基于小样本功能磁共振数据的偏头痛时序特征分类研究

提取偏头痛患者等的神经影像特征并进行识别模型的设计对相关疾病的辅助诊断具有重要意义。相较于常用的影像特征,本研究直接采用时间序列信号表征偏头痛患者组和健康对照组的大脑功能状态,可有效利用时间信息并减小分类模型训练计算量。首先,本研究针对小样本群体运用组水平独立成分分析和字典学习划分不同脑区后,提取区域平均时间序列信号;其次,将提取的时间序列平均划分成多个子时间序列,以扩充模型输入样本;最后,使用双向长短期记忆网络对时间序列建模,学习每个时间序列内部的前后时序信息来刻画周期性大脑状态变化以提高偏头痛的诊断准确率。研究结果显示,偏头痛患者组与健康对照组的分类准确率为96.94%、曲线下面积为0.98,且计算时间相对较短。实验表明,本文方法具有较强的适用性,时序特征提取和双向长短期记忆网络模型结合能较好地用于偏头痛的分类诊断;这项工作为基于小样本的神经影像数据的轻量化诊断模型提供了新的思路,并有助于相关疾病神经鉴别机制的探索。     

Granger因果分析1型糖尿病患儿静息态fMRI数据

目的 观察1型糖尿病（T1DM）患儿静息态fMRI双侧海马效应连接的变化。方法 对1型T1DM患儿（n=18,T1DM组）和健康儿童（n=13,对照组）行静息态fMRI数据采集,以双侧海马为ROI进行Granger因果分析。结果 与对照组比较,以左侧海马为种子点,T1DM组左侧海马对双侧额中回、岛盖部额下回、三角部额下回、中央后回、辅助运动区、脑岛、前扣带和旁扣带脑回、内侧扣带和旁扣带脑回、缘上回,左侧内侧额上回、中央前回,右侧背外侧额上回的外向流显著减弱;以右侧海马为种子点,T1DM组右侧海马对双侧辅助运动区、内侧扣带和旁扣带脑回,左侧的额中回、岛盖部额下回、三角部额下回、内侧额上回、中央后回、前扣带和旁扣带脑回、缘上回外向流显著减弱。结论 T1DM患儿海马功能可能受到损伤,导致额叶、辅助运动皮层、扣带皮层对海马信息的提取能力减弱;与右侧海马相比,左侧海马可能对认知处理的参与度更高;海马外向流减弱对T1DM相关认知损害具有早期警示作用。     

有效连接分析在脑功能磁共振数据中的发展和应用

大脑是一个高度复杂的神经网络系统,随着磁共振成像技术的快速发展,目前研究逐步深入到人类大脑并行神经网络和不同脑区间的信息流,以更全面深入地探索脑功能机制。有效连接分析是近年来在脑功能网络方面的一个研究热点。对人脑功能网络进行有效连接分析,可能对神经精神疾病的病理机制和脑功能异常状态下的功能逻辑有着更好的理解。本文着重对有效连接的几种经典方法(包括结构方程模型、多变量自回归模型、格兰杰因果分析和动态因果模型)的算法原理、存在的问题、算法比较、最新发展及在大脑功能磁共振成像数据中的应用做简要介绍。     

基于Rs-fMRI的维、汉语脑卒中后失语症患者的脑功能研究

目的 利用静息态功能磁共振成像技术（Rs-fMRI）研究维族和汉族脑卒中失语症患者在静息态下脑自发活动的差异区,并初步探讨形成差异的原因。 方法 利用Rs-fMRI采集15例汉族脑卒中失语症患者（汉语组）和12例维族脑卒中失语症患者（维语组）静息态下的fMRI数据,对数据预处理后进行低频振幅（ALFF）指标的计算,最后对两组数据做组间统计学比较。 结果 静息状态下汉语患者的ALFF大于维语患者,汉语患者的右侧丘脑ALFF值增加。 结论 在静息态下汉族失语症患者的右侧丘脑处ALFF大于维族患者,可能是由于汉族患者左侧脑区脑卒中后,右侧丘脑部分参与了新的语言回路,对语言功能的损失起到了一定的代偿作用。     

叶绿酸铜钠对卷烟焦油诱变性的抑制作用

选用小鼠骨髓细胞微核实验及小鼠睾丸染色体畸变实验探讨叶绿酸铜钠对卷烟焦油（ＴＰＭ）诱变性的抑制作用．结果表明．２５～１００ｍｇ／ｋｇ体重的叶绿酸铜钠可不同程度的降低ＴＰＭ诱导的微核率，抑制率为２８．５１％～５４．９７％，５０、１００ｍｇ／ｋｇ体重的叶绿酸铜钠对小鼠睾丸精母细胞染色体畸变的抑制率分别为４０．６３％、５６．２５％．提示：叶绿酸铜钠对卷烟焦油是一种抗诱变物质．     

评价G市水源水及自来水运用V79细胞的诱变作用

评价Ｇ市水源水及自来水运用Ｖ７９细胞的诱变作用张俊然朱惠刚上海医科大学环境卫生学教研室（２０００３２）已知骨髓红细胞微核实验可以分辨指定的致癌物／非致癌物。［１］因此，微核实验已成为快速筛选致癌物和诱变物的方法。［２］为此，我们运用Ｖ７９细胞微核实验...     

