Parkinson's disease
PulseAugur coverage of Parkinson's disease — every cluster mentioning Parkinson's disease across labs, papers, and developer communities, ranked by signal.
11 天有情绪数据
-
可解释机器学习利用MRI和fMRI预测帕金森病严重程度
研究人员开发了一种可解释的机器学习模型，能够利用QSM MRI和多频多回波fMRI特征的组合来预测帕金森病的运动严重程度。研究发现，仅影像学模型显示出显著的预测能力，QSM和临床变量的组合解释了运动严重程度45.4%的方差。具体而言，选定的QSM和临床特征最有效，能够预测75.0%参与者在5分范围内的运动严重程度，其中小脑、丘脑、纹状体、脑岛和运动皮层是关键特征。
-
新的西班牙语语音语料库旨在改善神经系统疾病的自动语音识别
研究人员推出了 S-DiverSe，这是一个新的西班牙语语音数据语料库，专门用于改进针对神经系统疾病患者的自动语音识别 (ASR)。该数据集包含 3.2 小时的野外录音，来自 22 名患有肌萎缩侧索硬化症、帕金森病和中风的西班牙语使用者。S-DiverSe 包含 444 个转录的音频片段，并附有说话者特征和病症的元数据，旨在促进针对这一具有挑战性的语音领域的 ASR 开发和评估。初步实验表明，文本后处理方法比微调更能有效地使 ASR …
-
神经形态控制器为帕金森病提供节能自适应DBS
研究人员开发了一种新颖的神经形态硅神经元控制器，名为SiLIF-DBS，用于帕金森病患者的自适应脑深部刺激（aDBS）。该控制器采用CMOS技术实现，旨在通过跟踪症状波动，为DBS提供更智能、更节能的解决方案。在模拟中，SiLIF-DBS控制器能有效抑制大脑中的病理性β活动，同时比传统的开环刺激方法消耗的能量显著减少。
-
新框架利用ECoG和EEG数据改进帕金森病分类
研究人员开发了一种新的交换对抗框架，旨在提高使用皮层脑电图（ECoG）和脑电图（EEG）数据进行帕金森病分类的准确性。该框架通过整合强大的预处理、一种新颖的受试者间平衡通道交换（ISBCS）进行增强，以及领域对抗学习（DAL）以减少受试者特异性偏差，来解决高受试者间变异性和高维低样本量问题。实验表明，该框架在各种设置下始终优于现有方法，在可变环境和不同数据集上表现出强大的泛化能力。
-
AI研究解决生物数据中的叠加问题以提高可解释性
研究人员开发了一种新方法，使用稀疏自编码器（SAEs）来解决人工智能中的叠加问题，特别是在高维生物数据中。该技术旨在通过净化潜在空间（通常被叠加破坏）的几何保真度来提高可解释性并对齐跨模态数据。该方法应用于与帕金森病相关的患者来源的神经元图像超过10万张。此外，还引入了一个名为GW-map的新工具，该工具使用Gromov-Wasserstein最优传输将图像表示与单细胞RNA测序数据对齐，从而无需参考空间转录组学即可重建分层神经病理学通路。
-
神经形态学习将脑深部电刺激能耗降低 80%
研究人员开发了一种用于自适应脑深部电刺激 (DBS) 的节能学习方法，以治疗帕金森病。该方法将执行器的能耗直接纳入强化学习奖励中，从而优化了刺激能耗和推理效率。在电路模型上训练的深度脉冲 Q 网络在与连续 DBS 相比，在减少病理性振荡方面实现了 45.2% 的降低，同时将刺激电荷降低了 80.0%。该策略被压缩到 SynSense XyloAudio 3 神经形态处理器上，实现了比传统硬件显著更低的能耗。
-
基于视频的系统无需穿戴设备即可计数帕金森病患者步数 · 已追踪 2 个来源
研究人员开发了一种新颖的基于视频的框架，可被动地计算帕金森病患者的步数，解决了当前基于穿戴式设备方法的局限性。该系统利用 3D 人体网格恢复从足部运动信号估计初始步数，并利用光流和交叉注意力机制优化这些估计，以捕捉细粒度的步态动力学。通过采用多实例学习，该框架整合了剪辑式运动嵌入来预测剩余步数，在真实世界帕金森病转弯数据集上表现出卓越的性能。
-
逆向强化学习在击键动力学中识别帕金森病生物标志物
研究人员已将逆向强化学习（IRL）应用于击键动力学，以识别帕金森病（PD）的生物标志物。这种新颖的方法模拟打字行为以恢复可解释的奖励函数，这与依赖汇总统计数据的先前方法不同。从该模型恢复的速度偏好权重与PD的严重程度显着相关，并在各种验证测试中保持一致。
-
新型DBS系统改善帕金森病步态，发表于Nature Medicine
加州大学旧金山分校开发的一种新型深部脑刺激（DBS）系统，在改善帕金森病患者步态方面显示出希望。该系统能够检测与每一步相关的神经信号，并实时调整刺激强度，这是植入式脑刺激器的一项创举。这项发表在Nature Medicine上的研究旨在解决帕金森病相关的行走障碍问题，标志着向个性化神经调质迈进了一步。
-
原生空间AI模型在皮层下脑分割中优于基于模板的模型
