2020年C题--面向康复工程的脑电信号分析和判别模型

2024年医疗卫生行业继续教育-临床内科学-神经内科学-阿尔茨海默病早期筛查新进展和智能监测技术课后练习答案目录一、血液生物标志物指南推荐及临床前景 (1)二、老年认知障碍的筛查 (3)三、阿尔茨海默病源性轻度认知障碍诊疗中国专家共识2024 (5)四、2024 AA 阿尔茨海默病诊断与分期标准修订版指南解读 (7)五、阿尔茨海默病的CSF和PET生物标志物进展和应用 (9)七、社区老人认知功能筛查工具的回顾及进展 (13)八、数字化诊疗在认知障碍疾病诊治中的进展 (14)九、睡眠与认知障碍 (16)十、轻度认知障碍情绪调控异常的神经表征 (18)十一、MCI的诊治与现状 (20)十二、阿尔茨海默病的非药物治疗 (22)十三、生物标志物检测在阿尔茨海默病中的应用 (24)十四、认知评估新技术在痴呆诊断中的探索与进展 (25)十五、脑健康的全程管理和队列建设 (27)一、血液生物标志物指南推荐及临床前景1.可用于早期诊断无症状AD的指标是（）A.血浆GFAPB.血液生物标志物MTBR-tau243C.血浆p-tau212D.YKL-40E.Aβ42参考答案：A2.以下哪个标准首次将生物标志物纳入AD诊断（）A.NINCDS-ADRDA标准B.IWG标准C.NIA-AA工作组研究标准D.IWG-2标准E.NIA-AA临床诊断标准修正意见稿参考答案：B3.AD主要生物标志物中，最直接表现缠结的标志物是（）A.CSFB.血浆Aβ42C.Aβ-PETD.Tau-PETE.YKL-40参考答案：D4.以下属于生物标志物中影响标志物的是（）A.A β-PETB.A β 42C.小胶质细胞激活标志物D.PS1.PS2、APPE.p-tau 217参考答案：A5.阿尔兹海默病中最先发生变化的生物标志物是（）A.CSF 神经粒蛋白B.T-tauC.P-tauD.Aβ42/Aβ40E.Aβ42参考答案：E二、老年认知障碍的筛查1.敏感度高，可筛查MCI的量表是（）A.蒙特利尔认知评估量表B.简易精神状态量表C.汉密尔顿抑郁量表D.功能评定分期E.总体衰退量表参考答案：A2.神经心理测验的基本原理中，关于统计学上测验的三组指标，说法错误的是（）A.信度指测量的稳定性和一致性，包括一致性信度和再测信度B.效度指测验能够测量想要测量的东西，包括内容效度、效标效度和构想效度C.敏感性是测验确定真正的非病例即正常人的能力D.常模是用来比较的标准，来自有代表性的大样本调查，有年龄常模、百分位常模和标准分常模E.划界分用于区分正常与异常或功能性与器质性的一个测验得分参考答案：C3.神经心理学检查中，用于评估老年人日常生活能力的量表是（）A.MMSEB.MoCAC.NPID.ADLE.CDR参考答案：D4.简易智能状态检查中的三词听觉记忆部分，主试最多讲几次（）A.3次B.4次C.5次D.6次参考答案：D5.听觉词语学习测验中，线索回忆不包括（）A.1对1类别再认B.多对1类别再认C.多选再认D.首字母再认E.是/否再认参考答案：B三、阿尔茨海默病源性轻度认知障碍诊疗中国专家共识20241.根据2023AA诊断标准草案，临床前AD0期的AA分期为（）A.无症状，家族遗传性基因阳性B.无症状，仅有生物标志物证据C.检测到轻微变化，但对日常功能影响极小D.早期影响功能的认知障碍E.轻度功能障碍的痴呆参考答案：A2.以下哪个测试属于总体认知功能评估（）A.韦氏记忆量表C.SDMTD.MoCAE.气球划销测验参考答案：D3.已被验证的AD主要病理机制是（）A.淀粉样蛋白异常沉积学说B.tau蛋白过度磷酸化学说C.胆碱能神经异常学说D.神经炎症学说E.基因遗传异常学说参考答案：A4.对AD源性MCI患者，建议每隔（）随访一次A.1-2周B.1-2个月C.2-3个月D.3-6个月E.半年-1年参考答案：D5.以下哪种生物标志物不能单独用于AD的诊断（）A.tau PETB.Aβ PETC.脑脊液p-tau181/Aβ42D.脑脊液Aβ42/Aβ40E.脑脊液t-tau/Aβ42参考答案：A四、2024 AA 阿尔茨海默病诊断与分期标准修订版指南解读1.以下哪类生物标志物在AD核心1标志物的后期出现异常（）A.Aβ42B.淀粉样蛋白PETC.Tau PETD.p-tau 217E.p-tau181参考答案：C2.AD0期的临床症状为（）A.在客观认知测试中表现受损/异常B.客观认知测试的表现在预期范围内，无近期认知能力下降或新症状的证据C.无临床变化证据，生物标志物在正常范围内D.客观认知测试中的正常表现在预期范围内E.工具性ADL出现进行性认知和轻度功能障碍，但基本ADL具有独立性参考答案：C3.NINCDS-ADRDA于哪年发布了首个国际公认的AD诊断标准（）A.2011年B.2010年C.2007年D.1984年E.2023年参考答案：D4.关于2024AA指南最新版，以下说法错误的是（）A.针对核心疾病病理的治疗方法首次获得了监管部门的批准B.将2018年的框架从仅关注研究扩展到提供诊断和分期标准C.该领域目前正处于过渡阶段，血浆生物标志物正在与传统的CSF和PET生物标志物相整合D.最近研究的一个重要成果是认识到病理生物学 AT（N）类别中的PET成像、CSF和血浆生物标志物对于许多预期用途是可互换的E.此次更新具体目标是：提供一个通用框架，解决AD的生物标志物分类、生物学诊断和分期问题参考答案：C5.2024AA指南最新版的基本原则不包括（）A.将AD临床症状（临床的损伤）与生物学（病因学）分开B.相同的AD生物学改变可能导致不同的临床表现C.AD是通过疾病特异性核心生物标志物来诊断的D.生物标志物检测异常而无临床损伤的个体有出现 AD 症状的风险，而不是有AD风险（已发生）E.症状是诊断AD的必要条件参考答案：E五、阿尔茨海默病的CSF和PET生物标志物进展和应用1.AD诊断中适用CSF检测的患者人群不包括（）A.存在主观认知能力下降的患者（根据客观测试认知能力未受损）B.持续、进展性和无法解释的MCIC.症状提示可能存在AD的患者D.MCI发病年龄较晚（＞65岁）者E.以行为改变为主要症状（如偏执妄想、不明原因的谵妄和抑郁症）且诊断考虑为AD的患者参考答案：D2.储存于2-8°C的CSF，储存时间应（）A.≤14天B.≤24天C.≤34天D.≤41天E.≤44天参考答案：A3.AD病理变化可能发生在症状出现的（）A.约5年前B.约10年前C.约15年前D.约20年前E.约25年前参考答案：D4.2023AA临床诊断标准强调（）是核心1生物标志物A.淀粉样蛋白PETB.MTBR-tau243C.p-tau205D.非磷酸化的中部tau片段E.Tau PET参考答案：A5.关于CSF生物标志物的说法，错误的是（）A.CSF大部分来源于脑和鞘内B.CSF大部分来源于血液C.CFS在维持大脑健康方面发挥重大作用D.CSF检测可检测体内神经变性疾病的生物标志物E.通过腰椎穿刺（脊椎穿刺）采集CSF参考答案：A六、Working Memory From Basic Research to Clinical Applications1.以下哪种方法可以衡量MCI脑功能的下降？A.T1结构像B.扩散张量成像DTIC.静息态脑成像D.以上皆可参考答案：C2.静息态脑电一般分为（）个不同的阶段和模式。