MEMS微针阵列干电极及其在生理电信号采集中的应用

生理电信号能直接反映人们的身体状况,且随着各种便携式设备、穿戴式设备的出现,生理电信号的采集得到越来越多的重视。近年来,许多研究人员致力于生理电信号采集电极的研究,因此基于MEMS技术的微针阵列干电极逐渐成熟。微针阵列干电极通过微针刺入被测者的皮肤,实现连续、长期、高效的生理电信号采集,由于其成本低、操作简单、不会使被测者感到不适、采集质量高等优点,逐渐取代传统湿电极而得到越来越广泛的应用。通过将微针阵列干电极与湿电极进行对比,突出微针阵列干电极的研究价值;结合国内外最新研究,综述微针阵列干电极的制作工艺、微针阵列干电极的改进技术、在生理电信号采集中的应用现状;讨论目前微针阵列干电极存在的不足,并对以后的发展趋势进行展望。     

基于模型的功能磁共振成像方法研究综述

基于模型的功能磁共振成像(fMRI)方法是新世纪以来在神经影像领域兴起的极具发展潜力的研究方法。相比传统的影像学方法,它可以深入探究特定的认知过程是如何在一个特定的脑区以及脑区环路中实现的,而不仅仅是标识某个任务活动的最终激活脑区,并能揭示模型内部变量与神经影像数据之间的关联,为有效探测大脑功能活动提供重要手段。重点综述基于模型的fMRI方法的两类常用计算模型框架(单脑区建模包括强化学习模型和主观价值模型,脑区交互作用建模采用心理-生理交互作用模型),简述近年来该方法的应用状况和最新进展,并讨论该方法的不足及未来发展趋势。     

基于深度信念网络脑电信号表征情绪状态的识别研究

随着机器学习技术的快速发展,深度学习等系列算法在一维生理信号处理方面得到了广泛的应用。本文针对脑电(EEG)信号,使用深度学习开源框架中的深度信念网络(DBN)模型识别积极、消极、中性3种情绪状态,并与支持向量机(SVM)进行识别效率的对比,通过采集受试者在不同情绪刺激状态下的脑电信号,利用深度信念网络和支持向量机分别对基于不同特征变换和不同频段的情绪表征数据进行识别。研究结果发现,利用深度信念网络对差分熵(DE)特征进行识别的平均准确率为89.12%±6.54%,与之前的研究相比在同一批数据集上的识别效果更好,同时深度信念网络的分类效果在数值上好于传统的支持向量机(平均分类准确率为84.2%±9.24%),其准确率和稳定性都有相应更好的趋势,另外受试者在3次重复试验中都能得到比较一致的分类准确率(标准差的平均值为1.44%),试验结果较为稳定,试验具有一定的可重复性。研究结果显示,差分熵特征相比于其他特征在分类器中有着更好的分类准确率,此外,方法中使用Beta频段和Gamma频段在情绪识别模型中有着更好的分类效果。综上所述,利用深度学习算法进行情绪识别,能够在准确率上有所提升,对于建立能够更准确地识别情绪状态的辅助识别系统有着一定的借鉴意义。此外,本文研究结果进一步提示可以通过分类结果反演找出与情绪状态最相关的脑区和频段,从而加深对于情绪机制的理解,因此本文在利用脑电信号表征情绪状态的识别研究领域具有一定的学术价值和应用价值,值得更深入的探究。     

基于深度学习的医学图像识别研究进展

近年来,随着医学影像技术的快速发展,医学图像分析步入大数据时代,如何从海量的医学图像数据中挖掘出有用信息,对医学图像识别带来巨大的挑战。深度学习是机器学习的一个新领域,传统的机器学习方法不能有效地挖掘到医学图像中蕴含的丰富信息,而深度学习通过模拟人脑建立分层模型,具有强大的自动特征提取、复杂模型构建以及高效的特征表达能力,更重要的是深度学习方法能从像素级的原始数据中逐级提取从底层到高层的特征,这为解决医学图像识别面临的新问题提供了新思路。首先阐述深度学习方法,列举深度学习方法的三种常见的实现模型,并介绍深度学习的训练过程;随后总结了深度学习方法在疾病检测与分类和病变识别两方面的应用情况,以及深度学习应用在医学图像识别中的两个共性问题;最后对深度学习在医学图像识别中存在的问题进行分析及展望.