XiaoMi-AI文件搜索系统
World File Search System静噪
用于脑 MRI 无监督异常检测的去噪自动编码器
病理性脑损伤在脑图像中呈现出不同的外观，由于缺乏全面的数据和注释，很难训练监督检测解决方案。因此，在这项工作中，我们解决了无监督异常检测问题，仅使用健康数据进行训练，目的是在测试时检测未见的异常。许多当前方法采用具有限制性架构（即包含信息瓶颈）的自动编码器，这些自动编码器不仅会对异常部分进行不良重建，而且会对正常部分进行不良重建。相反，我们研究了经典的去噪自动编码器模型，这些模型不需要瓶颈，并且可以使用跳过连接来提供高分辨率保真度。我们设计了一种简单的噪声生成方法来升级低分辨率噪声，从而实现高质量的重建。我们发现，通过适当的噪声生成，去噪自动编码器重建误差可以推广到高强度病变分割，并达到脑 MRI 数据中无监督肿瘤检测的最新性能，击败了变分自动编码器等更复杂的方法。我们相信这为进一步研究无监督异常检测提供了强大且易于实施的基础。关键词：异常检测、无监督学习、自动编码器、去噪、MRI。
使用生成对抗网络对脑电信号进行自动去噪
摘要：脑机接口（BCI）在各个领域有着广泛的应用。在基于脑电信号的研究中，信号去噪是必不可少的一步。本文提出了一种基于生成对抗网络（GAN）的去噪方法，对多通道脑电信号进行自动去噪。定义新的损失函数以确保滤波后的信号能够尽可能多地保留原始的有效信息和能量。该模型可以模仿和集成人工去噪方法，减少处理时间，因此可以用于大量数据处理。与其他神经网络去噪模型相比，所提出的模型多了一个判别器，它始终判断噪声是否被滤除。生成器则不断改变去噪方式。为了确保GAN模型稳定地生成脑电信号，提出了一种新的归一化方法，即基于样本熵阈值和能量阈值（SETET）归一化来检查异常信号并限制脑电信号的范围。去噪系统建立后，虽然去噪模型采用不同受试者的数据进行训练，但仍然能够适用于新受试者的数据去噪。本文讨论的实验采用HaLT公开数据集。相关性和均方根误差（RMSE）作为评价标准。结果表明，提出的自动GAN去噪网络达到了与手动混合人工去噪方法相同的性能。此外，GAN网络使去噪过程自动化，大大减少了时间。
用于机器学习的透析回路运动和静脉压波形的特征提取
小野淳一 川崎医疗福祉大学 医疗技术学部 临床工程系 〒701-0193 冈山县仓敷市松岛 288 电话：086-462-1111 传真：086-462-1193
倦怠综合症中的功能连接：静息......
慢性职业压力与情绪和认知功能的明显下降有关。神经机制研究表明，职业倦怠者的大脑活动和事件相关电位模式发生了显著变化。本研究对静息状态下的大脑功能连接进行了分析，从而更深入地了解了职业倦怠综合征的伴随机制。样本包括 49 名职业倦怠员工和 49 名对照者，按年龄、性别和职业匹配（M 年龄 = 36.15，SD = 8.10；59 名女性，39 名男性）。从 256 通道 EEG 系统收集连续密集阵列 EEG 数据。使用静息态范式在闭眼（EC）和睁眼（EO）条件下测试了职业倦怠和对照者之间的功能连接差异。结果表明，职业倦怠组和对照组的大脑活动存在显著差异。倦怠组的静息状态网络的特点是睁眼状态下 alpha3 子带（11-13 Hz）的额叶和中线区域功能连接减少。连接减少的最显著影响是在右额叶脑区观察到的。这些分析首次指出了倦怠综合征中 alpha3 子带内功能连接的独特方面。这些发现为倦怠综合征的神经生物学基础及其与静息状态网络变化的关联提供了见解。有关倦怠受试者神经特征的数据可能有助于了解认知功能和情绪调节下降的机制，并寻找适当的治疗方法。
静息状态血氧水平的延迟时间-...
静息状态功能性磁共振成像 (rs-fMRI) 的最新证据表明，健康人脑具有时间组织，该组织以非常复杂的时间延迟结构为代表。这种结构似乎是大脑信息流、大脑活动的整合/传播以及信息处理的基础。因此，它可能与高度协调的复杂大脑现象（如意识）的出现有关。然而，在意识状态改变期间，这种结构可能发生的变化仍未得到充分研究。在这项研究中，我们假设由于高阶功能的中断和大脑信息流的改变，意识障碍 (DOC) 患者的自发性大脑活动的时间延迟结构可能会发生变化。我们通过比较 48 名 DOC 患者和 27 名健康对照 (HC) 受试者在静息状态下获得的 fMRI 静息状态数据的时间延迟投影来探索这一假设。结果表明，与 HC 相比，DOC 患者的时间延迟结构有所改变。具体而言，中扣带皮层 (mCC) 内潜伏期的平均值和方向性会随着意识水平的变化而变化。具体而言，mCC 内潜伏期的正值与意识状态的保持有关，而 DOC 患者的负值则与意识水平成比例变化。这些结果表明，mCC 可能在 HC 受试者中作为大脑活动的整合者发挥着关键作用，但这种作用在意识改变的状态下会消失。
采用去噪扩散概率模型进行三维医学图像合成
去噪扩散概率模型 (DDPM) 最近在图像合成中表现出色，并在各种图像处理任务中得到广泛研究。在这项工作中，我们提出了一种用于生成三维 (3D) 医学图像的 3D-DDPM。与以前的研究不同，据我们所知，这项工作首次尝试研究 DDPM 以实现 3D 医学图像合成。我们的研究检查了脑肿瘤高分辨率磁共振图像 (MRI) 的生成。通过在半公开数据集上的实验对所提出的方法进行了评估，定量和定性测试都显示出有希望的结果。我们的代码将在 https://github.com/DL-Circle/3D-DDPM 上公开提供。关键词：扩散模型、图像合成、磁共振成像 (MRI)。
用于脑电信号分类的抗噪低秩学习算法
脑电图(EEG)在临床癫痫治疗中常用于监测癫痫患者脑部电信号的变化。随着信号处理和人工智能技术的发展，人工智能分类方法在癫痫脑电信号的自动识别中发挥着重要作用。但传统分类器容易受到癫痫脑电信号中杂质和噪声的影响。针对这一问题，该文设计了一种抗噪声低秩学习(NRLRL)脑电信号分类算法。NRLRL建立低秩子空间连接原始数据空间与标签空间，充分利用监督信息，考虑样本局部信息的保存性，保证类内紧凑性和类间离散性的低秩表示。将非对称最小二乘支持向量机(aLS-SVM)嵌入到NRLRL的目标函数中。 aLS-SVM基于pinball损失函数寻找两类样本间的最大分位数距离，进一步提高了模型的噪声鲁棒性。在Bonn数据集上设计了多个不同噪声强度的分类实验，实验结果验证了NRLRL算法的有效性。