2021575作为脑健康服务的核心部件，在线脑电分类能远程监测和评估脑障碍状态（如癫痫[1]和抑郁症（MDD）[2]）而蓬勃发展。

对于MDD，准确评估脑状态并及时跟踪其发展状态可以将其陷入危险和自杀的风险降为最低[3]。

EEG通常是弱信号、强噪声和非平稳的混合体，对其准确分类仍然是一个亟需解决的问题[4]。

几十年来，其活跃在两个研究领域：（1）预处理；（2）特征提取。

预处理旨在去除脑电信号中的噪声与伪逆。

在大多数情况下，噪声和干扰与患者密切相关，其去除即使理论上可行，也需要昂贵的人工处理[5]；特征提取能够实现降维，并支持对感兴趣信号的有效探索[6]。

在众多特征提取方法中，共有空间模式的精度最高，达到87.4%[7]，矩阵分解方法精度达到86.61%，近年来，作为脑电特征提取的主导方法，时频分析的精度达到87.5%[8]。

传统的预处理卷积神经网络及其分析在抑郁症判别中的应用王凤琴1，柯亨进21.湖北师范大学物理与电子科学学院，湖北黄石4351062.武汉大学计算机学院，武汉435001摘要：在线脑电分类能准确评估严重抑郁症患者的脑状态并及时跟踪其发展状态可以将其陷入危险和自杀的风险降为最低。

