一、缺血性脑卒中的EEG与CT及MRI的对比分析（论文文献综述）
关云[1]（2021）在《面向CT影像的超早期缺血性脑卒中病灶检测算法研究》文中进行了进一步梳理在全球范围内,卒中是导致残疾和死亡的主要原因。CT作为有卒中临床表现患者的首选影像学检查方法,对超早期缺血性脑卒中的诊断并不敏感,需要MRI进行辅助诊断。但MRI扫描时间长,有可能导致患者错过最佳溶栓时间窗。因此,探索从CT中诊断超早期缺血性脑卒中具有重要意义。确定CT中病变的位置和范围是困难的,临床医生也难以直接从CT中勾画病灶,因而研究数据无法人工标注。研究中通常依据人脑解剖结构的对称原理,通过比较大脑左右两侧来判断缺血组织。然而,单纯的比较大脑两侧是不可靠的,尤其是病灶较小时,其特征会被淹没在正常组织特征中。此外,相关研究大都使用单个特征提升识别卒中的准确率,但单一特征远不足以体现人脑中超早期缺血性脑卒中的复杂性。针对上述问题,本文完成了如下三个方面的工作:（1）提出利用对应的MRI确定CT中超早期缺血性脑卒中病灶的方法,解决CT数据标注问题。针对同时具有CT和MRI的病例作为研究对象:将MRI进行多平面重建和一系列仿射变换,使其获得与对应CT一致的角度和位置,实现精细配准;随后调整MRI的窗宽和窗位,将得到的病变分割区域用作CT的病变位置。（2）提出使用影像组学对CT影像中超早期缺血性脑卒中丰富的特征信息进行提取,以解决以往方法特征单一的问题。本文首先采用影像组学的高通量特征提取技术,构造复杂的特征提取器。随后,进一步引入信息增益作为衡量影像组学提取的特征与CT中超早期缺血性脑卒中相关性的标准,以从大量特征中筛选有效特征。最后,通过机器学习将筛选后的特征建立10个分类器判断CT中是否存在病灶,验证了所选特征在超早期缺血性脑卒中的诊断中具有一定的有效性。（3）提出将病变区域及其对称区域作为候选区域,实现了精确的对比分析。本文在病变区与对称区、正常脑与对称区、病变与正常脑区进行了对比研究,排除了CT中超早期缺血性脑卒中的可检测性可能来自正常大脑左右两侧固有的可分离特质,证实了病变区域可从其他正常脑组织中检测出。
宋佩清[2]（2021）在《基于脑电及JTT测试探讨tDCS不同刺激模式对卒中后上肢功能的短时效应》文中研究表明研究背景:上肢运动障碍是脑卒中的主要后遗症之一,导致日常生活活动受限,生活质量降低,且康复效率低。脑卒中后,对患侧运动皮质区域（M1）的损害导致两个半球之间的不平衡,即健侧M1区的低兴奋性和健侧M1区的高兴奋性,导致相对较差的预后。因此,基于“半球间抑制（IHI）”理论,经颅直流电刺激（Transcranial Direct Current Stimulation,tDCS）被用于减少两个半球之间的不平衡,以达到促进上肢康复效果。但其作用效果因刺激模式、刺激剂量等因素而呈多样无规律变化。固深入研究tDCS调控大脑皮层神经可塑性机制和功能效应是确保tDCS应用于卒中后上肢运动功能康复效果、减少脑损伤个体差异影响的关键,从而为临床制定tDCS调控大脑神经功能重塑、促进卒中后上肢运动功能康复的治疗方案提供可靠的科学依据。本课题旨在利用脑电（EEG）技术及JTT测试比较单次阳极刺激（a-tDCS）、阴极刺激（c-tDCS）、双极刺激（bi-tDCS）及伪刺激（sham）干预脑卒中患者大脑M1区域后,上肢运动功能改善及脑神经调控短时效应。实验目的:探究不同tDCS刺激模式对脑卒中上肢运动功能改善及神经网络重塑的短时效应,筛选提高上肢运动功能的最佳刺激模式;探究tDCS对卒中后上肢功能康复作用效应的中枢神经网络重塑机理。实验方法:选用随机分组的交叉对照设计模式将筛选出的符合纳入标准的30例脑卒中患者进行单盲tDCS治疗,四种刺激模式分别每周进行一次:电流剂量1.8m A,电极片面积5cmx7cm,刺激时长20min,电极放置位置根据不同刺激模式改变。患者刺激前后分别完成3组任务导向性测试-JTT测试并记录完成时间,同时采集EEG信号,对四种模式刺激前后的患者进行JTT量表评估和脑电监测,对刺激前后效果进行对比分析。