XiaoMi-AI文件搜索系统
World File Search System运动神经
使用残差 CNN-LSTM 神经网络进行基于 EEG 皮质源特征的手部运动解码
摘要 — 使用脑信号进行运动运动解码 (MKD) 对于开发用于康复或假肢设备的脑机接口 (BCI) 系统至关重要。表面脑电图 (EEG) 信号已广泛应用于 MKD。然而，来自皮质源的运动解码很少被探索。在这项工作中，已经探索了使用 EEG 皮质源信号进行手部运动解码以执行抓取和举起任务的可行性。特别是，利用了运动前 EEG 片段。提出了一种基于残差卷积神经网络 (CNN) - 长短期记忆 (LSTM) 的运动解码模型，该模型利用运动前大脑活动中存在的运动神经信息。在运动开始前 50 毫秒的各种 EEG 窗口用于手部运动解码。实际和预测手部运动之间的相关值 (CV) 被用作源域和传感器域的性能指标。在传感器和源域比较了所提出的深度学习模型的性能。结果证明了使用运动前 EEG 皮质源数据进行手部运动学解码的可行性。
热休克蛋白：骨骼肌发育、维持和再生的重要助手
摘要：骨骼肌是一种高度可塑的组织，在急性和阻力运动中表现出显著的适应能力，并改变其组成以适应使用和废用，这一过程称为肌肉可塑性。热休克蛋白 (HSP) 是一类进化保守的分子伴侣，与骨骼肌可塑性的调节有关。在这里，我们总结了支持以下观点的关键发现：HSP 是维持骨骼肌完整性和功能性所必需的重要成分。HSP 参与肌生成所需的转录程序，并在肌肉运动和损伤后被激活。它们的功能障碍（无论是由于表达不当还是基因突变导致）都会导致肌肉萎缩并导致肌病和周围运动神经病的发展。在运动神经病中观察到神经支配/神经支配和反复的神经退化/再生，这表明 HSP 表达和功能失衡可能会损害神经肌肉接头的修复。增强 HSP 活性可能有助于通过促进肌肉分化和帮助修复 NMJ 来防止肌肉萎缩。增强 HSP 功能还可能有助于对抗横纹肌肉瘤 (RMS) 的发展，这是一种高度侵袭性的儿童软组织肉瘤，其细胞具有骨骼肌特征，但无法完全分化为骨骼肌细胞。
利用神经接口和深度学习感知人手的全部动态
摘要 — 神经控制运动的理论主要基于运动传感设备，这些设备可以捕捉预先定义的解剖标志的动态。神经肌肉接口，例如表面肌电图 (sEMG)，理论上可以通过感知由运动的最终路径（运动单元）传输的运动命令来超越基于运动的技术所施加的限制。运动单元活动的记录可以连续地预测时间和空间中的动力学和运动学，而不受数码相机或惯性传感器所遭受的几个生物和物理限制。然而，目前的 sEMG 解码算法只能预测几个自由度（<3）。通过结合无标记机器视觉和高密度 sEMG 电极，我们旨在检验以下假设：受生理启发的深度神经网络可以像数码相机一样精确地重建人手的运动，并且还具有预测潜在力量（例如，抓住一杯咖啡）的额外好处。我们证明，我们的深度学习模型可以在自然运动任务中，通过仅放置在外部手部肌肉上的 320 个 sEMG 传感器，以可忽略不计的误差持续预测手部的所有自由度。我们的深度学习模型能够显示 3D 手部运动学和等长收缩期间手指的全部力量范围。目前的结果表明，将深度学习应用于 EMG 信号可以前所未有地表示最终的运动神经代码。
偏差、最佳线性估计以及基于脉冲的脑机接口算法的开环模拟和闭环性能之间的差异
同时记录的数十个神经元的活动可用于控制机械臂或计算机屏幕上光标的运动。这种运动神经假体技术激发了人们对推断运动意图的算法的兴趣。这些算法中最简单的是群体向量算法 (PVA)，其中每个细胞的活动用于加权指向该神经元首选方向的向量。离线时，可以证明更复杂的算法（例如最佳线性估计器 (OLE)）可以大大提高重建手部运动的准确性，优于 PVA。我们称之为开环性能。相反，这种性能差异可能不存在于闭环在线控制中。开环和闭环控制之间的明显差异是适应当时使用的解码器的具体情况的能力。为了预测算法在闭环控制中可能产生的性能提升，有必要建立一个模型来捕捉这种适应过程的各个方面。这里我们提出了一个用于对 PVA 和 OLE 的闭环性能进行建模的框架。通过模拟和实验，我们表明 (1) 某些解码器的性能增益可能远低于离线结果的预测，(2) 受试者能够补偿解码器中某些类型的偏差，以及 (3) 必须小心确保估计误差不会降低理论上最佳解码器的性能。© 2009 Elsevier Ltd. 保留所有权利。
临床委托政策 利妥昔单抗治疗慢性...
