恶性胶质瘤（Malignant Glioma, MG）是最常见的原发性恶性脑肿瘤类型。手术切除MG依然是治疗的基石，且切除范围与患者生存期高度相关。然而，在手术中很难区分肿瘤组织与正常组织，这极大地限制了手术切除的效果。荧光成像是一项新兴技术，可以在术中实时可视化MG及其边界。然而，现有的临床级荧光成像神经外科显微镜由于成本高、便携性差、操作灵活性有限以及缺乏熟练的专业技术人员，导致应用率较低。为了克服这些限制，研究人员创新性地将微型光源、可翻转滤光片和记录摄像机集成到手术放大镜中，生成了一种可穿戴的荧光眼镜设备，用于术中的荧光成像。 来源 本文由Mehrana Mohtasebi、Chong Huang、Mingjun Zhao、Siavash Mazdeyasna、Xuhui Liu、S...

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...

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,...

MI-EEG解码中基于注意力机制的时间依赖学习卷积神经网络（CNN） 研究背景与问题描述 脑机接口（Brain-Computer Interface, BCI）系统提供了一种通过实时翻译大脑信号与计算机进行通信的新途径。近年来，BCI技术逐渐在为瘫痪患者提供辅助和预防性护理方面发挥了重要作用。现有的许多BCI系统依赖于非侵入性且相对便捷的脑电图（EEG）信号记录来追踪大脑活动。然而，即使在同一MI任务期间，不同时期产生不同MI相关模式的时间依赖性特性也往往被忽略，从而大大限制了MI-EEG解码性能。 论文来源与作者信息 论文《A Temporal Dependency Learning CNN with Attention Mechanism for MI-EEG Decoding》于202...

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...