实验结果:JTT结果显示卒中患者在a-tDCS干预后的Ⅰ、Ⅱ、Ⅲ、Ⅴ、Ⅵ项任务时间和总时间明显降低（p<0.05）,且与sham组在Ⅱ、Ⅲ、Ⅴ、Ⅵ上有显着性差异（p<0.05）,在总时间上有非常显着性差异（p<0.01）;在c-tDCS干预后的Ⅰ、Ⅴ项任务所用时间上有显着改善（p<0.05）,但结果与其他三组刺激均无统计学意义（p>0.05）;bi-tDCS干预后患者的每一项任务时间均有明显改善（p<0.05）,且与sham组在Ⅱ、Ⅲ、Ⅴ、Ⅵ和总时间上有显着性差异（p<0.05）;sham组在Ⅱ和总时间上有明显增高（p<0.05）。脑电结果显示静息态脑电中三种刺激模式均有改善脑电α频段响应的效果,a-tDCS效果最为显着,bi-tDCS次之,而c-tDCS结果无统计学意义（p>0.05）;其中a-tDCS对脑卒中后亚急性期及20个月以上病程的患者效果更为明显;bi-tDCS对患侧上肢功能中度受损患者效果更为明显;从任务下脑电结果可以看出,a-tDCS干预后患者在进行JTT任务时患侧初级运动功能区α和β频率的事件相关去同步化（ERD）现象明显,其余两种刺激脑电结果不明显;Sham组动态脑电出现事件相关同步化（ERS）现象。实验结论:从实验结果中来看,tDCS三种刺激模式均可引起脑网络alpha频段响应,其中a-tDCS和bi-tDCS效果较好;a-tDCS刺激效果对亚急性期及20个月以上病程效果更为明显;bi-tDCS刺激效果对功能中度受损患者效果明显。
王方[3]（2020）在《脑损伤患者的脑电特征分析与意识状态分类研究》文中研究表明脑电图（EEG）是记录大脑活动的电信号,可以反映大脑的功能及生理变化等情况。脑电图信号可用于多种临床疾病的研究和诊断,例如监测认知、昏迷和脑死亡,确定头部损伤、中风和肿瘤后的损伤区域,检测精神障碍、睡眠障碍和癫痫等。脑部疾病常引发意识、感觉、运动等障碍或植物神经功能的障碍,如不及时给与治疗和干预措施,往往会产生其它并发症并影响后续的康复。随着计算机科学及神经科学的发展,越来越多的研究者探索利用计算机辅助方法来研究脑电图信号的特征及其与大脑功能和疾病的对应关系。本文主要研究脑部损伤患者的脑电信号,提取和分析脑电信号的特征,并利用机器学习方法,来研究脑电信号在对脑损伤患者意识障碍的自动识别上的价值。本文的主要工作和创新点如下:（1）提出了一种新的相位同步指数,并研究其在鉴别脑卒中患者意识状态（清醒、嗜睡、昏迷、轻度昏迷、中度昏迷和深度昏迷）中的作用。本文提出的左右脑半球相位同步的特征衡量了左右脑半球的脑电信号的平均相位差,通过三个实验来分析对比这个相位同步指数与其它定量脑电特征在对脑卒中患者意识状态评估价值上的优势。实验一以82例缺血性脑卒中患者的脑电信号为研究对象,统计分析了不同定量脑电特征与缺血性脑损伤患者意识状态的相关性。实验二以27例脑出血患者为研究对象,计算和提取了多种定量脑电特征,构建了基于多种定量脑电特征的线性回归模型,分析了这个回归模型在改善脑出血患者的意识评估上的价值。实验三以经历了多种意识状态的4例缺血性脑卒中患者为研究对象,收集了14段脑电信号,纵向分析研究了定量脑电特征与意识状态变化的关系,并建立了回归模型。（2）设计了集成支持向量机分类器,用于解决非平衡数据集上分类总是偏向多数类而导致分类无效的问题。这个集成分类器将数据集分成多个平衡的子数据集输入到多个独立的支持向量机中,然后对每个测试集中的样本给出多个独立的预测结果。根据这些独立的预测结果,投票给出最终的预测。实验以147例缺血性脑卒中患者为研究对象,提取了9种定量脑电特征,并将这些特征输入到集成分类器中对缺血性脑卒中患者是否有意识障碍进行分类研究。实验结果显示基于定量脑电图特征的EOSVM可对10%的脑卒中患者的意识障碍是否有意识障碍给出分类识别,且准确率、敏感度和特异性分别为94.44%、94.44%和100.00%。（3）设计了一个将脑电微状态应用于机器学习的框架,用于对缺血性脑卒中患者意识障碍的自动识别。实验将147例缺血性脑卒中患者的脑电图拼接为一个时间序列信号,然后聚类为多个脑电微状态原型图。此方法提取的脑电微状态原形图为之后的分类研究做好了准备工作。统计分析中,首先计算了这些微状态原型的统计参数,然后用统计学方法分析了这些统计参数与意识状态的相关性。分类实验中将这些统计参数作为特征输入到集成分类器中,对脑卒中患者是否有意识障碍进行分类研究。分类结果显示,当脑电图数据被聚集成6个微状态图时,集成分类器可识别出37.5%的有意识障碍的脑卒中患者,并且准确率接近100%。