基于图卷积网络的运动想象识别

运动想象识别将大脑的神经活动信号转为编码输出以实现意念控制,是脑机接口的一个重要研究方向.近年来深度学习算法的应用进一步提高了运动想象识别的准确率,但是当前基于深度学习的运动想象分析都将多路脑电信号作为二维矩阵信号,忽视了不同节点的空间关联信息.为了解决这个问题,将图卷积网络算法应用到运动想象分类中,通过多个节点脑电信...     

基于失匹配负波的大脑功能性网络分析

根据正常人与听力损伤患者的失匹配负波（MMN）数据建立大脑功能性网络,计算该大脑功能性网络的复杂网络统计特性,发现所建立的功能性网络相对于随机网络具有类似无标度特性,而且具有高聚类系数、小特征路径长度的小世界网络特性;另外,还计算了功能性网络的平均度和网络结构熵,结果发现正常人的功能性网络的平均度、聚类系数、结构熵等参数均高于听力损伤患者的相应参数,提示了听力损伤后脑功能网络连接减弱可能是声源分辨能力下降的中枢表现,同时也反映了平均度、聚类系数、结构熵等功能性网络参数可作为反应听力损伤后声源分辨能力下降的诊断标志。     

基于眼动轨迹分析的BPPV诊断算法研究

近年来,以机器学习模型辅助临床诊断已成为智慧医疗领域的一大研究热点。在良性阵发性位置性眩晕（Benign Paroxysmal Positional Vertigo,BPPV）的临床诊断上,眼动视频的解释往往是由医生观测得出的,但直接观测诊断的局限性在于难以捕捉细微的眼动特性而容易导致误诊。对此,论文提出了一种基于时序轨迹的BPPV诊断模型,将基于深度学习的目标检测器和基于时序数据分析的分类器相结合以实现BPPV诊断。具体地,该模型对眼动视频进行眼球目标检测,以提取眼球运动的时序轨迹,并结合数据增强对训练样本进行扩充,以准确分类并得到更好的诊断结果。实验结果表明,论文提出的模型可有效提取眼动时序轨迹,并在BPPV诊断上取得良好性能。     

基于微状态的静息态脑电信号分析

利用微状态的时-空分析特性,采用高密度(128通道)脑电图对20例主观性耳鸣患者和20例对照组的微状态特征进行了研究.通过微状态的平均存在时间、发生频率、覆盖率、振幅和转换率参数的计算与分析,揭示了耳鸣患者和健康人脑电微状态分类的时间特征和语构存在显著差异,也反映了脑电图微状态可以作为大规模脑网络的一种有价值的分析研究方法.     

基于多尺度注意力的特征自适应聚合脑肿瘤图像分割

针对脑部磁共振图像中脑卒中病灶的自动分割因分割目标边缘复杂、尺度变化多样而造成的识别精度不高的问题，提出一种基于多尺度注意力的多尺度特征聚合方法，该方法利用注意力机制调节中间特征不同通道的权重，并自适应地选择不同尺度的特征进行融合，在缺血性脑卒中的公开数据集ATLAS上进行的一系列实验，选取Dice系数、豪斯多夫距离、重叠度、准确率和召回率作为评价指标，结果表明所提出的模型在脑卒中病变的分割问题上取得了较好的分割效果；另外，本模型还在Kaggle公开的脑肿瘤数据集上完成对比实验，证明本模型具有良好的可泛化性。