XiaoMi-AI文件搜索系统
World File Search System行走
中风后行走时额叶和顶叶区域的相位依赖性大脑激活 - 一项 fNIRS 研究
恢复行走是卒中后的主要康复目标 (1)，但这种恢复往往变化很大 (2)，恢复完全社区行走功能的个体比例有限 (3)。中风是对大脑的直接损伤，但在康复过程中很少评估大脑的功能特征。由于行走恢复的变化，测量和记录大脑特征有助于指导康复治疗的处方 (4)。功能性近红外光谱 (fNIRS) 是一种越来越流行的测量大脑活动的工具。它的便携性、对运动伪影的敏感度相对较低以及低成本使其成为测量行走过程中大脑的有吸引力的工具 (5)。fNIRS 使用成对的近红外光发射器和检测器光极，两者相距 3–4 厘米。这个分离距离允许记录 1.5–2 厘米的深度（即到达大脑皮层的皮层）和与脑电图 (EEG) 相比相对较高的空间分辨率。这些光电极可以放置在头皮的多个区域，以估计该区域氧合血红蛋白 (HbO) 和脱氧血红蛋白 (HbR) 浓度的变化。根据神经血管耦合理论，血红蛋白浓度的这些变化（HbO 增加和 HbR 降低）表明大脑皮层活动增加（6、7）。健康成年人从站立开始行走时，HbO 通常立即下降（表明氧气消耗），然后上升（表明氧气补充/增加氧气以满足神经元需求），并在行走开始后 5-10 秒达到峰值。随着行走的继续，HbO 的初始增加会下降，有时甚至在行走停止之前就达到基线或低于基线站立水平（8）。HbR 的反应通常相反，变化幅度相对较小。研究不同行走阶段（例如加速或稳态行走）的激活程度对于评估不同行走阶段的相对皮质需求非常重要。先前的研究表明，中风人群的血流动力学反应曲线不同（9）。然而，中风人群的血流动力学曲线有限，需要对中风后行走过程中的曲线进行更详细的描述。迄今为止，在中风中，大脑活动主要在
使用 LSTM 对站立、行走和跑步数据集上的 EEG 信号进行分类
伦敦 V.Gandhi@mdx.ac.uk 摘要 - 毫无疑问，脑机接口 (BCI) 方法最重要的分支之一是通过脑信号进行替代通信的方法。BCI 利用软件和硬件将来自大脑活动感知的脑电图 (EEG) 信号转换为用户动作。BCI 引起了广泛学科研究人员的兴趣，例如认知科学、深度学习、模式匹配、药物治疗医学等。患有神经和认知障碍的患者可以通过 BCI 得到帮助，有可能通过手势或仅仅是心理想象实现交流。在本文中，采用了一种新颖的离散小波变换 (DWT) 组合来提取最佳特征，并采用了基于长短期记忆 (LSTM) 的循环神经网络 (RNN) 对站立、行走和在跑步机上跑步时获取的 EEG 信号进行分类。使用的数据集可从开放科学框架存储库免费下载。所提出的 DWT-LSTMRNN 方法在对四种不同信号进行分类时可实现 96.7% 的准确率，因此有可能在 BCI 竞赛数据集上进行进一步研究，为实时应用铺平道路。
基于多粒子量子行走的误差修正...
对粒子进行离散时间量子游动演化时，由于系统噪声的影响，游动态容易出现误差。该研究提出了一种基于双格子Bose-Hubbard模型的多粒子量子游动误差修正算法。首先，根据局域欧氏生成元构造两点Bose-Hubbard模型，并证明模型中的两元素可以任意替换。其次，利用Bethe假设方法得到了模型中粒子的跃迁强度与纠缠度的关系。第三，对量子格子的位置进行编码，构造量子态交换门。最后，通过将游动器切换到量子纠缠码的格点上，进行格点上的量子游动状态替换，再次进行替换。对双格子Bose-Hubbard模型中的量子粒子的纠缠进行了数值模拟。当粒子间相互作用与粒子跃迁强度的比值接近于0时，利用该算法可以实现模型中量子粒子的纠缠操作。根据Bose-Hubbard模型的性质，粒子纠缠后可以实现量子行走纠错。本研究引入流行的restnet网络作为训练模型，使纠错电路的解码速度提升约33%。更重要的是，卷积神经网络（CNN）解码器的下限阈值由传统最小权重完美匹配（MWPM）下的0.0058提升到0.0085，实现了高容错率的量子行走稳定行进。
一种基于量子行走和混沌的高安全图像加密方案
摘要：随着第四代（4G）和第五代（5G）等通信技术的革命性进步，过去几十年来多媒体数据共享的使用急剧增加。研究人员提出了许多基于经典随机游走和混沌理论的图像加密算法，以便以安全的方式共享图像。本文提出用量子游走代替经典随机游走来实现高图像安全性。经典随机游走由于状态间的随机转换而表现出随机性，而量子游走则更具随机性，并通过波函数的叠加和干涉实现随机性。使用相关系数、熵、直方图、时间复杂度、像素变化率和统一平均强度等广泛安全指标对所提出的图像加密方案进行了评估。所有实验结果均验证了所提出的方案，并得出结论：所提出的方案具有高度安全性、轻量级和计算效率。在所提出的方案中，相关系数、熵、均方误差（MSE）、像素数变化率（NPCR）、统一平均变化强度（UACI）和对比度的值分别为0.0069、7.9970、40.39、99.60%、33.47和10.4542。
脑电刺激和持续行为状态跟踪在行走人类中的应用
