XiaoMi-AI文件搜索系统
World File Search System闭锁
为神经系统残疾儿童推进脑机接口的道德责任
患有严重神经系统残疾但功能完好的儿童往往被困在自己的身体里，被剥夺了基本人权。脑机接口（BCI）是针对患有严重神经系统残疾患者的快速出现的解决方案，但儿童几乎完全被这一进步所忽视。世界卫生组织估计，中度至重度神经系统残疾影响着超过 1 亿儿童。1 四肢瘫痪性脑瘫（CP）是主要的例子，这是一种由于生命早期的脑部疾病导致的身体运动永久性残疾。受影响的儿童通常无法走路、使用双手或说话，甚至无法完成简单的任务。许多儿童具有很强的存在意识，可能智力正常或有天赋。这些孩子实际上被困在自己的身体里，类似于成人中所描述的闭锁综合症。同样重要的是四肢瘫痪和智力障碍的儿童，他们与世界联系的选择往往有限，从而失去了参与生活的机会。总的来说，四肢瘫痪的青少年往往被剥夺了交流、社交、学习、玩耍和表达自己的基本人权。脑机接口是一种潜在的解决方案，它可以非侵入性地检测大脑活动，以解读用户控制设备的意图。2 闭锁综合症患者可能会使用 BCI 来驾驶轮椅、发送短信、玩视频游戏或仅用他们的思想创作歌曲。通过强大的学术联盟，可植入的 BCI 系统已为严重残疾的成年人带来了改变生活的应用。 3 具有巨大容量的无线可植入传感器即将问世。尽管取得了这些进展，但还没有一个孩子被植入 BCI 设备。脑机接口技术发展迅速，但儿科人群却被忽视了。2023 年 2 月的 ApubMedsearch 发现了 9400 多篇关于 BCI 的文章，但只有不到 2% 提到了儿童。ClinicalTrials.gov 上注册的儿科 BCI 试验数量也同样稀少。与此形成鲜明对比的是，联合国《残疾人权利公约》4 和《儿童权利公约》5 特别优先考虑新技术，以改善残疾儿童的生活。照顾严重残疾人的从业者大多不知道 BCI，但却认可其巨大的潜力。6
顶骨内脑膨出
脑膨出是脑实质通过颅底或颅顶骨性缺损突出[1]。脑膨出可能是先天性疾病（类似于神经管缺损），也可能是后天事件导致的，如感染、创伤、肿瘤和医源性原因[2,3]。据估计，每 3,000-10,000 个活产婴儿中就有 1 个是先天性脑膨出[4]。人们提出了许多脑膨出的分类系统，但最被接受的是 Matson [5] 的分类系统，该系统根据脑膨出的位置分为：基底、枕骨、凸面和闭锁。这些病变通常位于中线，从鼻部到枕部，四分之三的脑膨出发生在后部[6]。如果缺损仅占据硬脑膜和内板，而颅骨外板完整，则实质疝会发生在板内空间，称为板内脑膨出 [7]。尤其是偏离中线的顶叶脑膨出非常罕见，仅占所有脑脊髓畸形的 1% 和脑膨出的 10% [2,8]。我们在此报告
![arXiv:2003.10212v1 [q-bio.NC] 2020 年 3 月 13 日](/simg/c\cf701643586d210df324b7d34994c982146f5143.webp)
arXiv:2003.10212v1 [q-bio.NC] 2020 年 3 月 13 日
摘要。本研究提出通过引入实际运动和/或体感提示来改进运动想象的脑电图 (EEG) 记录协议。所得结果证明了要求受试者在想象试验后执行运动动作的优势。通过在协议中引入运动动作，受试者能够执行实际的运动计划，而不仅仅是想象运动，从而大大提高了想象运动的难易程度。本研究还探讨了向受试者提供体感提示的额外优势，而不是传统的听觉/视觉提示。在应用众所周知的通用空间模式 (CSP) 算法时，协议中的这些变化在数据上获得的空间滤波器的适用性方面显示出希望。当协议通过体感刺激增强时，空间滤波器突出显示的区域在受试者中更加局部化和一致。因此，我们认为这可能被证明是一种更好的脑电图采集协议，用于检测（临床）瘫痪/闭锁患者响应预期运动指令时的大脑激活。
