XiaoMi-AI文件搜索系统
World File Search System轻度
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
基于脑电图诊断轻度认知障碍的张量分解方案
轻度认知障碍 (MCI) 是急性阿尔茨海默病的主要阶段，早期发现对于患者及其周围的人至关重要。由于这一轻度阶段没有明显的临床症状，其症状介于正常衰老和严重痴呆之间，因此很难识别。在此，我们提出了一种基于张量分解的方案，用于使用脑电图 (EEG) 信号自动诊断 MCI。提出一种新的投影，它保留电极的空间信息以构建数据张量。然后，使用并行因子分析 (PARAFAC) 张量分解提取特征，并使用支持向量机 (SVM) 将 MCI 与正常受试者区分开来。在两个不同的数据集上测试了所提出的方案。结果表明，基于张量的方法在诊断 MCI 方面优于传统方法，对于第一个和第二个数据集的平均分类准确率分别为 93.96% 和 78.65%。因此，维持信号的空间拓扑结构在 EEG 信号的处理中起着至关重要的作用。
使用可解释的人工智能构建痴呆和轻度认知障碍患者结构性脑畸变的个性化表征
此预印本的版权所有者此版本于 2024 年 2 月 22 日发布。；https://doi.org/10.1101/2023.06.22.23291592 doi: medRxiv preprint
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。
算法和基于传感器的研究中国儿童和青少年的屏幕使用行为和轻度环境
结果：所有参与者的每日屏幕时间中位数为58.82分钟。在所有年龄段的人群中，小学生的中间屏幕时间中位数最长，为87.25分钟，每周超过4小时。2岁以下的儿童与平板电脑的中位数为41.84分钟。学习占参与者屏幕时间的54.88％，参与者的51.03％（3,390/6,643）在平均距离<50 cm的情况下使用了1小时。分别触发了807,355和509,199次的距离和姿势警报。在研究中，有70.65％的参与者在白天使用平板电脑以<300 lux的照度使用，而晚上则使用了61.11％的lux。晚上，85.19％的参与者的环境光超过4,000 K的色温。在AI通知后，迅速对观看习惯（观看距离为65.49％；在观看姿势中为86.48％）迅速纠正（所有p <0.05）。
评论：神经反馈对轻度认知障碍患者（MCI）和阿尔茨海默氏病（AD）
神经反馈训练（NFT）是一种非侵入性方法，已被证明对注意力/多动症（ADHD）和各种精神疾病有效。本文的目的是评估NFT对轻度认知障碍（MCI）和阿尔茨海默氏病（AD）或血管疾病（VD）患者的有效性，以便我们使用四个数据库中的研究文章搜索，使用Keurofeedss Neurofeedback，MCI，MCI，AD，AD，VD和DEMTIA。结果，关于NFT在MCI和AD患者中的有效性中发现了13篇文章。尽管每项研究在研究设计，训练方案，脑电图（EEG）电极的放置以及奖励和抑制频带方面都有不同，但所有研究都显示出可增强记忆，注意力和其他认知能力的范围。需要其他精心设计的随机研究，具有舒适的能力，以进一步确定NFT的有效性。
使用回归分析监测单通道脑电图数据的轻度认知障碍的疾病严重程度
摘要：认知健康的声音偏差称为轻度认知障碍（MCI），尽早监测它以防止痴呆症，阿尔茨海默氏病（AD）和帕金森氏病（PD）等复杂疾病。传统上，使用蒙特利尔认知评估（MOCA）对MCI严重性进行了手动评分来监测。在这项研究中，我们提出了一种新的MCI严重性监测算法，并通过自动产生与MOCA评分等效的严重程度得分来回归分析单通道电 - 摄影（EEG）数据的提取特征。我们评估了用于算法开发的多试验和单轨分析。进行多试验分析，从与突出的事件相关电位（ERP）点和相应的时域特征中提取了590个特征，我们利用Lasso回归技术选择了最佳功能集。经典回归技术中使用了13个最佳特征：多元回归（MR），集合回归（ER），支持向量回归（SVR）和Ridge回归（RR）。对ER的最佳结果是1.6的RMSE和剩余分析。在单审分析中，我们从每个试验中提取了一个时间 - 频图图像，并将其作为对构建的卷积深神经网络（CNN）的输入。这种深CNN模型的RMSE为2.76。据我们所知，这是从单渠道脑电图数据中使用多试和单个数据生成与MOCA相当于MOCA的MCI严重程度的自动分数。
在非部署环境中轻度创伤性脑损伤后神经影像
Biomarkers Two plasma biomarkers, glial fibrillary acidic protein (GFAP) and ubiquitin carboxyl-terminal hydrolase L1 (UCH-L1), are FDA approved as highly sensitive for an abnormal CT scan following mTBI and can be measured with the i-STAT handheld Alinity System.目前不能只用血浆进行全血。9指在潜在的脑震荡事件临床实践指南之后，使用创伤性脑损伤血浆生物标志物以获取更多信息。
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。
脑震荡/轻度创伤性脑损伤后头晕和视觉障碍的评估和管理：初级保健经理指南
通过 PCM 管理和逐步恢复活动，头晕和视觉障碍通常会在 mTBI 后几周内消失。如果症状持续或严重受限，请首先转诊至 TBI 专科诊所（如果可用）。提供者还可以使用上述有关 mTBI 后特定症状和状况的专业转诊指导。在电子健康记录和患者与领导指南中记录处置情况，同时考虑头晕和视觉障碍对服务成员执行任务的能力的功能影响以及伤害自己或他人的风险。某些情况和药物会影响可部署性并限制值班状态。政策和程序特定于服务和命令。在处置患者时，请查阅您所在组织的职责和部署标准。编码指南：如需更多指导，请参阅 ICD-10-CM 创伤性脑损伤编码指南或听力卓越中心 MHS 前庭疾病诊断编码指南。