（4）提出了一种新的脑功能连通性特征,改进了其它五种脑功能网络中的连通性度量指标,研究了这些脑功能连通性特征在识别脑损伤患者的意识障碍中的价值。实验从607例脑损伤患者的脑电信号中提取了12个脑功能连通性特征,这些度量指标构成的脑功能网络分别被输入到集成支持向量机分类器中,对脑损伤患者是否有意识障碍进行二分类研究。试验结果显示新提出的脑功能连通性特征可以识别35.14%脑损伤患者的意识障碍,并且准确率达到98.21%,敏感度和特异性分别为100%和95.79%。（5）设计了基于自适应提升分类器的集成分类器,研究其在脑损伤患者意识障碍识别上的价值。实验从升级后的脑电数据集（更多的导联数,更高的采样率,包含648例脑损伤患者）,提取了 6种脑功能连通性特征并研究了它们的组合特征在集成的自适应提升分类器中的分类效果。实验结果显示组合的脑功能连通性特征在集成自适应提升分类器中可对88.86%的脑损伤患者给出是否有意识障碍的分类,并且分类准确率（92.04%）、敏感度（93.26%）、特异性（90.97%）和F1分数（0.92）均高于90%。
王宁[4]（2019）在《基于模式识别方法提取脑电特征信息及其在脑卒中诊断中的应用》文中认为脑卒中是导致人类死亡的一大病因,尤其是缺血性脑卒中,占到所有脑卒中患者的60～80%。由于脑卒中有效治疗时间特别的短,只有四五个小时,超过这个时间,致残率会大大升高,所以及时的诊断,并进行迅速的治疗非常的关键。目前诊断方法主要是影像诊断,包括计算机断层扫描、核磁共振、经颅多普勒、血管造影,但上述的方法得出诊断结果需要的时间都比较久,而且为了使影像更加的清晰,往往需要注射造影剂,是有创的。脑电信号的诊断和影像诊断不同,由于脑电信号拥有精度高、采集过程易于操作、对病患无创等优点,在脑卒中的诊断中,脑电信号的研究一直是一个很重要的方向。本文采用的脑电数据来自首都医科大学附属北京天坛医院,数据包括8个左脑缺血性卒中患者,4个右脑缺血性卒中患者以及4个作为对照的健康人。本文的研究内容包括以下三个方面:（1）第一部分使用短时傅里叶变换（STFT）和频带能量的方法,获得delta频带能量占比（DFBEP）,alpha频带能量占比（AFBEP）,以及后者与前者之比（AD）三个指标。结果如下,对于健康人,以上三个指标在左右半球之间是对称的,但对于卒中患者,病灶侧半球的DFBEP明显高于另一侧,AFBEP和AD则相反,而且AD比AFBEP更加的敏感,从而可以判断卒中的病灶位置。对一个时间长达15个小时的左脑卒中患者的脑电信号进行长程监测,通过对这三个指标的趋势分析,得出病人病情的变化趋势,与病人的实际情况一致。（2）第二部分运用层次聚类的方法,分别从脑电信号的时域、频域和时频域三个角度对每一个人的8组脑电数据进行聚类分析。结果表明,健康人的聚类分析结果呈现一致性,脑卒中患者的聚类分析结果比较凌乱,但没有出现和健康人一致的聚类结果。所以可以用来确定一个人是否为健康人。（3）利用短时傅里叶变换、主元分析法（PCA）和箱型图相结合的方法,以健康人的脑电数据为训练数据,以左右脑卒中患者的数据为检测数据,得出一种对左右脑缺血性脑卒中患者分类的方法。并探讨了是否做预处理和窗口长度两个因素对分类结果的影响。最后得出是否做预处理对结果影响不大,窗口长度在左脑卒中患者到达60s,右脑卒中患者到达90s时,结果达到最佳。
程振仕[5]（2019）在《基于EEG的脑卒中评估方法研究及病灶定位》文中提出在中国脑卒中（Stroke）已经是第三大致死性疾病,发病率每年都在以6%的增长速度增长。脑卒中患者中,缺血性脑卒中（Ischaemic Stroke,IS）患者占主要部分。脑电图（Electroencephalogram,EEG）反映主要由皮层锥体细胞的树突中兴奋性和抑制性突触后电流引起的细胞外电流变化。EEG对脑缺血的检测非常敏感,因此缺血性脑卒中患者通常伴随着EEG的异常变化。基于EEG的缺血性脑卒中方法研究以及病灶位置判断具有可行性与研究价值。首先在预处理过程中,滤除50Hz的工频噪声、运动伪迹噪声,容积导电效应干扰。设计了自适应滤波器滤除50Hz工频噪声。针对运动伪迹,采用基于eeglab的FastICA算法和基于经验模态分解算法,对比两种算法性能。通过在信噪比、相关系数、均方误差三个方面的表现,得出基于eeglab的FastICA算法滤除运动伪迹噪声效果更优。