期刊文献+
共找到3篇文章
< 1 >
每页显示 20 50 100
昼夜节律在脑的多模态MRI中的研究进展 被引量:1
1
作者 邢寒棋 戴慧 《磁共振成像》 CAS CSCD 北大核心 2024年第3期190-195,共6页
昼夜节律的存在使大脑结构、功能发生昼夜波动。目前大多数神经影像学研究没有控制一天中的时间这个生物变量,使结果的可重复性降低以及解释复杂化。近年来,随着多模态MRI快速发展,基于体素的形态学测量(voxel-based morphometry,VBM)... 昼夜节律的存在使大脑结构、功能发生昼夜波动。目前大多数神经影像学研究没有控制一天中的时间这个生物变量,使结果的可重复性降低以及解释复杂化。近年来,随着多模态MRI快速发展,基于体素的形态学测量(voxel-based morphometry,VBM)、扩散MRI (diffusion MRI,dMRI)、功能MRI (functional MRI,fMRI)、磁共振波谱(magnetic resonance spectroscopy,MRS)及动脉自旋标记(arterial spin labeling,ASL)等方法被用于研究昼夜节律对大脑结构及功能的影响。大多数研究发现时间对大脑结构和功能存在显著的影响,但报告的结果存在不一致。目前的研究仅关注了白天的时间点和一天中2~3个时间点,缺少对夜间时间点和一天中多个时间点的研究。笔者对近年来昼夜节律在脑的MRI中的研究进展进行综述,以提高大家对时间作为影响神经影像学研究的生物变量的认识。 展开更多
关键词 昼夜节律 脑结构 脑功能 多模态 磁共振成像
在线阅读 下载PDF
基于扩散张量成像的纹理分析对帕金森病诊断价值的研究 被引量:9
2
作者 顾惠芳 戴慧 《磁共振成像》 CAS CSCD 北大核心 2021年第11期1-6,共6页
目的探讨基于扩散张量成像(diffusion tensor imaging,DTI)上灰质核团和脑白质的纹理分析对帕金森病(Parkinson's disease,PD)的诊断价值及其与病情发展的相关性。材料与方法前瞻性分析30例PD患者与22例正常对照者进行DTI扫描,工作... 目的探讨基于扩散张量成像(diffusion tensor imaging,DTI)上灰质核团和脑白质的纹理分析对帕金森病(Parkinson's disease,PD)的诊断价值及其与病情发展的相关性。材料与方法前瞻性分析30例PD患者与22例正常对照者进行DTI扫描,工作站后处理得到两组的各向异性指数(fractional anisotropy,FA)图,在ITK-SNAP软件上勾画ROI,包括双侧尾状核头、苍白球、壳核、黑质、红核、小脑齿状核和双侧半卵圆区,用A.K软件进行纹理特征的提取,通过Mann-Whitney U检验、单因素Logistic回归分析、最大相关最小冗余(maximum relevance minimum redundancy,mRMR)选择5个联合诊断效能最高的纹理特征,并构建随机森林(random forest,RF)模型建立预测模型,绘制ROC曲线分析评价模型的诊断效能,并用交叉验证的方法对模型的可靠性进行评估。降维所得的纹理特征与PD患者的简易精神状态评价量表(Mini Mental State Examination,MMSE)、统一帕金森病评定量表(Unified Parkinson's Disease Rating Scale,UPDRS)及病程进行Pearson相关性分析,与Hoehn-Yahr(H-Y)分级进行Spearman相关性分析。结果降维选择后得到的5个纹理特征,ROC分析得出其独立预测PD的曲线下面积(AUC)范围为0.692~0.871,构建PD预测模型,该模型的AUC、准确度、敏感度、特异度分别为0.92、0.86、0.89、0.84。交叉验证的准确度、敏感度、特异度分别为0.89、0.84、0.94。5个纹理特征与上述各临床评分量表及病程均无显著相关性。结论基于DTI的纹理分析对PD有很高的诊断价值,但对病情发展的评估价值不大。 展开更多
关键词 磁共振成像 帕金森病 扩散张量成像 纹理分析 随机森林模型
在线阅读 下载PDF
一种同步提取运动想象信号时-频-空特征的卷积神经网络算法 被引量:1
3
作者 樊炎 匡绍龙 +2 位作者 许重宝 孙立宁 张虹淼 《南京大学学报(自然科学版)》 CAS CSCD 北大核心 2021年第6期1064-1074,共11页
从脑电信号中精确提取和运动想象相关的特征是运动意图识别的难点之一.为了准确识别运动意图,提出一种可以同步提取运动想象信号时间、频率和空间特征的卷积神经网络算法,称为时-频-空卷积神经网络(Time-FrequencySpatial Convolutional... 从脑电信号中精确提取和运动想象相关的特征是运动意图识别的难点之一.为了准确识别运动意图,提出一种可以同步提取运动想象信号时间、频率和空间特征的卷积神经网络算法,称为时-频-空卷积神经网络(Time-FrequencySpatial Convolutional Neural Networks,TFSCNN). TFSCNN利用3D卷积提取运动想象信号的频率特征,深度可分离卷积提取空间和时间特征,最后使用时间卷积神经网络进一步提取时间特征.利用公开数据集BCI CompetitionⅣdataset2b对提出的算法模型进行评估,结果显示该模型的平均准确率达到了81.86%,平均Kappa值为0.632.模型获得的Kappa值比滤波器组共空间模式算法提高了25.2%,比卷积神经网络-堆叠自动编码器算法提高了12.8%,证实提出的TFSCNN模型的有效性.并且,TFSCNN模型使用了深度可分离卷积,比相同参数的标准CNN节省了2/3的训练时间,单次测试耗时仅为1.25E-5 s,未来有望应用于在线脑机接口(BCI)系统. 展开更多
关键词 运动想象 运动意图识别 卷积神经网络 特征提取与分类
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部