通用保护继电器，PowerLogic P3U 3CT 1Io 16DI 8DO 24-48V DI24 RJ45 RS232 RL
保护功能 相过流 50/51 方向相过流 67 接地故障过流 50N/51N 方向接地故障 67N 瞬时接地故障 67NI 电容器组不平衡 51C 断线 46 I2/I1 冷负荷启动 H2 检测 68H2 H5 检测 68H5 冷负荷启动 59 断路器故障 50BF 开关闭合至故障 (SOTF) 方向有功功率不足 37P 故障定位器 21FL 重合闸 79 相欠流 37 启动时间过长，转子堵转 48/51LR 电机重启抑制 66 电容器过压 59C 负序过流 46 开关闭合至故障 (SOTF) 50/51 过压 59 欠压 27 正序欠压 27P 接地故障过压 59N 欠频 81/81N 频率变化率 81R同步检查 25 闭锁继电器 86 CT 监控 60 VT 监控 60 可编程阶段 99 8 可编程曲线
设想语音识别的脑电图频带分析
摘要 — 自动语音识别 (ASR) 界面在日常生活中越来越受欢迎，用于电子设备的交互和控制。当前使用的界面不适用于各种用户，例如患有言语障碍、闭锁综合症、瘫痪或对隐私有极高要求的用户。在这种情况下，可以使用脑电图 (EEG) 信号识别设想语音的界面可以带来很大的好处。过去已经针对这个问题进行了各种研究。然而，在识别有助于设想语音识别的 EEG 信号频带 (δ、θ、α、β、γ) 方面工作有限。因此，在这项工作中，我们旨在分析从大脑不同叶获得的不同 EEG 频带和信号的重要性及其对识别设想语音的贡献。从不同叶瓣获得的信号以及针对不同频带进行带通滤波的信号被输入到具有卷积神经网络 (CNN) 和长短期记忆 (LSTM) 的时空深度学习架构中。性能评估基于一个公开可用的数据集，该数据集包含三个分类任务 - 数字、字符和图像。我们对这三个任务的分类准确率分别为 85.93%、87.27% 和 87.51%。实现代码已在 https://github.com/ayushayt/ImaginedSpeechRecognition 上提供。索引术语 - 设想语音、EEG、CNN、LSTM、频带、脑机接口
肺动脉异常的产前筛查和诊断：评论
先天性肺动脉异常很少见。他们的产前诊断需要良好的胎儿心脏解剖结构了解，因为它们的临床表现取决于基础病变的类型和严重程度。在某些情况下，筛选这些血管异常可能很简单，因为显着的相关后果很容易在超声波上检测到，而其他异常的特征则较明显。可能存在相关的遗传综合征。本综述的目的是定义主肺动脉及其分支的异常，并通过在常规产前心脏检查期间对可疑发现的鉴定提出，这是肺动脉途径的最佳筛查方法。我们提出，肺动脉异常可以在产前分为四种类型的疾病。在此，我们将14例相应地描述为：肺动脉瓣区域的异常，瓣膜狭窄或闭锁（n = 4）；共鸣异常（n = 4）;与异常起源或肺动脉途径相关的异常（n = 4）；与肺动脉及其分支异常生长有关的异常（n = 2）。我们强调需要在评估先天性肺动脉异常的胎儿时，将三个船尾视图与三个船尾视图区分开。©2022作者。由约翰·威利（John Wiley＆Sons Ltd）发表的妇产科超声波，代表国际妇产科超声学会。
Brainy Home：基于脑机接口的虚拟智能家居和轮椅控制应用程序
