研究背景 荧光光谱是一种广泛应用于识别和量化荧光物质（荧光团）的方法。然而，当材料中包含其他荧光团（基线荧光团）时，量化感兴趣的荧光团变得具有挑战性，特别是当基线的发射光谱未明确定义且与目标荧光团的发射光谱重叠时。为了准确区分并量化这些荧光物质，研究人员提出了基于多波长激发荧光光谱的新方法。这项研究的主要目标是解决基线荧光干扰这一问题，并提供一种无需先验假设的稳健估计算法。 论文来源 这篇名为《An Explicit Estimated Baseline Model for Robust Estimation of Fluorophores Using Multiple-Wavelength Excitation Fluorescence Spectroscopy》的论文，作者包括A. Ga...
多级特征探索与融合网络用于MRI中IDH状态的预测研究 研究背景 胶质瘤是成年人中最常见的恶性原发性脑肿瘤。根据2021年世界卫生组织（WHO）对肿瘤的分类，基因型在肿瘤亚型划分中具有重要意义，尤其是异柠檬酸脱氢酶（IDH）基因型在诊断胶质瘤时极为重要。临床研究表明，携带IDH突变的胶质瘤通过特定的表观遗传变异特征驱动，影响酶活性、细胞代谢和生物特性；相较于携带IDH野生型的胶质瘤，携带IDH突变的胶质瘤对替莫唑胺更敏感，预后更好。目前，IDH状态的确定主要依赖于在侵入性手术后对组织标本进行基因测序或免疫组织化学分析。然而，侵入性操作可能延误最终治疗决策，甚至导致肿瘤转移。因此，迫切需要通过非侵入性的方法在术前预测IDH状态（IDH prediction），以便为胶质瘤患者制定适当的治疗方案...
在现代医学诊断和临床研究中，动态对比增强磁共振成像（Dynamic Contrast-Enhanced Magnetic Resonance Imaging, DCE-MRI）技术提供了有关组织病理学的重要信息。通过拟合轨迹动力学（Tracer-Kinetic, TK）模型，可以从时间序列MRI信号中提取药代动力学（Pharmacokinetic, PK）参数。然而，这些估计的PK参数受到多种不可避免的变异来源，如信噪比（Signal-to-Noise Ratio, SNR）、本底T1时间、起始时间、动脉输入功能（Arterial Input Function, AIF）和拟合算法等的影响。这些因素导致了PK参数估计的不确定性。因此，估计这些PK参数的后验分布将有助于同时量化PK参数的值及其...
基于Siamese-Transport域适应框架的3D MRI胶质瘤和阿尔茨海默病分类 研究背景 在计算机辅助诊断中，3D磁共振成像（MRI）筛查对于早期诊断各类脑部疾病具有重要作用，可以有效防止病情恶化。胶质瘤是一种常见的恶性脑肿瘤，其治疗方案因肿瘤级别的不同而有所不同。因此，准确高效的3D MRI分类在医学影像分析中至关重要。然而，传统的深度学习模型在应用于临床获得的无标签数据时，表现会严重退化，主要原因是域间不一致性，如不同设备类型和数据获取参数的差异。现有的方法主要集中在减少域间差异，但忽略了语义特征和域信息的纠缠。 论文来源 本文由Shandong University的Luyue Yu，Ju Liu，Qiang Wu，Jing Wang和Aixi Qu等人撰写，发表在2024年1...
深度睡眠网络：基于单通道EEG的自动睡眠阶段评分模型 背景介绍 睡眠对于人体健康具有重要影响，监测人们的睡眠质量在医学研究和实践中至关重要。通常，睡眠专家通过分析多种生理信号（如脑电图 (EEG)、眼动电图 (EOG)、肌电图 (EMG) 和心电图 (ECG)）进行睡眠阶段评分。这些信号被称为多导睡眠图 (Polysomnogram, PSG)，经分类后用于确定个体的睡眠状态。然而，这种手动方法耗时且费力，需要专家持续数夜对多个传感器进行记录并分析。 基于多信号（如EEG、EOG和EMG）或单信号EEG的自动睡眠阶段评分方法已得到广泛研究。然而，大多数现有方法依赖于手工特征提取，这通常根据数据集的特性进行设计，无法推广到具有异质性的更大人群中。此外，较少方法考虑了用于识别睡眠阶段转换规则的时...