研究人员开发了两个基于U-Net的管线，用于分割皮层下脑区域，特别是丘脑下核（STN）、红核（RN）和黑质（SN），这些区域对于帕金森病等疾病的神经外科规划至关重要。研究发现，在原生空间中运行的管线在分割STN方面持续优于使用模板空间配准的管线，取得了更高的Dice分数和更低的Hausdorff距离。然而，当将在高场7T MRI数据上训练的模型应用于低场3T临床图像时，性能显著下降，而合成数据仅能略微缩小这种领域差距。
-
新的机器学习管道ActiTect可筛查快速眼动睡眠行为障碍
研究人员开发了ActiTect，一个开源的机器学习管道，旨在利用活动图谱数据筛查快速眼动睡眠行为障碍（RBD）。该工具旨在标准化和自动化腕戴设备捕捉到的异常夜间运动的分析，这对于帕金森病等神经退行性疾病的早期检测至关重要。ActiTect在多个队列中表现出强大且可泛化的性能，AUROC得分范围为0.84至0.95，表明其具有广泛的临床应用和验证潜力。
-
新的PACE-RAG框架增强了帕金森病患者的个性化药物推荐
研究人员开发了PACE-RAG，一个新颖的检索增强生成框架，旨在改善帕金森病等复杂疾病患者的药物推荐。与使用通用指南或复制常见治疗模式的现有方法不同，PACE-RAG通过提取患者特定的临床特征来实现个性化推荐。然后，它根据当前症状、活动药物和特定的处方倾向来优化处方，并提供可解释的临床摘要。在使用Llama 3.1:8b和Qwen3 8B模型在MIMIC-IV基准上进行评估时，PACE-RAG取得了最先进的F1分数，证明了其在临床决策…
-
多模态大语言模型在神经退行性疾病分期方面取得进展
研究人员开发了 NeurMLLM，这是一种新颖的多模态大语言模型，用于阿尔茨海默病和帕金森病等神经退行性疾病的分期。该框架将语音中的声学特征、文本转录和人口统计数据整合到一个统一的序列中供大语言模型使用。通过采用视觉变换器对音频频谱图和梅尔频率倒谱系数进行编码，NeurMLLM 在 Bridge2AI-Voice 数据集上的性能优于传统的机器学习和现有的基于大语言模型的方法，展示了多模态大语言模型在提高疾病分期准确性和可及性方面的潜力。
-
面部运动分析可从视频中分类帕金森病
研究人员开发了一种方法，可以从野外视频中利用面部运动分析来分类帕金森病。该研究侧重于从面部关键点提取的时间运动描述符，发现归一化速度描述符与随机森林分类器相结合，实现了 0.826 的平衡准确率。这种方法被强调为一种轻量级且可解释的帕金森病相关视频分类方法，尽管它并不声称能够评估临床严重程度。
-
AI模型通过多模态语音分析检测帕金森病
研究人员开发了一种新颖的多分支深度学习框架，旨在通过语音分析提高帕金森病的检测率。该方法利用三种不同的语音表征：Log-Mel频谱图、MFCC和HuBERT嵌入，每种都由专门的神经网络处理。一项关键创新是上下文引导的跨模态注意力机制，它动态地整合这些不同的特征，从而提高了疾病识别的准确性。
-
TCL发布智能马桶机器人，面向老年人和残疾人
TCL在其“悦伴”品牌下推出了一款名为“小伴”的新型智能马桶机器人，旨在解决中国数百万老年人和残疾人在独立如厕方面面临的挑战。与通常需要用户完全卧床或依赖人工协助的现有解决方案不同，“小伴”被设计成一种移动的、主动服务的机器人，能够导航到用户身边，协助如厕，并自主处理废物。该机器人利用TCL在移动机器人和智能控制方面的专业知识，集成了注重用户隐私、方便老年人使用以及卫生维护的功能，目标是恢复用户的尊严和独立性，同时减轻护理人员的身心负担。
-
新AI框架增强脑连接性分析以用于疾病分类
研究人员开发了一个名为MuHL的新框架，通过对脑区之间的高阶交互进行建模来分析脑连接性。与以往关注成对连接或预定义超边的方法不同，MuHL能够动态地学习跨越多个分辨率的复杂关系。实验表明，MuHL能够改进阿尔茨海默病和帕金森病等神经退行性疾病的分类，并有助于识别与疾病进展相关的关键脑区。
-
新型可解释AI模型从时域数据中检测震颤
研究人员开发了一种新颖的两阶段分层框架，可直接从时域运动学数据中检测震颤。该方法结合了深度卷积网络和长短期记忆网络，随后使用视觉Transformer来学习和分类整个试验中的震颤模式。虽然在不同身体部位的F1分数从0.594到0.947不等，表现尚可，但并未超越当前最先进的频域方法。然而，该框架的优点是预处理需求极少，并且通过注意力权重和Grad-CAM提供可解释性，突出了震颤的时间和解剖学模式。
-
中国加速阿尔茨海默病和帕金森病药物研发
中国正加速开发阿尔茨海默病和帕金森病的新疗法，以应对日益严峻的公共健康挑战。随着人口老龄化，中国是这些神经退行性疾病病例数最多的国家，发病率正以惊人的速度上升。预计到2050年，帕金森病病例将大幅增加，同时失智症人口也在增长。
-
帕金森病患者使用人工智能创作音乐小样
49岁的创作歌手Samuel Smith正在使用Suno和Udio等人工智能音乐生成工具，在帕金森病严重影响他弹吉他能力后，继续他的创作工作。虽然人工智能生成的音乐小样不是最终录音室录音的一部分，但它们是向合作者传达他音乐愿景的关键工具。人工智能的这种应用突显了生成音乐技术一个鲜为人知的方面，为面临身体限制的音乐家提供了一条维持其艺术产出的途径。