然而，在无经验监督条件下，在线脑电分类应用面临更大的挑战：脑电数据往往具有弱信号、高噪声与非平稳特性；缺乏有效解耦脑疾病发作时脑区与神经网路的复杂关系。

为此，设计一个以卷积神经网络为核心的云辅助在线脑电分类系统，该系统直接应用于原始脑电信号，无需进行预处理和特征提取，能精准、快速判别抑郁症状态。

在公开数据集上进行抑郁症评估实验，对健康控制组和抑郁症对照组分类的准确率、敏感度和特异度分别为99.08%、98.77%和99.42%。

另外，通过对神经网络进行定量解释，表明抑郁症病人的左右颞叶脑区与正常人存在明显差异。

关键词：神经网络；模型解释；抑郁症；脑电分类；云计算文献标志码：A中图分类号：TP391doi：10.3778/j.issn.1002-8331.2008-0261Application of CNN and Its Analysis in Depression IdentificationWANG Fengqin1,KE Hengjin21.School of Physics and Electronic Science,Hubei Normal University,Huangshi,Hubei435106,China2.School of Computer Science,Wuhan University,Wuhan435001,ChinaAbstract：Online EEG classification can accurately assess the brain status of patients with Major Depression Disable （MDD）and track their development status in time,which can minimize the risk of falling into danger and suicide.However, it remains a grand research due to the embedded intensive noises and the intrinsic non-stationarity determined by the evolution of brain states,the lack of effective decoupling of the complex relationship between brain region and neural network during the attack of brain diseases.This study designs an online EEG classification system aided by cloud centering on a CNN.Experiments on depression evaluation has been performed against raw EEG without the need for preprocessing and feature extraction to distinguish Healthy&MDD.Results indicate that MDD can be identified with an accuracy,sensi-tivity,and specificity of99.08%,98.77%and99.42%,respectively.Furthermore,the experiments on quantitative interpre-tation of CNN illustrate that there are significant differences between the left and right temporal lobes of depression patients and normal control group.Key words：neural network;model interpretation;depression;EEG classification;cloud computation基金项目：湖北省教育厅科学技术研究计划指导性项目（B2018142）。