近年来，虚拟现实技术（Virtual Reality, VR）逐渐变得更加普及，其相关硬件设备的价格也更加亲民。例如，现在市面上的头戴式显示器（Head Mounted Displays, HMDs）不仅提供高分辨率的显示，还具有精准的头部和手持控制器的跟踪功能。这些技术最初多用于娱乐行业，但越来越多的应用领域开始使用这项技术开展严肃游戏（Serious Games），特别是在创伤性事件后的康复领域，其中包括中风患者。 背景与目的 中风是指脑部血液供应被切断或脑内及脑周围出血导致脑细胞损伤的情况。根据受损脑区的不同，中风可能会引发不同的症状，例如一侧身体的无力（半侧麻痹）、视觉障碍以及失语症（Aphasia）等。值得注意的是，中风后认知功能障碍（Post-Stroke Cognitive I...
睡眠阶段分类在睡眠质量评估和疾病诊断中至关重要。然而，现有的分类方法在处理时间延变的多通道脑信号的空间和时间特征、应对个体生物信号差异以及模型的可解释性方面仍然面临诸多挑战。传统的机器学习方法依赖于复杂的特征工程，而深度学习方法尽管在特征表示学习上表现出色，但在空间-时间特征利用、跨个体泛化能力以及模型可解释性方面仍有待提升。 为了应对上述挑战，北京交通大学的Ziyu Jia等人以及麻省理工学院的Li-Wei H. Lehman提出了一种多视角时空图卷积网络（Multi-View Spatial-Temporal Graph Convolutional Networks, MSTGCN），并结合域泛化用于睡眠阶段分类。 论文来源 这篇论文由北京交通大学计算机与信息技术学院的Ziyu Jia,...
背景介绍 运动意象（Motor Imagery, MI）指的是通过想象的方式进行活动而无需实际肌肉运动。这一范式在脑机接口（Brain-Computer Interface, BCI）中得到了广泛应用，用于将大脑活动解码为外部设备的控制指令。特别是，脑电图（Electroencephalography, EEG）因其相对廉价、移动方便且时间分辨率高于其他神经影像工具而广泛用于BCI。此外，这一范式可以帮助中风患者进行神经康复。据研究，机器人辅助的脑机接口训练可以提升中风患者的运动康复效果（参见论文[5]和[6]）。这是因为在MI期间激活的神经通路与实际运动执行（Motor Execution, ME）的神经通路相似，因此，通过想象这种方式也可能促使感知运动区域的神经通路激活，从而帮助中风后的...
肌骨模型已经广泛用于生物力学分析，因为它们能够估计难以通过活体直接测量的运动变量（如肌肉力量和关节力矩）。传统的物理驱动计算肌骨模型可以解释神经驱动到肌肉、肌肉动力学、以及身体和关节运动学和动力学之间的动态交互。然而，这些模型由于其复杂性，运行速度较慢，难以实现实时应用。近年来，数据驱动方法以其实现速度快和操作简单的优点成为一种有前途的替代方案，但它们不能反映基础的神经机械过程。 本文提出了一种融合物理知识的深度学习框架，用以实现肌骨建模。在该框架中，将物理领域的知识引入数据驱动模型，作为软约束对其进行罚则/正则化处理。本文采用表面肌电图（SEMG）同步预测肌肉力量和关节运动学作为示例，使用卷积神经网络（CNN）实现该框架，并在两个数据集上进行了实验验证，展示了该框架的有效性和鲁棒性。 论文...
脑机接口（Brain-Computer Interface, BCI）是将神经系统与外部环境连接的一种通讯手段。运动想象（Motor Imagery, MI）是BCI研究的基石，它指在运动执行前的内在演练（Internal Rehearsal）。非侵入性技术如脑电图（Electroencephalography, EEG）因其成本效益高与便利性，可以高时间分辨率记录神经活动。当受试者想象移动身体特定部位时，大脑特定区域会发生能量变化（ERD/ERS），这些变化可以通过EEG记录并用于辨别运动意图。MI基础的BCI系统已经取得显著进展，能够控制外骨骼和光标，特别是与虚拟现实技术结合，用于中风康复的潜力更为显著。 目前，MI解码方法的高性能是这种系统成功的关键。然而，相比于依赖外部刺激的其它BC...