针对溶剂导电效应（Volume Conduction,VC）,使用线性约束最小方差（Linearly Constrained Minimum Variance,LCMV）空间滤波器来解决。其次,本文采用功率谱、近似熵和样本熵三种方法对缺血性脑卒中患者EEG数据进行分析。设置两组对照实验,第一组对照实验:患者组和健康组;第二组对照实验:患者治疗前和治疗后。在对照实验中发现了可以评估患者的特征指标。第一组对照实验:脑梗塞病灶位置EEG的delta（1-4Hz）频段功率值比正常人高,alpha（8-13Hz）频段功率值比正常人低,脑梗塞病灶位置delta频段样本熵值比正常人低。第二组对照实验:溶栓治疗后症状有改善的患者,delta频段功率值降低,alpha频段功率值升高,delta频段样本熵升高。对于无改善的患者,这些指标变化不明显或者是没有变化。通过这些特征信息,能够评估患者溶栓治疗的效果。最后,采用了边界元法构建患者头部模型。根据计算的特征指标对病灶位置进行预测。在此基础上使用了空间滤波法（Beamformer）和精确低分辨率电磁断层扫描法（eLoreta）对患者病灶位置进行定位。定位结果与最终的核磁结果进行对比,其中基于偶极子模型的Beamformer方法在定位中能够实现病灶的准确定位。
周丹[6]（2019）在《脑电图监测下CEA治疗重度颈动脉狭窄的安全性分析》文中研究说明目的:通过在术前血流动力学、电生理学、影像学等多方面评估下,术中与电生理监测对比,在脑电图监测下开展颈动脉内膜剥脱术治疗重度颈动脉狭窄,探究脑电图对脑组织供血不足的预测作用;探究脑电图改变与电生理监测改变是否具有一致性;通过对术前患者的各种评估,探究脑电监测下行颈动脉内膜剥脱术治疗重度颈动脉狭窄患者的安全性和有效性,为脑电监测对重度颈动脉狭窄患者行颈动脉剥脱术提供经验,为颈动脉内膜剥脱术的推广以及术中监测手段提供一定依据。方法:回顾性分析湖南省脑科医院神经外科2016年3月至2019年02月期间本手术组中18例行颈动脉内膜剥脱术的重度颈动脉狭窄患者,收集一般资料,既往史,术前情况,术中情况,术后情况,以及术后随访。结果:1、术后7天内并发症:18例颈动脉内膜剥脱术术后无死亡、颅内出血及缺血卒中、颅神经损伤、过度灌注损伤;有1例颈部血肿形成,保守治疗恢复;2、对症状性颈动脉重度狭窄患者18例进行随访,术后3月复查血管管径恢复16例、轻度狭窄1例,再发闭塞1例。17例患者症状得到改善,症状改善率94.4%;术中监测脑电图有4例出现同侧慢波增多,予以恢复血流后逐渐恢复,术后复查18例均无卒中事件发生;手术前后mRS配对分析,术后mRS评分下降,有统计学意义,并且术后随访3月手术侧均无新发卒中事件发生。结论:1.在颈动脉内膜剥脱术治疗重度颈动脉狭窄中,脑电图改变与电生理监测改变具有一定的一致性,且具有较好的敏感性。2.脑电图监测颈动脉内膜剥脱术治疗重度颈动脉狭窄并发症低,能够有效的减少缺血性脑卒中的发生率。3.脑电图监测下CEA治疗重度颈动脉狭窄患者有较好的安全性。
王建琴,罗本燕,吴永红[7]（2002）在《缺血性脑卒中的EEG与CT及MRI的对比分析》文中研究表明
刘乃嘉,胡颖,杨一风,李跃华,聂生东[8]（2021）在《基于不同模态影像的急性缺血性脑卒中计算机辅助阿尔伯塔卒中项目早期计算机断层扫描评分研究进展》文中进行了进一步梳理临床主要通过非对比计算机断层扫描（NCCT）快速诊断脑卒中的类型和区域,并借助阿尔伯塔卒中项目早期计算机断层扫描评分（ASPECTS）指导下一步的治疗。然而,在急性缺血性脑卒中（AIS）早期,NCCT上的轻度脑梗肉眼难以分辨,参与ASPECTS评分的脑区之间无明显边界,导致临床评分存在一定困难。基于机器学习和深度学习的方法能够快速、准确地从现有影像中识别脑梗区域,并对参与评分的脑区进行分割,辅助医生进行ASPECTS定量评分,这对于改善临床评分存在不一致性的问题具有重要意义。本文首先对AIS评分领域现阶段面临的挑战进行了阐述,之后从传统机器学习和深度学习两个方面概述了计算机辅助技术在ASPECTS评分中的研究现状。最后,对该领域的研究方向进行了总结和展望,并提出基于多模态影像数据的计算机辅助系统对提高AIS评估的全面性和准确性具有很高的价值,以期为AIS辅助评估领域探索新的研究方向。