脑机接口中脑电信号的特征提取和模式分类潘家辉;冯宝【摘要】从智能处理与不确定性的角度, 探讨了脑机接口中的核心问题-EEG 模式特征的识别和分类. 针对 EEG模式分类中所存在的不确定性问题, 从 EEG 的特征提取和分类模型构建两个方面进行了分析, 并提出了解决问题的方法和对策. 以P300成分为例, 从导联选择、滤波处理和时间窗处理三方面进行特征提取, 采用贝叶斯线性判别分析的方法进行模式分类. 最后以第三届脑机接口竞赛 P300字符输入的数据为实验, 分别采用 3 种不同的方法进行数据分析, 通过分类准确率和不同重复次数下性能的比较, 实验结果表明了本文特征提取和模式分类方法的有效性.%The identification and classification of EEG pattern features in brain-computer interface (BCI) were proposed from the angle of the intelligent processing and the uncertainty. For the uncertainty problem of the existence of EEG, two aspects of EEG processing, feature extraction and classification, were analyzed. Furthermore, we put forward the methods to solve the problem. With P300 component as an example, the channel selection, filtering and time window selection were used for feature extraction. Then the Bayes linear discriminant analysis method was used for pattern classification. Finally, the P300 data sets of the BCI competition Ⅲ were used for data analysis. By comparing the classification accuracy rate of three different methods, the results demonstrated the effectiveness of our method.【期刊名称】《计算机系统应用》【年(卷),期】2015(024)008【总页数】5页(P268-272)【关键词】脑机接口;P300;特征提取;模式分类;贝叶斯线性判别法【作者】潘家辉;冯宝【作者单位】华南师范大学软件学院,南海 528225;桂林航天工业学院自动化系,桂林 541004【正文语种】中文脑机接口(brain-computer interface, BCI)是一种不依赖于大脑外周神经与肌肉正常输出通道的控制系统, 通过采集和分析人脑生物电信号, 在人脑与计算机或其他电子设备间建立起直接交流和控制的通道. 这样人就可以通过大脑来表达意愿或操纵设备, 而不需要语言或肢体的动作, 这可以有效增强身体严重残疾的患者与外界交流或控制外部环境的能力, 以提高患者的生活质量. 脑机接口的发展有赖于神经科学、工程学、心理学、计算机和康复学等各交叉学科专家间的密切合作, 具有非常重要的科学意义、学术价值和广阔的应用前景, 是当今世界研究的热点[1].要想实现脑机接口, 有两个个必要条件: 第一, 必须有一种能够可靠反应大脑思维的信号; 第二, 这种信号能够被实时快速地收集. 目前可用于脑机接口的人脑信号有: EEG(脑电图)、EMG(脑磁图)和fMRI(功能性核磁共振图像)等. 目前大多数BCI研究机构采用的大脑信号是EEG[2]. 本文的研究不是探讨如何设计和实现BCI系统, 我们关注BCI中EEG信号的模式分类问题.“不确定性”在主、客观世界中都是普遍存在, 例如人类关于世界的认识是不确定的, 人类的认知过程也是不确定的. 因此脑机接口中也存在着“不确定性”的问题. 在文献[3]中说到不确定性, 主要包含随机性、模糊性、不完备性、不稳定性和不一致性, 其中随机性和模糊性是最重要的两种基本形式. 在脑机接口中, 不确定性问题主要包含下列两个方面:1) EEG模式具有不确定性人脑系统在结构、功能、行为等方面以及它的输入-输出反应特性都极为复杂[4]. 作为对大脑状态的外部反映, 脑电活动也表现出得相当复杂. 因此, 所测得的EEG信号是非平稳的、带有强噪声的、具有不确定性的时间序列数据.虽然脑电信号能够反应大脑的功能状态, 包含一些有价值的信息, 但不包含所有的信息, 我们不能完全清楚地解释大脑皮层中神经元之间的相互作用, 以及如何产生脑电. 我们关于EEG的知识是有限的、不完备的. 同时, 人体中的神经元细胞所构成的网络系统是如此的巨大, 它们之间的相互作用很难进行量化. 而且, 人脑是一个复杂巨系统, 大脑的行为从宏观意义上可以说是带有强烈的随机性.因此, 我们关于大脑以及大脑功能活动的表征—EEG的认识是模糊的、不完备的, 只能定性地解释EEG的产生、以及行为特征, 而不能做到对大脑以及脑电的完全量化认识.2) 分类问题本身具有不确定性所谓分类, 就是根据确定的概念外延导出概念的内涵, 即用模型或函数能够预测那些类标记尚未可知的对象, 以区分新的概念外延[3]. 这里导出的分类模型是基于对带有类标记的已知训练集的分析, 因此, 分类是一种有类标记指导的机器学习方法, 是一个概念归纳的过程.而对于EEG的分类, 由于我们不能用精确定义的概念和严格证明的定理描述实现对不同类别的EEG进行完全区分, 因此我们对于EEG特征不同这一概念的认识是模糊的.而且作为一种有类标记指导的学习方法, 分类问题具有不确定性, 主要表现在: 将新的待分类的对象划分给相应的类时, 可能会出现与两个异类的类中心的距离都比较接近的情况; 此外, 根据少量类标记已知的训练集导出分类模型, 可能会过于适应训练集的数据分布, 而不能有效地描述整体数据集的分类结构, 因此, 在划分更多的、类标记未知的新对象时, 会出现很多的不确定性问题.