20,21 然而，由于 DIC 数据集中的实验散射或伪影，裂纹路径（尤其是裂纹尖端）的全自动检测通常受到限制。22,23 因此，在 fcp 实验期间将 DIC 应用于大量（几百张）图像总是伴随着大量的手动工作，这构成了研究过程中的瓶颈。机器学习，更具体地说是深度学习，正在成为土木工程结构健康监测的有前途的工具。这涉及特定表面检查以检测建筑物中的裂缝，24,25
用于自动检测和治疗阿片类药物过量的可穿戴设备
摘要 — 阿片类药物过量服用是美国 50 岁以下人口死亡的主要原因之一。仅在 2021 年，阿片类药物使用者的死亡人数就上升到惊人的 80,000 多人。过量服用过程可以通过使用纳洛酮来逆转，纳洛酮是一种阿片类药物拮抗剂，可快速抵消阿片类药物引起的呼吸抑制的影响。闭环阿片类药物过量检测和纳洛酮输送的想法已成为一种潜在的工程解决方案，可减轻阿片类药物泛滥的致命影响。在本研究中，我们介绍了一种腕戴式可穿戴设备，它克服了我们前期工作中便携性问题，从而创建了一个闭环药物输送系统，其中包括 (1) 一个近红外光谱 (NIRS) 传感器，用于检测缺氧驱动的阿片类药物过量事件，(2) 一个 MOSFET 开关，和 (3) 一个零电压开关 (ZVS) 电磁加热器。通过对人类受试者 (n = 8) 进行肱动脉闭塞 (BAO)，我们证明了一致的低氧合事件。此外，我们证明了我们的设备能够在检测到缺氧事件后 10 秒内释放药物。我们发现低氧合事件前后的氧合血红蛋白、脱氧血红蛋白和氧合饱和度 (SpO 2 ) 的变化不同 (p < 0.001)。尽管还需要进行更多的人体实验，但我们迄今为止的研究结果已指向一种潜在的工具，可以减轻阿片类药物泛滥的影响。
使用深度学习和 Flask Web 应用程序自动检测脑肿瘤
I. 简介 对于脑瘤患者，早期诊断和最佳治疗至关重要。越早发现，越容易治疗，存活的机会就越大。考虑到这个基本想法，我们正在尝试开发一个应用程序，该应用程序将为我们提供确定患者是否患有脑瘤的功能。该软件旨在满足对脑瘤进行正确和准确诊断的需求（在我们对脑瘤进行了大量研究之后）该应用程序是使用编程语言 Python 开发的，以增强应用程序，我们将创建用户界面。界面使用最强大的 HTML 语言构建，用户界面使用 Flask 设计，以实现高度交互的界面。创建用户界面的主要优势是，没有计算机语言经验的人或者可以说他们不是程序员的人在用户界面的帮助下，可以使这个应用程序易于访问和使用，即使已经看过脑瘤。在后台，该应用程序使用机器学习来训练患者的 MRI 扫描，并查看图像的第一个区域以确定该人是否患有脑瘤。近年来，深度学习技术的出现彻底改变了医学图像分析，带来了疾病检测和分类的自动化解决方案
通过心率时间序列的递归量化分析自动检测有氧阈值
摘要：在强度不断增加的运动过程中，人体会根据实际需求通过不同的机制转换能量。人体的能量利用可分为三个阶段，每个阶段的特点是不同的代谢过程，并由两个阈值点分隔，即有氧阈值 (AerT) 和无氧阈值 (AnT)。这些阈值在确定的运动强度 (工作量) 值时发生，并且会因人而异。它们被视为运动能力的指标，可用于个性化体育活动计划。它们通常通过通气或代谢变量检测，需要昂贵的设备和侵入性测量。最近，人们特别关注 AerT，这是一个特别适用于超重和肥胖人群的参数，可用于确定减肥和增强体质的最佳运动强度。本研究旨在提出一种新程序，使用复发分析 (RQA) 自动识别 AerT，该程序仅依赖心率时间序列，该时间序列是从一群年轻运动员在自行车功率计上进行亚最大增量运动测试 (心肺运动测试, CPET) 期间获得的。我们发现，确定性最小值（根据时期复发量化 (RQE) 方法计算出的 RQA 特征）可识别发生一般代谢转变的时间点。在这些转变中，基于确定性最小值的最大凸度的标准可以检测到第一个代谢阈值。普通最小积回归分析表明，RQA 估计的与 AerT 相对应的耗氧量 VO 2 、心率 (HR) 和工作量的值与 CPET 估计的值高度相关 (r > 0.64)。 HR 和 VO2 的平均百分比差异均小于 2%，工作负荷的平均百分比差异小于 11%。AerT 时 HR 的技术误差小于 8%；AerT 时所有变量的组内相关系数值均适中（≥ 0.66）。因此，该系统是一种仅依靠心率时间序列检测 AerT 的有用方法，一旦针对不同活动进行了验证，将来就可以轻松应用于从便携式心率监测器获取数据的应用中。