张晨[9]（2021）在《基于脑电和脑血流信号的缺血性脑卒中分类研究》文中指出缺血性脑卒中是指大脑供血的血管发生阻塞时引发脑组织坏死的疾病。卒中的诊断一般由专业医师根据临床症状,结合医学影像来完成。相较于昂贵的影像技术,脑电图（Electroencephalogram,EEG）和血流速率（Blood Flow Velocity,BFV）等信号对大脑功能可以进行连续、实时、无创的监测,且费用低廉。本文采用了缺血性脑卒中病人在重症监护室中的EEG和BFV信号,根据美国国立卫生院卒中量表（National Institute of Health Stroke Scale,NIHSS）和改良Rankin量表（Modified Rankin Scale,MRS）对病人状态的评估,按照传统信号处理方法和深度学习方法两种路线,对生理信号与脑功能状态之间的关系进行分析,具体工作内容如下:（1）本文分析了缺血性卒中病人的脑电信号与脑血流速率信号之间的相-幅耦合（Phase-Amplitude Coupling,PAC）关系,并分析其与脑功能状态评分之间的相关性。本文发现BFV慢波相位与EEG beta波段（13～30Hz）的幅度存在很强的耦合关系,但原始PAC系数与NIHSS评分之间没有显着相关性。因此,本文将病人按病灶侧分类进行计算,创新性地使用PAC标准差和变异系数等参数进行相关性分析,最终发现这些参数与NIHSS评分具有显着的相关性。本文还提出了基于PAC的低频高频比值,结果发现其与NIHSS的相关性大于基于功率谱密度（Power Spectral Density,PSD）的低频高频比值,且在大脑的病灶侧和健康侧有着显着差异。（2）本文构建了基于EEG和BFV信号的深度神经网络模型CNN-LSTM,根据NIHSS和MRS评分对缺血性脑卒中的等级进行分类。实验对比了卷积神经网络（Convolutional Neural Networks,CNN）、长短时记忆网络（Long Short-Term Memory,LSTM）、CNN-LSTM这三种不同的网络架构,最后发现CNN-LSTM混合模型的效果优于单独的CNN和LSTM,准确率在三种架构中最高,在NIHSS、MRS测试集上平均准确率是95.18%。（3）本文通过事后解释,对深度神经网络如何解码生理信号进行可视化。结果发现,原始数据包络、PSD特征显着与模型最后决策的因素相关。其中,delta波段（1～4Hz）的原始信号和PSD与神经网络单位输出的相关性大于其他频段。而beta波段的包络特征与网络输出的相关性显着高于其他波段,在决策中起关键作用。此外,BFV信号的包络特征与神经网络输出的相关性高于PSD特征。基于EEG信号的包络可以对病灶侧的责任动脉进行划分,正确率为74.29%,高于BFV的各种特征,这说明EEG信号在功能状态的评估中起主导作用。综上,本文研究的基于PAC的参数可作为评价卒中的生理指标,提出的CNNLSTM模型在分类卒中等级上有较高的精准度,为卒中的脑功能研究提供了新的技术方法,有助于医生进行临床诊断和治疗。
刘钰[10]（2021）在《基于rfMRI探究缺血性中风急性期虚实证候同源脑功能网络的特点》文中研究表明目的:本课题旨在运用新的影像学处理方法对缺血性中风病急性期患者脑功能网络进行研究,结合中医证候量表评分,探索纯实无虚证与虚实夹杂证同源脑功能网络的特点,为中医分型辨证提供初步影像学依据。方法:本课题收集2018年11月至2021年2月于北京中医药大学东直门医院脑病科一区病房住院治疗的缺血性中风病急性期患者,在其入院当天采集相关资料（包括人口学信息、中风症状及伴随症状、四诊信息）,并依据纳入、排除标准纳入研究对象。对患者进行中医证候要素诊断,依据证候要素诊断结果按照有无虚类证（气虚和/或阴虚）将所有患者分为纯实无虚组与虚实夹杂组。对所有患者使用中风病证候要素量化表进行证候量化评分、使用NIHSS评分进行肢体功能评价、使用BI指数进行生活能力评估,并进行MRI扫描,采集结构像及静息态功能像核磁数据。对采集到的宏观数据（人口学、病史、量表分值）,使用SAS 9.4和Excel 2020进行统计分析;对采集到的核磁数据,使用Freesurfer、fMRIPrep软件包自动化处理,将预处理后的数据投影到fsaverage4上,运用基于matlab的用于在个人间映射同源功能区的软件包（Toolbox（matlab）for mapping homologous functional regions across individuals）进行个性化分割,提取同源感兴趣区域（ROI）。