下面将从数据处理和数据分类两方面来研究如何有效解决EEG信号模式分类的不确定性问题.一般来说, EEG的特征提取是脑机接口中的预处理环节. 其主要任务是根据脑机接口系统的要求, 去除与特征脑电无关的其他特征信号, 提高数据的信噪比, 通过选取合适的特征提取方法提取所需要的各种特征参数, 并以此组成表示EEG特征的特征向量. EEG模式的特征提取是构建分类模型的前提.由于EEG数据是非平稳的、带有很强背景噪声的、具有不确定性的时间序列数据, 因此在特征的提取过程中, 我们希望能够发现那些容易提取、对噪声不敏感, 以及对区分不同类别的EEG模式很有效的特征集. 因此, 这需要将与EEG相关的背景知识和对EEG样本数据的分析结合起来, 以此发现有用的和有效的特征.目前, 在基于EEG的脑机接口研究中, 常用的特征参数大部分是时域特征, 如P300成分慢皮层电位等. 常用的特征提取方法有: 傅立叶变换、小波变换、自回归建模、空间和时间滤波器、头皮电极类型和定位等用来检测和测量特征的信号处理方法[5].我们以P300成分为例, P300是Sutton等于1965年所发现的, 是一种事件相关电位, 即凡是外加一种特定的刺激作用于机体, 在给予刺激或撤消刺激时, 在神经系统任何部位引起的电位变化[6]. 其中, P300即为晚成分的第三个正波P3. 其中, P是英文“正波”(positivity)的简写, 300则是潜伏期约为300毫秒. P300字符输入系统是一种基于P300成分的典型脑机接口应用, 已成功应用在虚拟键盘上, 并帮助残疾人实现与电脑的交流. 与其它大部分脑电信号一样, P300是一种具有多通道的皮层信号. 因此, 在进行P300电位检测之前, 特征选择是非常重要的.在早期的研究中, 研究者重点关注的是P300正波本身, 所提取的用于分类的参数也是与这个正波相关的特征量. 通常是在一个较窄的时间窗(例如刺激后200～400 ms范围)内提取P300波形的幅度、面积等特征量. 目前, 部分研究已表明采用长时间窗内的数据进行分类比单纯使用P300正波数据的效果更好[7]. 这类文献分析P300时所用的时间窗通常是手动选择的以包括0-600毫秒的时间段. 但是, P300的有效成分通常是与特定的使用者及刺激事件相关. 在0~600 ms这样的长时间窗内除了P300波形外, 还包含了其他有用的脑电成分. 这些脑电成分对应的导联对不同的使用者也情况各异. 此外, 使用大的时间窗以包括具有窄小宽度的P300成分可能会降低P300与背景信号的区分性. 对于上述的不确定性问题, 我们采用下面方法进行智能处理.3.1 导联选择增加了信息来源是一种有效的方法, 然而导联选择范围过大, 会出现高维特征向量出现过学习现象的风险. 因此, 除了在传统认为P300信号较强的大脑顶区布置电极外, 我们还可以进行人工选择或者半自动选择的方法, 通过观察采集的训练数据, 画出目标与非目标的波形图, 如图1所示, 除了顶区外, 枕区也有区分明显的情况, 因此可以适当扩充区分明显的导联, 使该选择更合理.3.2 滤波处理在滤波环节, 研究滤波器阶次和频带两个参数对结果的一个影响. 使用FIR滤波器进行滤波, 使用窗函数法设计滤波器, 选择Kaiser窗. 考虑到特征提取的过程中需要进行一次降采样, 为了满足采样定律, 所采集信号的频率范围不能超过采样率的一半, 这是选择带通滤波器高端截止频率的原则. 在不研究滤波对结果影响时, 固定选择频带为0.1-12Hz, 阶次为12的FIR滤波器, 然后数据通过降采样至32Hz. 3.3 时间窗选择每个个体的P300正波时间都一样, 但基本的时间范围不会相差太远. 我们可以在使用长时间窗方法中选取0~600ms作为数据段. 理论上讲, 这个时间窗内除了包含P300成分外, 也应该包含刺激发生后较早的诱发响应成分. 我们的实验结果表明特征窗越长, 分类正确率也会越高. 这分类器会自动挑选合适的特征, 要做的只需要使窗口内包含全部重要的特征, 然后让分类器自动搜索这些特征即可.此外, 我们可以对时间窗做这样的划分, 其中开始部分的0~100ms作为基线校准使用, 后面的100~600ms以32 Hz进行采样共包含20个数据点, 这20个数据点就构成了一个20维的特征向量. 上述的处理都是在相关背景知识下所做的优化操作, 这样做无疑增加了信息来源, 最终提高了BCI系统的识别正确率.在脑机接口中, 构建分类模型的目的是获取与不同认知活动相关联的模式类别. 模型分类能力的好坏取决于所提取的特征对不同类别的EEG模式的区分能力和所选择的分类方法.常见的具有代表性的分类方法有支持向量机、人工神经网络、贝叶斯网络、遗传算法等. 如果所提取的特征能够线性地划分特征空间, 区分不同的EEG模式特征, 那么分类模型的构建就非常简单, 采用简单的线性分类方法就可很容易地将不同特征的EEG区分开来.概率论是表示不确定性的唯一合理的方法, 概率论对于机器学习或不确定情况下的推理是有用的. 贝叶斯概率理论是数学概率论的一个分支,它通过将先验知识和观测事件结合起来而允许我们对于现实世界中的不确定性建模并进行感兴趣的推理[8]. 因此,我们可以把各种机器学习问题统一在贝叶斯机器学习方法框架下, 把机器学习和模式识别问题看作是一个贝叶斯推理问题. 在本文, 我们使用贝叶斯线性判别分析的方法来进行脑电信号P300成分的模式分类.贝叶斯线性判别分析(BLDA)利用正则化来防止与高维且可能为噪声的数据的过拟合[9]. 通过Bayes分析, 可以自动而快速从训练数据估计出正则化的阶数, 并且不需要耗费时间去交叉验证.当将类1的回归目标设为, 对于类-1的回归目标设为时, 这里为训练例数总和, 为类1的样本数, 为类-1的样本数. 贝叶斯线性判别分析的方法是在Bayes框架下的回归分析, 并设定如上目标值.假定Bayes回归中的目标值t和特征向量x与叠加的高斯白噪声线性相关:在这个假定下, 可以得到用于回归中计算权值w的似然函数:这里t表示回归目标值, X表示从用于训练的特征向量的水平堆栈获得的矩阵. D表示一对, 表示噪声方差的逆, N表示训练集中的样本数.为了在Bayes背景下描述推导, 需要为隐含变量设定先验分布, 例如权向量w. 