使用机器学习算法自动检测和分析硬膜下血肿
目的机器学习算法在神经影像学领域已显示出突破性成果。本文，作者评估了一种新开发的卷积神经网络 (CNN) 的性能，用于检测和量化非造影头部 CT (NCHCT) 中硬膜下血肿 (SDH) 的厚度、体积和中线移位 (MLS)。方法回顾性地确定了 2018 年 7 月至 2021 年 4 月期间在单个机构进行的用于评估连续患者头部创伤的 NCHCT 研究。根据神经放射学报告确定了 SDH、厚度和 MLS 的真实值。主要结果是 CNN 在外部验证集中检测 SDH 的性能，使用受试者工作特征曲线下面积分析来衡量。次要结果包括厚度、体积和 MLS 的准确性。结果 在符合研究标准的 263 例有效 NCHCT 病例中，135 例患者（51%）为男性，平均（± 标准差）年龄为 61 ± 23 岁，70 例患者经神经放射科医生评估诊断为 SDH。SDH 厚度中位数为 11 毫米（IQR 6 毫米），16 例患者的 MLS 中位数为 5 毫米（IQR 2.25 毫米）。在独立数据集中，CNN 表现良好，敏感度为 91.4%（95% CI 82.3%–96.8%），特异度为 96.4%（95% CI 92.7%–98.5%），准确度为 95.1%（95% CI 91.7%–97.3%）；对于 SDH 厚度超过 10 毫米的亚组，敏感度为 100%。最大厚度平均绝对误差为 2.75 毫米（95% CI 2.14–3.37 毫米），而 MLS 平均绝对误差为 0.93 毫米（95% CI 0.55–1.31 毫米）。计算用于确定自动和手动分割测量之间一致性的 Pearson 相关系数为 0.97（95% CI 0.96–0.98）。结论所述 Viz.ai SDH CNN 在独立验证成像数据集中识别和量化 SDH 的关键特征方面表现非常出色。
基于卷积神经网络（CNN）的癫痫发作间期放电（IED）自动检测
1 湖北科技大学创新创业学院，咸宁，中国，2 湖北科技大学咸宁医学院生物医学工程与医学影像学院，咸宁，中国，3 华中科技大学同济医学院武汉儿童医院临床神经电生理科，武汉，中国，4 厦门市第三医院神经内科，厦门，中国，5 福建医科大学协和医院福建省老年医学研究所神经病学与老年病科，福州，6 厦门大学国家健康与医学数据科学研究所，厦门，7 厦门大学医学院血液学系，厦门，中国，8 南京中医药大学人工智能与信息技术学院，南京
http://jaet.journals.ekb.eg 使用迁移从 MRI 图像中自动检测脑肿瘤
早期成功检测脑肿瘤对改善患者治疗和生存起着重要作用。由于临床上通常会生成大量图像，因此手动评估磁共振成像 (MRI) 图像是一项非常困难的任务。因此，需要使用计算机辅助诊断 (CAD) 系统进行早期检测并将脑肿瘤分类为正常和异常。本文旨在设计和评估近年来为图像分类提出的卷积神经网络 (CNN) 迁移学习的最新性能。对五种不同的著名 CNN 进行了五种不同的修改，以了解最有效的修改。对每个架构应用了五层修改和参数调整，为脑肿瘤检测提供了一种新的 CNN 架构。大多数脑肿瘤数据集只有少量图像来训练深度学习结构。因此，在评估中使用两个数据集来确保所提结构的有效性。首先，来自 RIDER Neuro MRI 数据库的标准数据集，包括 349 张脑部 MRI 图像，其中 109 张正常图像和 240 张异常图像。其次，收集了 120 张脑部 MRI 图像，其中包括 60 张异常图像和 60 张正常图像。结果表明，提出的 CNN 迁移学习与 MRI 可以学习脑肿瘤的重要生物标志物，然而，获得的最佳准确度、特异性和灵敏度均为 100%。