一种神经系统疾病，其特征是腿部和手臂逐渐衰弱，感觉功能受损。这种疾病有时被称为慢性复发性多发性神经病。慢性表示该病持续很长一段时间。炎症表示神经损伤是由于炎症而发生的，炎症是一个涉及免疫系统的复杂过程。脱髓鞘表示损伤影响神经纤维周围的蛋白质涂层（髓鞘）。多发性神经根神经病意味着这种疾病影响了不止一条神经。利妥昔单抗是一种针对 CD-20 的单克隆抗体，CD-20 是一种广泛表达于 B 细胞的细胞表面标志物，可导致 B 细胞耗竭。MMN 是一种影响人体运动神经的免疫介导性神经病。这些神经控制肌肉，这种疾病使它们难以发送电信号，导致手臂和腿部感到虚弱，引起肌肉痉挛、痉挛和抽搐。MMN 并不致命，在大多数情况下，治疗可以使肌肉更强壮，尽管这种疾病仍然缓慢进展。血管炎周围神经系统血管的炎症，也称为非系统性血管炎性神经病 (NSVN)，血管炎仅限于周围神经系统 - 神经系统的一部分，由大脑和脊髓外部的神经和神经节组成。
可植入的神经信号的电极获取
潜在市场估计到2025年，全球主动植入医疗设备市场估计将达到267.5亿美元。美国控制着全球市场约40％，其次是欧洲（25％），日本（15％）和世界其他地区（20％）。欧洲最大的市场份额属于德国，意大利，法国和英国。医疗应用•刺激和记录周围神经系统中的神经活动； •获取用于控制运动假体的神经电信号； •刺激视觉假体的视神经； •神经的电刺激，以恢复运动功能；我们的经验设计和制造可植入电极，以获取神经信号。我们的传感器的新颖性在于独特的技术流，该技术流通过使用廉价，柔性，生物相容性材料具有强大的优势，并且成本明显低于现有方法。我们的可植入电极具有生物相容性，并在体内进行了测试。设计和制造具有感觉反馈和双向通信与截肢者树桩外周神经系统的双向交流的神经群体：•假体移动元素的动作由从截肢者的树桩中获取的运动神经信号无线控制； •来自神经假体的手掌和手指的触觉反馈信息无线传输到截肢者树桩中的感官神经分支，从而使截肢者的触觉感觉。寻找合作伙伴：
运动功能的失败 - 对压力的全身影响的发育实现研究观点
人类能够巧妙地执行各种复杂的运动，似乎毫不费力，并且能够从不断变化的环境条件下将运动执行调整为不断变化的环境，通常没有明显的运动结果差异。这种令人印象深刻的能力激发了对运动执行的机制数十年来的科学兴趣。在这篇观点文章中，我们认为研究导致运动功能失败的过程和机制是推动人类运动神经科学及其他领域的富有成果的方法。对特定人群中运动功能失败的研究（患者群体，熟练的专家）已经为运动执行的系统特征和多层功能依赖性提供了深刻的见解。但是，尤其是日常运动动作中功能的短暂性失败仍然是一个盲点。从发育实施一项研究的角度来看，我们认为，发展实施例和寿命的视角与现有的系统和多层次的方法学方法的功能分析失败方法的整合提供了一个综合性的跨学科框架，这将使我们能够克服这一缺陷。我们进一步建议，应力诱导的运动功能情况的失败可能代表了这项工作的一个有希望的起点。识别急性和慢性应力对瞬态和持续运动功能的涉及的跨级功能依赖性将进一步提高我们对运动执行机制的知识，并允许识别整个运动功能和失败范围内干预和预防的目标。
原创研究文章纵向...