权值的先验分布为一个零均值的高斯分布. w的估计值向初始值收敛, 从而降低了过拟合的危险.给定似然函数和先验分布, 后验分布可以由Bayes公式计算如下:既然先验和似然函数都是高斯分布的, 后验概率也应该是高斯分布并且它的参数可以由似然函数和先验概率通过方阵计算得到.通过将代入了新的输入向量x的似然函数(公式2)与后验分布(3)相乘, 并对w积分, 从而获得了预分布, 即在输入向量条件下的回归目标值的概率分布.预分布同样也是高斯型分布, 可以由均值和方差来表示.仅使用预分布的均值即可完成分类决策来参与决定, 对重复试验的每次均值进行累加, 累加均值最大值所对应的目标即可作为BLDA算法得出的分类结果.为了验证本文提出的方法, 我们分析第III届脑机接口竞赛关于P300字符输入的数据集[10], 并与其它比较好的算法比较其分类性能. 对该数据集简单描述如下: 每个使用者使用的字符输入界面为6×6的字符矩阵, 如图2所示. 在使用过程中, 要求使用者注视其中一个字符键. 所采集到的脑电信号为64通道的, 采样率为240Hz. 使用者分别是为被试Subject A和被试Subject B. 这里的界面刺激闪烁采用行闪列闪的方式. 因此行列交替闪烁一轮(round)有12次闪烁, 这样的闪烁在输入每个字符时需重复15次(repeat). 对每个使用者采集总计185个字符.为了测试本文分类方法的性能, 我们分别比较了常规的方法、本文的方法、以及与在本次竞赛第一名的获得者Rakoto与Guigue所取得的结果[11]进行比较. 对于常规的方法, 一般在每一行或列开始闪烁时, 对每个通道的信号都抽取其0-600ms 的信号, 并对其进行0.1-20Hz的带通滤波及进行10倍的下采样, 然后采用标准支持向量机分类算法对同样的数据集进行数据分析并计算同样的性能指标(分类准确率). 对于Rakoto方法[11], 他们在训练集上进行递归消除通道和迭代选取时空特征的方法.两位被试的离线数据分析结果如表1所示. 从表1中看出, 两位被试使用本文的特征提取和分类方法比常规方法的准确率要高, 但比Rakoto方法要低. 图2显示了三种方法在不同的重复次数(round的个数)下的平均准确率. 每个重复次数对应一个准确率, 例如5表示的是从round1到round 5采集的脑电数据. 在本次竞赛数据中, 这个重复次数的范围从1到15. 从图2中可以看出, 对于不同的重复次数, 本文方法都能获得比常规方法更高的准确率, 而在重复次数较低(<5)的情况下, 本文的方法与Rakoto方法的准确率接近.本文从智能处理与不确定性的角度, 探讨了脑机接口中的核心问题-EEG模式特征的识别和分类. 针对EEG模式分类中所存在的不确定性问题, 从EEG的特征提取和分类模型构建两个方面进行了分析, 并提出了解决问题的方法和对策.脑机接口的研究还处于初级的探索阶段, 我们对于大脑、EEG时间序列数据的认识和理解都是模糊的、不精确的, 无法量化的, 同时EEG的分类也是模糊的、带有很强的随机性, 因此在EEG模式的识别和分类中存在着许多不确定性问题, 传统的信号处理方法很难提取到能够反映与认知活动相关的特征, 这就要求我们采用定性的数据处理方法和推理方法, 结合EEG和认知活动的相关的专业背景知识, 提取到与认知活动相匹配的定性特征, 这是本人今后研究的方向, 也是今后BCI研究发展的一个重要方向.1 王新光,邹凌,段锁林,周仁来.脑机接口技术的研究与进展.中国组织工程研究与临床康复,2008,12(39):7722–7724.2 杨帮华,颜国正,丁国清,于莲芝.脑机接口关键技术研究.北京生物医学工程,2005,24(4):308–310.3 李德毅,刘常昱,杜鹢,韩旭.不确定性人工智能.软件学报,2004,15(11):1583–1594.4 钱学森,于景元,戴汝为.一个科学新领域–开放的复杂巨系统及其方法论.自然杂志,1990,12(5):1–8．5 李少宾.面向脑机接口的不确定性EEG分类研究[硕士学位论文].合肥:中国科学技术大学,2008.6 Farwell LA, Donchin E. Talking of the top of your head: Toward a mental prothesis utilizing event-related brain potentials．Electroenceph Clin Neurophysiol, 1988, 70: 510–523.7 Krusienski DJ, Sellers EW, McFarland DJ. Toward enhanced 17300 speller performances. Journal of Neuroscience Methods, 2008, 167(1): 15–21.8 王向阳.面向不确定性推理和数据分析的模式识别方法研究[博士学位论文].上海:上海交通大学,2007.9 Kindermans PJ, Verstraeten D, Schrauwen B. A Bayesian model for exploiting application constraints to enable unsupervised training of aP300-based BCI. PloS One, 2012, 7(4): e33758.10 Kaper M, Meinicke P, Grossekathoefer U, Lingner T, Ritter H. BCI competition 2003-data set IIb: support vector machines for the P300 speller paradigm. IEEE Trans. on Biomedical Engineering, 2004, 51(6): 1073–1076.11 Rakotomamonjy A, Guigue V. BCI competition III: dataset II-ensemble ofSVMs for BCI P300 speller. IEEE Transactions on Biomedical Engineering, 2008, 55(3): 1147–1154.。