摘要：近年来，智能家居应用已成为改善人们生活质量的必需品，尤其是对于行动障碍人士。虽然智能家居应用是通过手机、语音命令和手势等交互工具进行控制的，但这些工具可能不适合患有严重残疾、影响其运动功能的人士，例如闭锁综合征 (LIS)、肌萎缩侧索硬化症 (ALS)、脑瘫、中风等。在本研究中，我们在虚拟环境中开发了一个智能家居和轮椅控制应用程序，该应用程序完全由基于稳态视觉诱发电位 (SSVEP) 的脑机接口 (BCI) 系统控制。它是一种成本相对较低、易于设置的无线通信协议，具有较高的准确性。该系统已在 15 名健康受试者身上进行了测试，初步结果全面表明，所有受试者都以大约 100% 的准确率完成了设备交互任务，并以超过 90% 的准确率完成了轮椅导航任务。这些结果清楚地表明，未来开发的系统可用于与辅助设备和智能家电实时交互。因此，所提出的系统可能在帮助残疾人独立进行日常生活活动方面发挥重要作用。
第十五届海峡两岸资讯技术研讨会
患有肌萎缩侧索硬化症 (ALS)、严重脑瘫、头部创伤、多发性硬化症和肌营养不良症的患者无法与外部环境进行交流（闭锁综合征）。一些研究小组试图为神经肌肉受损患者开发独立于周围神经和肌肉的新型交流技术。一种有前途的方法是使用神经电信号，例如脑电图 (EEG) 或皮层内的单元神经活动，这些信号源自人脑作为控制或通信信号。通过执行设计的任务，可以生成特定的脑信号模式来激活外部设备或表达用户意图。这种技术被称为“脑机接口 (BCI)”。在我们的实验室中，我们提出了一种基于稳态视觉诱发电位 (SSVEP) 的脑机接口 (BCI)。我们仅使用一个放置在 Oz 位置的 EEG 电极，参考国际 EEG 10-20 系统，参考电极位于右乳突。由发光二极管 (LED) 或液晶显示器 (LCD) 中相位标记闪光引起的 SSVEP 被实时识别，以便控制计算机光标、遥控汽车、多媒体设备、键盘输入系统等。准确性和信息
从脑电信号中隐性语音解码
隐蔽言语，也称为想象言语，是在不移动发声器官或产生任何声音输出的情况下在内部发音音素、单词或句子 [1]。尽管失语症或闭锁综合症等言语相关障碍通常会限制明显的言语产生，但即使在这些情况下，也有可能主动想象说话 [2]。脑机接口 (BCI) 将大脑活动解读为数字形式，作为计算机命令，让用户通过脑信号控制外部设备 [3]。BCI 系统如果能够解码隐蔽言语过程中的脑电活动并将其转化为文字，将改善残疾人的生活质量 [2]。在目前可用于 BCI 系统的神经成像技术中，脑电图 (EEG) 具有经济高效、非侵入性的优势，时间分辨率高达不到 1 毫秒。然而，此类系统也存在一些挑战，包括信噪比低、空间分辨率低以及由于眨眼或肌肉活动而频繁出现伪影 [2]、[3]。此外，尽管已知大脑的某些区域专门用于语音感知和产生，但语音相关任务的空间特征在受试者之间和受试者内部存在相关的差异 [4]，这使得寻找一个能够提供可靠解码的模型即使对单个人来说也是一项挑战，即使对单个人来说，也需要几天的时间。
社论：机器学习高级动态组学数据分析助力精准医学
通过蒙特卡洛特征选择方法和重复增量剪枝以减少错误方法，将分类规则作为潜在的非侵入性生物标志物。刘哲等人对结直肠癌患者的等位基因特异性表达 (ASE) 进行了全基因组分析，系统地了解了 ASE 如何与肿瘤和正常组织有关。胡等人利用 RNA 测序数据通过生物信息学分析来识别和量化心房颤动 (AF) 中的环状 RNA，并通过竞争内源性 RNA 网络和蛋白质 - 蛋白质相互作用网络表征其潜在功能。石晓玲等人通过全外显子组测序筛选了一组完全性肺静脉异常连接病例和健康对照者的稀有拷贝数变异，提供了与罕见先天性出生缺陷相关的候选基因。吴等人对一个HSCR家系的7个成员进行了全外显子组测序，首次报道了导致可遗传的HSCR的RET移码变异p.Phe147del。谢志军等通过全外显子组测序，研究了一组无关的肺动脉闭锁患者和一组人群匹配的健康儿童对照队列中的罕见拷贝数变异（CNV），有助于阐明关键的疾病基因和新的发病机制见解。孟某等结合靶向测序和Hotspot3D计算方法，对中国非小细胞肺癌患者的驱动基因突变做了简要的研究报告。