摘要简介：脑部疾病，例如创伤性脑损伤 (TBI)、中风、脑瘫 (CP) 和外科手术，可能导致对侧肢体运动功能异常，从而导致瘫痪、虚弱和/或痉挛。众所周知，短期内，神经肌肉电刺激 (NMES)（将低水平电流施加到运动神经以诱发瘫痪肌肉的肌肉收缩）可以刺激受影响的肌肉群并增加手臂活动能力。然而，仍然缺乏纵向证据来研究 NMES 介导的手臂使用改善。目的：本研究旨在确定长期 BioSleeve 干预对偏瘫患者手臂活动能力恢复的有效性。研究设计：本研究的设计是一项回顾性队列研究。方法：我们检查了 1) TBI、2) 中风、3) 半球切除术或 4) CP 患者的自我报告手臂使用情况，这些患者佩戴了 Axiobionics 的 BioSleeve NMES 设备，并将其与多年常规治疗所获得的手臂使用情况进行了比较。结果：该设备耐受性良好。患者报告手臂使用率平均从 9.9% 增加到 43.5%，TBI 亚组报告手臂使用率在治疗期间每年持续增加 5.7%。结论：本研究支持文献表明纵向 NMES 可用于增加偏瘫患者的手臂使用率。临床相关性声明：本研究支持使用可穿戴 NMES 干预治疗手臂偏瘫。（J Prosthet Orthot。2024；00:00 – 00）
人类运动单位放电模式揭示了跨收缩水平向运动神经元的神经调节和抑制驱动的差异
所有电动机命令都会收敛到电动机单元（MUS），这些电动机将信号转移到肌肉纤维的机械作用中。由于离子（兴奋性/抑制性）和代谢性（神经调节）输入的组合，此过程是高度非线性的。神经调节输入有助于树突持续的内向电流，这引入了MU放电模式中的非线性，并为运动命令的结构提供了见解。在这里，我们研究了神经调节的相对贡献和抑制模式，以最大70％的收缩力调节人MU排出模式。利用从三种人体肌肉（胫骨前 - TA，ta和巨大的外侧和内膜）鉴定出的MU排出模式，我们表明，随着收缩力增加，发作偏移率滞后率（ΔF）增加了升级的MU放电模式，而s升则增加了线性，并较低。在后续实验中，我们证明了增加δF的观察结果和更线性的上升MU放电模式，即使在收缩持续时间和力率增加时，也可以保持更大的收缩力。然后，我们使用在硅运动神经池中高度逼真的逆转ta Mu放电模式来证实人类记录中推断出的生理机制。我们证明了一个严格的限制性解决方案空间，通过这种空间，只有通过增加的神经调节和更相互的互惠来重新创建收缩力引起的实验获得的MU放电模式的变化（即推扣）抑制模式。总而言之，我们的实验和计算数据表明，神经调节和抑制模式的形状是独特的，以产生放电模式，这些模式支持力在大部分运动池募集范围内增加。
生物医学信号处理和控制
脑电图（EEG）的运动轨迹解码，用于有效控制大脑计算机界面（BCI）系统，一直是研究的活跃领域。这些系统包括假体，康复和增强设备。在这项工作中，在掌握和升力运动过程中使用前移动前的EEG信号估算三维（3D）手运动学。从公开可用数据库Way-eeg-gal中使用的十二个受试者的数据用于此目的。多层感知器（MLP）和基于卷积神经网络长期记忆（CNN-LSTM）的深度学习框架提议利用在实际移动执行之前编码的EEG数据中编码的运动神经信息。使用以七个不同范围过滤的脑电图数据分析频段特征，以分析手动运动学解码。最佳性能频带功能将采用不同的EEG窗口尺寸和滞后窗口进行进一步分析。此外，使用剩余的受试者（LOSO）方法进行了受试者间的手轨迹解码分析。Pearson相关系数以及手轨迹用于评估所提出的神经解码器的解码性能。这项研究探讨了在触及和掌握任务期间使用EEG信号进行主题间3D手轨迹解码的可行性。所提出的CNN-LSTM解码器能够分别在三个轴上达到最高0.730和0.627的大相关性，分别在受试者内和受试者间设置中，从而为实用BCI应用提供了有关从移动前EEG信号中解码手部位置的可行信息。