脑电图波形解读与神经信号识别算法脑电图波形（Electroencephalogram waveform，简称EEG）是一种用于记录大脑电活动的生理信号。

通过分析EEG波形，人们可以获得关于大脑功能和疾病诊断等方面的重要信息。

神经信号识别算法则是一种通过对EEG波形进行处理和分析，以识别出特定的神经信号的方法。

首先，让我们了解一下脑电图波形的特点。

脑电图是通过将电极放置在头皮上记录大脑电活动的电信号图形。

它通常呈现为一系列的波峰和波谷，表现出不同的频率和振幅。

根据波形的频率，可以将其划分为不同的频段，包括δ波（0.5-4 Hz）、θ波（4-8 Hz）、α波（8-13 Hz）、β波（13-30 Hz）和γ波（30-100 Hz）等。

这些不同频段的波形对应着不同的脑功能状态和认知活动。

因此，通过对脑电图波形的解读，我们可以了解大脑的工作状态以及大脑在不同任务下的响应。

而为了更好地利用脑电图波形，研究者们还开发了各种神经信号识别算法。

其中，最常见的算法包括线性判别分析（Linear Discriminant Analysis，LDA）、支持向量机（Support Vector Machine，SVM）、深度学习（Deep Learning）等。

这些算法通过对脑电图波形进行特征提取和模式识别，能够将波形与特定的神经信号相对应。

线性判别分析是一种常用的分类算法，它基于对样本数据进行线性投影，将不同类别的样本实现最大化的类间距离和最小化的类内距离。

在脑电图波形解读中，LDA可以通过学习不同神经信号的特征分布，将新的脑电图波形分类为不同的信号类型。

这种算法在识别某些简单的、明确的神经信号（例如注意、视觉反应等）方面取得了良好的效果。

支持向量机是一种通过将数据映射到高维特征空间，并选取一个超平面将不同类别的样本分隔的方法。

在脑电图波形的分类问题中，SVM可以根据不同的频率成分和时域特征，将波形映射到高维特征空间，并完成分类任务。

2024年招聘人工智能岗位笔试题及解答(某大型集团公司)(答案在后面)一、单项选择题（本大题有10小题，每小题2分，共20分）1.在人工智能领域，以下哪个项目是OpenAI开发的？A. GPT-3B. TensorFlowC. PyTorchD. Siri2.在机器学习中，以下哪个概念是指根据已有数据集构建模型，使模型能够对新数据进行预测？A. 特征工程B. 模型训练C. 数据清洗D. 交叉验证3、在机器学习中，过拟合现象是指什么？A. 模型对新数据的预测能力过强B. 模型对新数据的预测能力过弱C. 模型在训练数据上表现过于理想，但在新数据上表现不佳D. 模型在训练数据上表现不佳，但在新数据上表现理想4、以下哪种技术不属于深度学习领域？A. 神经网络B. 支持向量机C. 决策树D. 自然语言处理5.（关于深度学习技术）假设我们正在进行图像识别任务，需要构建深度学习模型，下面哪个描述是准确的对神经网络优化过程的理解？（）A. 为了找到最小化误差的最优参数值组合，不断通过调整网络的权值来完成网络的优化。

B. 模型结构的选择是影响结果的最关键因素，结构优化相对不太重要。

C. 我们无需选择损失函数，因为模型会自动找到最合适的损失函数。

D. 优化过程的目标是最大化模型的性能，因此我们应选择能最大化性能的参数组合。

6.（关于自然语言处理技术）关于机器翻译的应用及未来发展趋势，以下哪项描述是不准确的？（）A. 机器翻译技术在即时通讯软件中得到了广泛应用，极大提高了跨语言沟通的效率。

B. 随着深度学习和大数据技术的发展，机器翻译的准确性将逐渐接近甚至超越人工翻译的水平。

C. 在复杂、高精尖的专业领域文章中，机器翻译几乎无法与人工翻译比肩，准确度和适用性较低。

D. 由于语法结构和语言逻辑的复杂性，未来机器翻译对文学作品的理解能力和表现能力难以突破现有水平。

7.在人工智能领域，哪一项技术是近年来发展迅速，并且在图像识别、语音识别和自然语言处理等多个方面都有广泛应用？A. 机器学习B. 深度学习C. 强化学习D. 神经网络8.在构建人工智能系统时，以下哪个步骤不是必须的？A. 数据收集与预处理B. 模型选择与训练C. 系统部署与监控D. 用户界面设计9、在机器学习中，以下哪种算法主要用于聚类分析？A.决策树算法B.线性回归算法C.K均值算法（K-Means）D.神经网络算法 10、在深度学习领域，一个完整的神经网络层由什么组成？多选。

