基于脑电的精神疾病自动分类研究进展

临床上精神疾病的诊断大多依赖于精神科医生的主观评价,缺少客观有效的生物学指标。脑电信号分析与机器学习方法相结合,在精神疾病辅助诊断领域的应用发展迅速,采用传统机器学习算法和深度学习算法,对脑电信号特征进行学习,从而实现精神疾病的分类研究。文章介绍了脑电信号的基本概念、处理流程及其常用特征,笔者总结了脑电信号在抑郁症、双相情感障碍、精神分裂症等精神疾病自动分类的研究进展,最后展望了机器学习方法在该领域的发展趋势。采用传统的机器学习方法仍然是用于自动分类主流的工具。但深度学习内部复杂的体系结构及训练过程阻碍了对其内部的理解,难以解释其在医学领域的作用,因此深度学习也是脑电研究发展方向之一。此外,单独对脑电图进行分析难以囊括患者所有的特征,需与其他模态的生理参数结合进行多生理参数融合分析,使得疾病诊断更加智能化。

我国医学人工智能软件及其测试技术发展概况

医学软件测试是评估医学软件功能及性能的主要技术手段。近年来,随着人工智能(Artificial Intelligence,AI)技术在医学领域的广泛应用,医学AI软件不断更新,其覆盖高算力、数据量大、模型复杂,而传统医学软件测试技术已不能满足相关需求,从而导致医学AI软件测试存在效果不佳、审评审批进展缓慢等问题,严重制约产业及其行业的发展。与传统医学软件测试技术相比,医学AI软件测试技术能够针对医学AI软件关键检测内容及性能指标,有效提高医学AI软件的检测效率。本文概述医学AI软件的发展现状,并与传统医学软件进行对比,总结现有医学软件测试技术,对医学AI软件测试技术的研究进展和不足之处进行综合分析,同时对医学AI软件发展面临的挑战及问题进行展望,旨在为医学AI软件测试技术的发展提供一定的理论基础。

回归算法在神经精神疾病辅助诊断中的应用

大脑是人体神经中枢和高级神经活动的结构基础。回归算法可预测连续变量,有利于揭示神经精神疾病的神经病理机制,能够更精准地实现神经精神疾病的辅助诊断和预后预测。随着神经影像技术的发展,将回归算法应用于神经精神疾病临床评分及脑龄预测的研究日益增加。本文综述了回归算法在神经精神疾病辅助诊断中的研究进展,总结和分析了阿尔兹海默病、精神分裂症、帕金森病和脑龄等领域的最新研究结果,并指出当前研究存在样本量较少和重复性较差的不足,最后对多站点协同分析方案的可行性和深度学习方法的应用前景进行展望。

自动康复评定方法在脑卒中运动功能评定中的应用

自动康复评定方法依靠各种传感器对脑卒中患者的运动功能进行自动评分或分级,在评定过程中尽量减少甚至无需医师参与,具有评定流程少、评定时间短、评定效率高的优点。本研究概述了自动康复评定的基本原理和一般流程,根据评定的不同角度将自动康复评定方法分为基于运动捕捉技术、神经生理信号和多信息融合3类,从评定原理、传感器、评价指标等多方面总结近年来的研究进展,并分析了自动康复评定方法目前存在的一些难点。

脑电在脑卒中运动功能评估中的应用研究进展

脑电(EEG)作为一种非侵入式、低成本检测大脑皮层神经电位手段,能够反映大脑的神经功能活动,目前被广泛应用于脑卒中患者运动功能评估的研究中。通过EEG研究脑卒中患者的运动功能状态及其神经机制,有助于理解脑卒中的神经及康复机制,实现患者损伤严重程度和康复效果的个体化预测。本文首先概述了EEG的分析流程及方法,从皮质振荡活动、定量化EEG、脑功能连接等3个方面,总结EEG在脑卒中患者运动功能评估中的应用研究进展,并从EEG技术优势、康复效果评价、临床辅助决策等3个方面进行讨论,最后对未来的发展方向进行展望。

精神分裂症患者肠道菌群结构特征初步观察与分析

目的探讨精神分裂症患者肠道菌群结构特征与健康对照的差异。方法采集16例精神分裂症患者和20名健康对照者的粪便样本,进行16SrRNA高通量测序分析。结果患者组肠道菌群中TM7门类菌群相对丰度高于对照组(P<0.05);消化链球菌科、乳杆菌科、放线菌科相对丰度高于对照组(P<0.05),而组织菌科相对丰度低于对照组(P<0.05);放线菌属、斯卡多维亚氏菌属、奇异菌属、Moryella、G07和乳杆菌属菌群丰度相比对照组增加(P<0.05)。功能预测显示,脂肪酸、丙酮酸代谢途径在患者组和对照组之间存在差异(P<0.05)。结论精神分裂症患者肠道菌群特征与健康对照相比发生改变,部分肠道菌群特征可能会成为精神分裂症临床诊断的辅助依据之一。

基于ADS1293的穿戴式心电检测装置设计与实现

通过对穿戴式心电监护设备与低功耗技术的研究,设计了一款穿戴式心电检测装置。该装置将心电监护设备与背心服饰相结合,心电监护设备采用低功耗、高集成度的模拟前端芯片ADS1293与BLE蓝牙4.0低功耗无线模块进行心电信号的采集与传输,并结合低功耗MCU与电源管理模块可有效地降低系统功耗,然后通过Matlab GUI进行显示分析。通过实验测试验证,本装置体积小、功耗低、精度高,可在静息、行走和慢跑状态下长时间准确地采集心电信号,具有较高的可靠性、准确性和穿戴舒适性,可用于心脏疾病的远程监护与早期预警。