使用BrainNetClass（1.0）工具包构建脑功能网络,找出对两组有贡献的网络连接,并进行可视化呈现。结果:本研究共收集缺血性中风病急性期患者46例,5例患者因影像资料不合格而剔除,最终进入统计者41例,纯实无虚组20例,虚实夹杂组21例。（1）在41例缺血性中风病急性期患者中,男性30例,女性11例,男性患者比例高于女性患者;男性平均年龄（60.57±10.74）岁,女性平均年龄（75.27±9.10）岁,女性患病年龄明显高于男性（P<0.01）;（2）对纯实无虚组与虚实夹杂组一般资料进行统计分析,男性患者多归于纯实无虚组,女性患者多归于虚实夹杂组（P<0.01）;虚实夹杂组患者年龄高于纯实无虚组（P<0.05）;纯实无虚组患者吸烟者多于虚实夹杂组（P<0.01）;纯实无虚组病灶主要集中在左侧脑室旁,其次为左侧半卵圆中心、右侧内囊后肢;虚实夹杂组病灶主要集中在右侧脑室旁,其次为右侧半卵圆中心、右侧内囊后肢、左侧脑室旁,且范围大于纯实无虚组;（3）在缺血性中风病急性期,各证候要素出现频率由高到低依为痰湿、内风、内火、血瘀、气虚、阴虚,多为复合证候,证候要素组合中,内风+内火+痰湿+血瘀这一组合最多,其次是内风+内火+痰湿。对两组的证候要素量化评分与NIHSS评分进行相关性分析,结果无统计学意义（P>0.05）;（4）使用BrainNetClass（1.0）软件包共得出114对对两组有意义的网络连接,各选取前10个最具特征的网络连接对两组进行对比分析,得出与纯实无虚组有关的网络连接有:默认网络与注意网络、视觉网络、感觉运动网络的连接,注意网络与感觉运动网络、中央执行网络的连接,边缘网络与感觉运动网络的连接;与虚实夹杂组有关的网络连接有:注意网络及中央执行网络内部的连接,中央执行网络与感觉运动网络的连接,注意网络与边缘网络的连接。结论:缺血性中风病急性期纯实无虚证与虚实夹杂证脑功能网络存在一定差异,具体表现为:（1）虚实夹杂证在同网络内,尤其是注意网络内的连接更具特异性,提示虚实夹杂组患者对于各种刺激更为敏感,可能更易出现情绪的变化;（2）纯实无虚证在默认网络与其相拮抗网络间的连接更具特异性,提示纯实无虚证高级神经功能紊乱,可能更易出现意识、认知的异常。
二、缺血性脑卒中的EEG与CT及MRI的对比分析（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、缺血性脑卒中的EEG与CT及MRI的对比分析（论文提纲范文）
（1）面向CT影像的超早期缺血性脑卒中病灶检测算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题依据,研究背景及意义 |
| 1.1.1 选题依据 |
| 1.1.2 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究内容及安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文组织结构 |
| 1.4 本章小结 |
| 第二章 相关工作介绍 |
| 2.1 脑卒中影像学方法概述 |
| 2.1.1 CT影像学方法 |
| 2.1.2 核磁共振影像学方法 |
| 2.2 影像组学技术介绍 |
| 2.3 机器学习相关基础理论 |
| 2.4 本章小结 |
| 第三章 面向CT影像的超早期缺血性脑卒中病灶检测算法研究 |
| 3.1 基本思想和实验框架 |
| 3.2 CT中病灶分割位置获取 |
| 3.2.1 实验数据集 |
| 3.2.2 CT中病灶分割位置获取 |
| 3.3 基于影像组学和信息增益的特征提取方法研究 |
| 3.3.1 基于影像组学的特征提取分析 |
| 3.3.2 基于信息增益的特征筛选处理 |
| 3.3.3 基于机器学习的分类器分类过程 |
| 3.4 实验结果及分析 |
| 3.4.1 CT中病灶分割位置获取结果 |
| 3.4.2 基于影像组学和信息增益的特征提取实验结果 |
| 3.4.3 分类器分类效果 |