分析内容仅做参考，欢迎大家一起交流沟通，也有可能是我完全分析错了。

题目如下：
题目A：芯片相噪算法（华为题）
应该会和信号与系统相关
题目B：汽油辛烷值建模
应该是数据分析类的题目
题目C：面向康复工程的脑信号分析和判别建模
附件1-P300脑机接口数据，
附件2-睡眠脑电数据，
感觉是数据分析相关，需要建立预测或判别模型
题目D：无人机集群协同对抗
这个应该是偏向优化和决策
题目E：能见度估计与预测
应该是视觉分析的，不了解相关知识
附件有：机场AMOS观测、机场视频、高速公路视频截图
题目F：飞行器质心平衡供油策略优化
决策、优化、物理建模相关。

人工智能基础(习题卷46)第1部分：单项选择题，共50题，每题只有一个正确答案,多选或少选均不得分。

1.[单选题]“中国制造2025”是以新一代信息技术与制造业深度融合为主线，以推进智能制造为主攻方向，并规划了实施制造强国十年行动纲领，其中提出点实施（）工程。

A)智能交通B)智能军事C)智能制造答案:C解析:2.[单选题]下列哪个应用领域不属于人工智能应用？（）A)人工神经网络B)自动控制C)自然语言学习D)专家系统答案:B解析:3.[单选题]以下不属于大数据重要意义的是（ ）。

A)大数据成为推动经济转型发展的新动力B)大数据成为重塑国家竞争优势的新机遇C)大数据成为提升政府治理能力的新途径D)大数据会增加经济发展的成本答案:D解析:大数据可以促进经济的发展，催生新的业态，在辅助商业决策、降低运营成本、 精准市场的营销方面都能发挥作用，进一步提升企业竞争力。

4.[单选题]假设你只有100Mb的内存，需要对1Gb的数据进行排序，最合适的算法是（）A)归并排序B)插入排序C)快速排序D)冒泡排序答案:A解析:5.[单选题]当使用地面站控制无人机飞行时，必须使用的设备是( )A)数控电台B)数传电台C)图传D)IMU答案:B解析:6.[单选题]（ ）是学习系统应达到的目标。

A)适当的学习环境C)求解问题D)一定的学习能力答案:B解析:7.[单选题]上电后电动机无法启动，无任何声音。

首先检查的原因是( )。

A)电源接头接触不良B)电池损坏C)电机损坏D)电调损坏答案:A解析:8.[单选题]自拍时，手机前置镜头显示的画面需要通过哪个变换后，才能是真实的场景图像A)直镜像B)水平镜像C)旋转D)平移答案:B解析:9.[单选题]游戏设计中为角色用于路径规划，比较合适的算法是（ ）A)遗传算法B)搜索技术C)模糊逻辑D)神经网络答案:B解析:10.[单选题]传统GBDT以（）作为基分类器A)线性分类器B)CARTC)gblinearD)svm答案:B解析:传统GBDT以CART作为基分类器11.[单选题]下列算法中属于点处理的是( )。

脑动极光认知数字疗法培训考核试卷一、填空题1．中国60岁及以上人群中，轻度认知障碍人群占____ ，人数约为 _____ 。

[填空题] *_________________________________(答案：15.5%;3800万)2. 北京宣武医院唐毅教授团队通过RCT实验验证了认知训练对血管性认知障碍患者的有效性，证明_____和______ 有所提高，并且网络之间的连接显著增强。

[填空题] *_________________________________(答案：语言功能;整体认知功能)3. 智能化量表采用______模型，通过对宣武医院、安贞医院的10000+临床数据学习，结果判读准确率达到 _______ 以上，远远优于传统量表结果判断准确率。

[填空题] *_________________________________(答案：深度学习;90%)4. 《探索老年痴呆防治特色服务工作方案》中提到双80%目标，这双80%是指_____和______ 。

[填空题] *_________________________________(答案：筛查率;知晓率)5. 截至2023年11月认知障碍诊疗中心或建设单位共_____ 家，其中高级认知中心_____ 家。

[填空题] *_________________________________(答案：602;23)二、判断题（对的打“√”，错的打“×”）1. 据第七次人口普查（2020年）数据，中国65岁以上人口占比为20%，进入了深度老龄化社会[判断题] *对错(正确答案)2. 脑动极光目前已经有180+项专利及软件版权。

[判断题] *对(正确答案)错3.《Nature》研究发现认知训练可以有效促进大脑电信号的良性改变。

[判断题] *对(正确答案)错4.《Science》研究发现持续5周超过14个小时的认知训练可以改变大脑基底节多巴胺受体密度。