本文介绍了一种通过脑电波信号推断用户阅读文档的相关性和搜索意图的大脑信息接口，成功地应用于从英文维基百科语料库中检索新的相关文档，为信息推荐提供了一种不需要明示用户意愿的新方式。

Jul, 2016

使用静息态功能磁共振成像技术 (RsfMRI)，本文提出了一种名为 BrainRGIN 的新型建模架构，通过在静态功能网络连接矩阵上使用图神经网络，预测智力 (流体、晶体和总体智力)。在青少年大脑认知发展数据集上评估了我们的模型，证明了其在预测智力个体差异方面的有效性。我们的模型在智力预测任务的均方根误差和相关性得分上均优于现有的相关图形架构和其他传统的机器学习模型。中央额叶回对流体和晶体智力都有显著的贡献，表明它们在这些认知过程中起着关键的作用。总复合分数识别出一组与大脑相关的多样区域，凸显了总智力的复杂性。

Nov, 2023

本研究基于生物医学工程的医疗互联网事物（IoMT）技术，提出了一种基于区块链的非侵入式远程神经刺激系统，通过可穿戴 IoMT 设备实时收集和分析患者的传感数据，并解决了集中式系统可能遇到的单点故障、数据操纵和隐私等问题。

Aug, 2023

提出了一种新的计算框架，通过准确地分割束与不同主体 / 扫描的数据的精确注册，基于纤维定向分布，创建白质束详细解剖图，并为所有主体的数据创建一个基准空间进行比较，从而改善白质束间跨主体数据的比较的准确性和重复性。

Jul, 2023

本文提出了一种基于大脑模块化的动态表示学习框架，利用图神经网络和神经认知模块进行核心区域的提取，以更好地利用脑功能网络的模块化结构，探究有效的 fMRI 生物标记物用于临床诊断。

Jun, 2023

用非侵入性技术的功能性近红外光谱（fNIRS）监测脑活动。通过使用深度学习解决 fNIRS 数据的分类挑战，研究表明当前 fNIRS 网络在准确预测其训练分布内的数据方面效果显著，但对于识别并排除分布之外的异常数据则表现不佳，影响可靠性。我们提出将度量学习和监督方法融入 fNIRS 研究，以提高网络识别和排除分布之外异常数据的能力。该方法简单而有效，在实验中明显提升了各种 fNIRS 网络的性能，尤其是基于 transformer 的网络，显示出了可靠性的巨大改进。我们将在 GitHub 上提供实验数据。

Feb, 2024

该研究旨在调查可接受的神经刺激作为入围难治性癫痫患者的数字治疗策略的运用，结果表明，可接受的神经刺激可能是治疗难治性癫痫的有效疗法。

Apr, 2023

研究使用 R-fMRI 从人们的脑功能区构建个体特定的连通图谱，能够提高自闭症谱系障碍患者的神经心理状态的识别准确率，其数据集可以从多个不同处获取，且所提取的功能脑区明显比参考图谱更具有生物标志物发现的重要性。

Nov, 2016

通过从脑电图数据直接提取个性化的癫痫网络动力学预测模型，将基于主导的相干振荡及其动力耦合的模型与精确的个体特征相结合，我们展示了周期性脑刺激对癫痫网络动力学的治疗效果进行模型驱动的预测分析，从而推断出周期性脑刺激可以使癫痫网络动力学的病理状态转向正常的功能性脑状态。

Oct, 2023

通过合成数据和应用机器学习模型，本研究提出了一种整合方法，用于推进功能性近红外光谱（fNIRS）神经影像学。通过解决高质量神经影像数据的匮乏问题，该研究利用蒙特卡洛模拟和参数头部模型生成了一个全面的合成数据集，反映了各种条件。我们开发了一个采用 Docker 和 Xarray 的容器化环境，用于标准化和可重复的数据分析，便于在不同的信号处理模式之间进行有意义的比较。此外，建立了一个基于云的基础设施，用于可扩展的数据生成和处理，提高了神经影像数据的可访问性和质量。合成数据生成与机器学习技术的结合有望提高 fNIRS 断层扫描的准确性、效率和适用性，潜在地革新神经疾病的诊断和治疗策略。本文中开发的方法和基础设施为数据模拟和分析设立了新的标准，并为神经影像学和更广泛的生物医学工程领域的未来研究铺平了道路。

May, 2024