XiaoMi-AI文件搜索系统
World File Search System轻度
评估对CCI设备的新型改编，以建模人类轻度创伤性脑损伤
引言创伤性脑损伤（TBI）每年在美国造成超过25万医院就诊或死亡（Langlois等，2006；疾病控制与预防中心，2021年）。当外部力量对大脑施加直接物理损害的形式时，它们是引起的。这种物理损害的来源差异很大。来源包括对头部的钝击，爆炸，穿透性伤害，道路交通事故和跌倒（Peeters等人，2015年；疾病控制与预防中心，2021年）。受伤的严重程度也有很大的差异，引起脑震荡症状和严重伤害，导致昏迷，在某些情况下导致死亡。据估计，所有TBI的75％均属于轻度分类，严重伤害为少数（CDC-TBI情况说明书）。
使用人工智能对话代理进行轻度认知障碍的可扩展诊断筛查
近年来，寻找轻度认知障碍 (MCI) 的早期生物标记一直是阿尔茨海默病 (AD) 和痴呆症研究界的重中之重。为了尽早确定 MCI 状态，最近的研究表明，词汇选择、话语和句子结构等语言标记可以作为临床前行为标记。在这里，我们提出了一种自适应对话算法（一种支持 AI 的对话代理），以识别区分 MCI 与正常 (NL) 认知状态的问题序列（对话策略）。我们的 AI 代理会根据用户之前的回答调整其提问策略，以达到针对每个用户的个性化对话策略。由于 AI 代理具有自适应性并且可以随着其他数据的增加而扩展，我们的方法为大规模临床前筛查神经认知衰退作为新的数字生物标记以及在门诊环境中纵向跟踪衰老模式提供了潜在途径。
验证基于轻度脑电图的测量方法，用于真实驾驶期间的实时压力监测
摘要：驾驶员的压力会影响决策和风险发生的概率，因此它是道路安全的关键因素。这表明需要持续的压力监测。这项工作旨在验证一种压力神经生理测量方法——神经测量法，该方法可在实验室外使用，该方法依赖于两个湿式传感器，实时且无需校准，由轻量级脑电图获得。在多任务实验中测试了神经测量法，并通过逼真的驾驶模拟器进行了验证。20 名受试者参加了实验，并将得到的压力神经测量法与随机森林 (RF) 模型进行了比较，该模型通过使用脑电图特征以及受试者内和跨任务方法进行了校准。还将神经测量法与基于皮肤电导水平 (SCL) 的测量值进行了比较，SCL 代表了文献中研究的生理参数之一，与压力变化最相关。我们发现，在多任务和真实驾驶实验中，神经测量法能够区分低水平和高水平的压力，平均曲线下面积 (AUC) 值高于 0.9。此外，压力神经测量法显示出比 SCL 测量法和使用跨任务方法校准的 RF 更高的 AUC 和稳定性。总之，本研究提出的神经测量法被证明适用于实验室外的压力水平监测。
一种基于深度学习的方法，使用音频分类诊断轻度创伤性脑损伤
轻度创伤性脑损伤 (mTBI 或脑震荡) 越来越受到关注，因为这种损伤在接触性运动中发病率较高，而且主观诊断方法 (纸笔) 也存在局限性。如果 mTBI 未被诊断出来，而运动员过早恢复比赛，则可能导致严重的短期和/或长期健康并发症。这表明提供更可靠的 mTBI 诊断工具以减少误诊的重要性。因此，需要开发可靠、高效的客观方法和计算稳健的诊断方法。在此初步研究中，我们建议从收集的参加橄榄球联盟的运动员的语音录音中提取梅尔频率倒谱系数 (MFCC) 特征，无论这些运动员是否被诊断患有 mTBI。这些特征是在我们新颖的粒子群优化 (PSO) 双向长短期记忆注意力 (Bi-LSTM-A) 深度学习模型上进行训练的。在训练过程中几乎没有发生过拟合，表明该方法对于当前测试数据集分类结果和未来测试数据具有很强的可靠性。区分 mTBI 患者的敏感性和特异性分别为 94.7% 和 86.2%，AUROC 得分为 0.904。这表明深度学习方法具有强大的潜力，未来分类结果的改进将依赖于更多的参与者数据和 Bi-LSTM-A 模型的进一步创新，以充分确立该方法作为实用的 mTBI 诊断工具的地位。
风险/回报决策制定和由轻度创伤性脑损伤引起的额叶儿茶酚胺调节