我们收集了 4 名患有药物抵抗性癫痫且植入了研究性 Medtronic Summit RC+S™ 的患者的动态 iEEG 记录，以研究新型刺激模式并追踪长期行为状态动态。患者在同时进行双侧海马 (HPC) iEEG 记录时接受了治疗性 ANT DBS。我们评估了在三天同时进行的 iEEG 和多导睡眠图 (PSG) 期间，使用专家睡眠注释，在不同 ANT 刺激频率 (2 Hz、7 Hz、高频 >100 Hz) [2,30–34] 下自动行为状态分类的可行性和准确性。使用朴素贝叶斯分类器 [35,36] 将 iEEG 信号分类为清醒、快速眼动 (REM) 和非 REM（非 REM：N2 和 N3）。随后，我们在 6 个月内将训练好的分类器部署在 4 名门诊患者身上。
非厄米物理的非幺正量子行走方法
[1] K. Mochizuki, D. Kim, 和 H. Obuse, Phys. Rev. A 93 , 062116 (2016)。[2] L. Xiao, X. Zhan, ZH Bian, KK Wang, X. Zhang, XP Wang, J.Li, K. Mochizuki, D. Kim, N. Kawakami,Y. Wi, H. Obuse, B. Sanders, P. Xue, Nature Phys. 13 , 1117 (2017)。[3] L. Xiao, X. Qin, K. Wang, Z. Bian, X. Zhan, H. Obuse, B.Sanders, W. Yi, P. Xue, Phys. Rev. A 98 , 063847 (2018)。[4] K. Mochizuki, D. Kim, N. Kawakami, 和 H. Obuse, Phys. Rev. A, 102 , 062202 (2020)。[5] M. Kawasaki、K. Mochizuki、N. Kawakami 和 H. Obuse, Prog. Theor. Exp. Phys. 2020 , 12A105 (2020)。[6] N. Hatano 和 H. Obuse, Annals of Physics 435, 168615 (2021)。[7] T. Bessho、K. Mochizuki、H. Obuse 和 M. Sato, Phys. Rev. B 105 , 094306 (2022)。[8] R. Okamoto、N. Kawakami 和 H. Obuse（准备中）。
人类行走时哪些下肢关节可以补偿不稳定的能量？
此预印本的版权所有者此版本于 2022 年 1 月 12 日发布。；https://doi.org/10.1101/2022.01.11.475955 doi：bioRxiv preprint
脑电刺激和持续行为状态跟踪在行走人类中的应用
1 美国明尼苏达州罗彻斯特市梅奥诊所神经病学系生物电子神经生理学和工程实验室。2 捷克布尔诺理工大学电气工程与通信学院生物医学工程系。3 捷克布拉格捷克技术大学捷克信息学、机器人学和控制论研究所，捷克共和国布拉格。4 捷克布拉格捷克技术大学生物医学工程学院，捷克共和国克拉德诺。5 捷克布尔诺圣安妮大学医院国际临床研究中心。6 美国明尼苏达州罗彻斯特市梅奥诊所医学院和梅奥诊所医学科学家培训计划。7 美国明尼苏达州罗彻斯特市梅奥诊所生物医学科学研究生院生物医学工程和生理学研究生课程。8 捷克科学院科学仪器研究所，布尔诺，捷克共和国。9 美国明尼苏达州罗彻斯特市梅奥诊所生理学和生物医学工程系。 10 英国牛津大学生物医学工程系。11 美国明尼苏达州罗切斯特市梅奥诊所神经外科系。12 明尼苏达州罗切斯特市梅奥诊所睡眠医学中心、神经病学和医学系、睡眠神经病学和肺部及重症监护医学科。+ 共同第一作者 * 通讯作者 电子邮件：Kremen.vaclav@mayo.edu、worrell.gregory@mayo.edu
站立、行走和跑步时带有 ERP 和 SSVEP 范式的头皮和耳朵脑电图的移动 BCI 数据集
我们展示了一个移动数据集，该数据集由 24 名参与者在执行两项脑机接口 (BCI) 任务时以四种不同的速度移动时从头皮和耳朵周围的脑电图 (EEG) 以及运动传感器获得。数据由放置在前额、左脚踝和右脚踝的 32 通道头皮脑电图、14 通道耳朵脑电图、4 通道眼电图和 9 通道惯性测量单元收集。记录条件如下：站立、慢走、快走和慢跑，速度分别为 0、0.8、1.6 和 2.0 m/s。对于每种速度，记录了两种不同的 BCI 范式，即事件相关电位和稳态视觉诱发电位。为了评估信号质量，在每种速度下对头皮和耳朵脑电图数据进行了定性和定量验证。我们相信该数据集将有助于在不同移动环境中的 BCI 分析大脑活动并定量评估性能，从而扩大实际 BCI 的使用。
利用相关光子的三维量子行走探索复杂图形
图形表示是解决自然科学中复杂问题的强大概念，因为连接模式可以产生大量的突发现象。基于图形的方法已被证明在高度分支量子网络中的量子通信和量子搜索算法中特别有效。在这里，我们引入了一个以前未被发现的范例，通过利用具有定制双折射的复杂波导电路中光子对的空间和偏振自由度的混合作用，直接实验实现与三维网络相关的激发动力学。这个用于在复杂、高度连通的图形上进行多粒子量子行走的实验探索的试验台为开发费米子动力学在集成量子光子学中的应用潜力铺平了道路。