| 3.4.4 可视化分析 |
| 3.5 本章小结 |
| 第四章 CT影像中超早期缺血性脑卒中病灶标注可视化系统 |
| 4.1 系统设计绪论 |
| 4.1.1 系统设计的目的及意义 |
| 4.1.2 主要工作 |
| 4.2 系统总体设计思想 |
| 4.3 详细设计 |
| 4.3.1 CT和MRI数据上传模块 |
| 4.3.2 基于仿射变换的配准模块 |
| 4.3.3 病灶可视化模块 |
| 4.4 系统实现 |
| 4.5 本章小结 |
| 第五章 研究工作的总结和展望 |
| 5.1 工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及取得的研究成果 |
| 致谢 |
（2）基于脑电及JTT测试探讨tDCS不同刺激模式对卒中后上肢功能的短时效应（论文提纲范文）
| 中文摘要 |
| Abstract |
| 1 前言(含文献综述) |
| 1.1 文献综述 |
| 参考文献 |
| 1.2 前言 |
| 2.实验材料与方法 |
| 2.1 临床资料 |
| 2.1.1 病例来源 |
| 2.1.2 病例纳入标准 |
| 2.1.3 病例排除标准 |
| 2.1.4 病例剔除与脱落标准 |
| 2.2 实验方法 |
| 2.2.1 干预方案 |
| 2.2.2 实验技术路线图 |
| 2.3 实验具体操作流程 |
| 2.3.1 tDCS干预 |
| 2.3.2 JTT测试 |
| 2.3.3 EEG信号采集 |
| 2.4 评定方法及观测指标 |
| 2.4.1 入组前量表评估 |
| 2.4.2 入组后观测指标 |
| 2.5 实验数据分析及统计方法 |
| 3.实验结果与分析 |
| 3.1 JTT处理及结果 |
| 3.1.1 患者一般资料 |
| 3.1.2 JTT量表结果 |
| 3.1.3 小结与分析 |
| 3.2 EEG处理及结果 |
| 3.2.1 EEG处理 |
| 3.2.2 EEG功率谱分析 |
| 3.2.3 睁、闭眼状态下 EEG 结果 |
| 3.2.4JTT 状态下 EEG 结果 |
| 3.2.5 小结与分析 |
| 4.讨论 |
| 5.结论与局限性 |
| 5.1 结论 |
| 5.2 局限性 |
| 参考文献 |
| 缩略词引索 |
| 附件1 tDCS调控脑网络重塑促进卒中后上肢运动康复机制与短时效应研究记录本 |
| 附件2 知情同意书 |
| 致谢 |
| 研究生个人简历 |
（3）脑损伤患者的脑电特征分析与意识状态分类研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 定量脑电分析 |
| 1.2.2 脑电微状态分析 |
| 1.2.3 脑功能连通分析 |
| 1.3 本文的主要工作及研究框架 |
| 1.3.1 本文主要工作 |
| 1.3.2 本文研究框架 |
| 1.4 本论文的创新点及组织安排 |
| 1.4.1 本文的创新点 |
| 1.4.2 本文的组织安排 |
| 第二章 脑电信号和机器学习 |
| 2.1 引言 |
| 2.2 脑电信号 |
| 2.2.1 脑电信号概述 |
| 2.2.2 脑电信号的采集 |
| 2.2.3 脑电信号的预处理 |
| 2.2.4 脑电信号的分析方法 |
| 2.2.5 脑电信号的医学应用 |
| 2.3 机器学习 |
| 2.3.1 机器学习概述 |
| 2.3.2 监督学习 |
| 2.3.3 支持向量机 |
| 2.3.4 集成学习 |
| 2.4 本章小结 |
| 第三章 一种相位同步特征及其临床状态评估应用 |
| 3.1 引言 |
| 3.2 左右脑相位同步特征 |
| 3.3 其它定量脑电特征 |
| 3.3.1 快慢波功率谱比值特征 |
| 3.3.2 大脑对称指数 |
| 3.3.3 一致性 |
| 3.4 研究方法 |
| 3.4.1 实验参与者 |
| 3.4.2 脑电信号的采集与预处理 |
| 3.4.3 临床状态的评估 |
| 3.4.4 统计分析 |
| 3.5 实验设计实现及结果讨论 |
| 3.5.1 实验一:定量脑电特征对缺血性脑卒中临床状态的评估 |
| 3.5.2 实验一结果讨论 |
| 3.5.3 实验二:定量脑电特征对缺血性脑卒中意识状态变化的监测价值 |
