面向癫痫的神经元微环境动力学建模方法

癫痫是由大脑神经元超同步异常放电所引起的一种常见的慢性神经系统疾病。大量生理实验和神经计算建模研究表明,神经元异常放电是癫痫发作的电生理基础,而神经元微环境动力学改变是引起神经元结构和功能发生变化,进而刺激神经元异常放电,导致癫痫发作产生和发展的潜在原因。基于此,本文首先从影响神经元微环境改变的四个主要因素(离子浓度、能量代谢、神经递质和细胞体积)出发,分别就其动力学建模的神经机制和建模方法两方面进行系统阐述与分析,然后对未来可探索的研究方向进行展望,以期更加全面地了解该领域的发展动态和研究进展,为进一步研究癫痫异常放电模式的动力学本质以及癫痫发病的神经机制奠定良好的理论基础。

基于多尺度特征和反向注意力的肝脏肿瘤自动分割方法

肝脏肿瘤分割旨在定位肝脏肿瘤区域,以辅助医生进行精准诊治。鉴于深度学习能自动学习医学图像中复杂的特征和结构,已成为肝脏肿瘤分割的主流方法之一。但肝脏肿瘤的大小、形态存在显著差异及边缘模糊等问题,限制了深度学习模型的分割性能。基于此,该文提出了一种融合多尺度特征和反向注意力机制的深度网络,并用于肝脏肿瘤的自动分割。具体地,基于U-Net模型的框架,分别设计了多尺度特征提取模块和基于深度监督的反向注意力模块,使得网络能根据分割目标的大小自适应地选择不同尺度的特征,并引导网络关注分割目标的边缘特征,进而提高网络的边缘分割能力。此外,设计了一种新的混合损失,以解决医学图像分割中的类别不平衡问题。最后,在MICCAI2017 LiTS挑战赛数据集的数值实验结果表明,所提方法的Dice系数、平均对称表面距离ASSD分别为76.12%和3.25 mm。

基于J&R模型的神经集群模型综述

神经集群模型是一类宏观的神经计算模型,通过描述神经元总体的平均特性来反映某类神经元的整体放电行为。此类模型参数简洁并具有明确的生理学含义,能够很好地用来模拟宏观脑电信号,广泛应用于大脑生理病理机制研究中。文中针对J&R神经集群模型及其改进模型(包括David模型、Wendling模型和Ursino模型),分别从建模思想、模型结构和仿真结果等方面进行了系统阐述与比较研究。

一种新的基于脑电信号相似性分析的癫痫性发作自动检测方法

癫痫是最常见的神经系统疾病之一。脑电图是大脑电活动的记录,已成为检测癫痫发作的一种有效工具。如何通过数据分析以挖掘癫痫脑电的本质特征,是实现癫痫性发作自动检测的关键。提出了一种新的脑电信号相似性的分析方法,进而在这一方法的基础上定义了待测脑电与模版脑电之间的最大余弦相似度为癫痫脑电特征,并将其应用于癫痫性发作的自动检测。采用BONN和CHB-MIT两个公开数据库来验证该文所提方法的性能。和已有方法相比,该文所提自动检测方法将检测准确率从97. 53%提高至99. 85%。该文所提出的脑电信号相似性分析方法可以成功应用于癫痫性发作的自动检测。

一种新的基于脑电信号的意识障碍预后评估方法

意识障碍(disorders of consciousness,DOC)是由中枢神经系统受损导致个体感知能力出现障碍的一种神经系统疾病。DOC的预后评估能够辅助医师及时调整治疗措施,促进DOC患者的意识恢复。传统的预后评估手段包括行为量表、核磁共振成像等,但这些检查手段易受干扰、价格昂贵、难以实时评估。相关研究表明:脑电图(electroencephalogram,EEG)与DOC患者的意识水平显著相关,这为DOC的预后提供了一种潜在的评估手段。基于此,文中以EEG为数据源,提出了一种新的基于EEG的DOC预后评估方法。首先,对给定的DOC-EEG信号,采用小波包变换提取不同频带的脑电信号;其次,计算不同频带脑电信号的功率谱,并绘制对应功率谱的庞加莱散点图;然后,对每一庞加莱散点图定义3种新的度量指标:最大半径、区域密度以及密度变异性;进而,结合3种度量指标,提出基于功率谱庞加莱散点图的脑电特征提取方法(power spectra-Poincare plot-based feature,PPBF);最后,结合所提特征与随机森林分类器,提出了一种基于PPBF的DOC预后状态自动评估方法。采用西安某医院神经内科临床采集19名DOC患者的脑电数据对所提方法进行了验证,所得平均评估准确率85.54%,表明所提特征能够有效完成DOC预后状态的自动识别。