电子邮件：loweth@rowan.edu ramesh raghupathi; 2900 W.皇后巷，费城，宾夕法尼亚州19129年；电话：215-991-8405;电子邮件：rr79@drexel.edu stan B. Floresco; 2136 West Mall，卑诗省温哥华，V6T 1Z4，加拿大；电话604-827-5313;电子邮件：floresco@psych.ubc.ca Barry D. Waterhouse; 42 East Laurel Road，Suite 2200，Stratford，NJ 08084；电话：856-566-6407;电子邮件：waterhouse@rowan.edu Rachel L. Navarra； 42 East Laurel Road，Suite 2200，Stratford，NJ 08084；电话：856-566-6819;电子邮件：navarra@rowan.edu
基于机器学习的预测具有正常认知功能的个体中的轻度认知障碍
在过去的十年中，多项研究报告了可能促进或预测痴呆症发展的主要危险因素，包括年龄，教育，性别，精神障碍，糖尿病等（3，4）。很少有人关注MCI正常认知功能的风险或原因。此外，随着成像的发展，磁共振成像（MRI）可以提供不同脑损伤的可视化，例如缺血性中风，白质超强度（WMH）和脑萎缩，越来越多地用于诊断和病因学区分认知功能障碍（5，6）。很少有研究集中于临床和图像因素的组合，以确定MCI的未来风险。与科学家手动完成的数据分析相比，人工模型在检测不同变量的重要性并平衡每个变量和周期之间的重量方面可能更强大且准确。
使用卷积神经网络诊断阿尔茨海默氏病和轻度认知障碍
摘要。背景：阿尔茨海默氏病和轻度认知障碍是老年人的常见疾病，影响了2020年全球超过5000万人。早期诊断对于管理这些疾病至关重要，但是它们的复杂性构成了挑战。卷积神经网络在准确的诊断方面表现出了希望。目的：这项研究的主要目的是使用卷积神经网络诊断健康个体中阿尔茨海默氏病和轻度认知障碍。方法：本研究使用了三种不同的卷积神经网络模型，其中两个是预训练的模型，即Alexnet和Densenet，而第三个模型是CNN1D-LSTM神经网络。结果：在所使用的神经网络模型中，Alexnet在健康个体中表现出最高的准确性，超过98％的轻度认知障碍和阿尔茨海默氏病。此外，Densenet和CNN1D-LSTM模型的准确性分别为88％和91.89％。结论：该研究突出了卷积神经网络在诊断轻度认知障碍和阿尔茨海默氏病的潜力。使用预训练的神经网络以及各种患者数据的整合有助于取得准确的结果。Alexnet神经网络获得的高精度强调了其在疾病分类中的有效性。这些发现为未来的研究和改善使用卷积神经网络诊断这些疾病的领域铺平了道路，最终有助于早期发现和有效地管理轻度认知障碍和阿尔茨海默氏病。
回顾可穿戴技术和机器学习方法，用于系统检测轻度创伤性脑损伤
1 美国德克萨斯州休斯顿市莱斯大学电气与计算机工程系和神经工程计划 (NEI) 2 美国德克萨斯州休斯顿市休斯顿卫理公会医院神经外科系 3 美国德克萨斯州休斯顿市休斯顿卫理公会医院神经内科系 4 美国德克萨斯州休斯顿市莱斯大学生物科学与生物工程研究所 (IBB) 5 美国弗吉尼亚州阿灵顿市海军研究办公室 6 美国弗吉尼亚州阿灵顿市海军研究办公室 77003 6 美国陆军医学研究与发展司令部军事作战医学研究计划 7 美国马里兰州德特里克堡市 77005 7 美国德克萨斯州休斯顿市莱斯大学运动医学系
自我调节策略发展指导对轻度残疾青少年论证写作技能的影响。
这篇博士论文由 ThinkIR：路易斯维尔大学机构知识库免费开放给您。它已被 ThinkIR：路易斯维尔大学机构知识库的授权管理员接受收录到电子论文和学位论文中。此处出现的标题由作者提供，作者保留了所有其他版权。有关更多信息，请联系 thinkir@louisville.edu。
dapagliflozin用于治疗慢性心力衰竭，以保留或轻度降低的射血分数
临床专家指出，慢性心力衰竭，射血分数降低和慢性心力衰竭以及保留或轻度减少的射血分数不应一定被视为2个单独的条件，并且它们存在于连续体中。Dapagliflozin已经获得了慢性心力衰竭的营销授权，而射血分数减少，并且由NICE推荐该人群（请参阅NICE的Dapagliflozin [TA679]的技术评估指南）。委员会指出，此评估良好范围的人口是“成年人患有症状性心力衰竭，左心室射血分数为40％或更多”。还有一群患有慢性心力衰竭的人，其左心室射血分数最初低于40％，但随后提高到40％以上。这些被包括在交付临床试验中作为亚组（请参阅第3.5节）。此评估与患有慢性心力衰竭的人有关，射血分数保留或轻度降低（左心室射血分数超过