| 3.5.4 实验二结果讨论 |
| 3.5.5 实验三:定量脑电特征对脑出血患者意识水平的评估 |
| 3.5.6 实验三结果讨论 |
| 3.6 本章小结 |
| 第四章 定量脑电对意识障碍的分类研究 |
| 4.1 引言 |
| 4.2 集成支持向量机的设计 |
| 4.2.1 数据准备 |
| 4.2.2 分类器训练 |
| 4.2.3 预测 |
| 4.3 分类结果评价 |
| 4.4 数据来源及特征提取 |
| 4.4.1 数据来源 |
| 4.4.2 EEG数据预处理 |
| 4.4.3 定量脑电特征提取 |
| 4.5 统计分析 |
| 4.6 分类结果与分析 |
| 4.6.1 现有分类器分类 |
| 4.6.2 集成分类器EOSVM分类 |
| 4.7 本章小结 |
| 第五章 脑电微状态对脑卒中患者意识水平的评估 |
| 5.1 引言 |
| 5.2 脑电微状态特征提取 |
| 5.2.1 脑电微状态 |
| 5.2.2 微状态提取流程的设计 |
| 5.2.3 微状态特征参数 |
| 5.3 分类训练及分类结果评价 |
| 5.4 实验方法 |
| 5.4.1 实验参与者 |
| 5.4.2 脑电信号的提取与预处理 |
| 5.4.3 统计分析 |
| 5.5 统计分析结果 |
| 5.5.1 脑电微状态与意识状态的相关分析 |
| 5.5.2 脑电微状态与不同肢体障碍的T检验分析 |
| 5.6 分类结果 |
| 5.6.1 不同数量的微状态的分类结果 |
| 5.6.2 不同投票阈值的分类结果 |
| 5.7 实验讨论 |
| 5.7.1 关于脑电微状态与意识状态的相关分析的讨论 |
| 5.7.2 关于有无意识障碍的分类结果的讨论 |
| 5.8 本章小结 |
| 第六章 脑功能连通性对意识障碍的分类研究 |
| 6.1 引言 |
| 6.2 脑功能连通分析 |
| 6.2.1 脑网络 |
| 6.2.2 两个通道之间的功能脑功能连通性特征 |
| 6.2.3 新的两个通道之间的功能脑连接度量指标 |
| 6.3 集成分类器EOSVM的设计 |
| 6.3.1 数据集分割 |
| 6.3.2 分类 |
| 6.3.3 投票最终预测 |
| 6.3.4 分类结果评价 |
| 6.4 实验方法 |
| 6.4.1 数据来源 |
| 6.4.2 EEG信号采集和预处理 |
| 6.5 统计分析结果与讨论 |
| 6.5.1 脑功能连通性特征的嵌套函数分析对比 |
| 6.5.2 多重线性回归 |
| 6.6 分类结果与讨论 |
| 6.6.1 六个现有分类器的分类结果 |
| 6.6.2 集成分类器EOSVM分类结果 |
| 6.7 结论 |
| 第七章 集成自适应提升对意识障碍的分类研究 |
| 7.1 引言 |
| 7.2 分类器设计与特征提取 |
| 7.2.1 集成分类器EoAdaBoost的设计 |
| 7.2.2 特征提取 |
| 7.3 实验方法 |
| 7.3.1 数据来源 |
| 7.3.2 EEG信号采集和预处理 |
| 7.3.3 分类结果评价 |
| 7.4 实验结果与讨论 |
| 7.4.1 AdaBoost分类结果 |
| 7.4.2 集成分类器EoAdaBoost分类结果 |
| 7.5 结论 |
| 第八章 总结和展望 |
| 8.1 论文研究工作总结 |
| 8.2 今后研究工作展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（4）基于模式识别方法提取脑电特征信息及其在脑卒中诊断中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 人脑系统 |
| 1.2 脑卒中诊断背景和意义 |
| 1.3 脑卒中诊断技术 |
| 1.3.1 计算机断层扫描 |
| 1.3.2 核磁共振 |
| 1.3.3 经颅多普勒 |
| 1.3.4 血管影像 |
| 1.3.5 脑电分析 |
| 1.4 基于脑电信号的分析方法 |
| 1.4.1 基于时域的脑电信号分析方法 |
| 1.4.2 基于频域的脑电信号分析方法 |
| 1.4.3 基于时频域的脑电信号分析方法 |
| 1.4.4 基于人工神经网络的脑电信号分析方法 |
| 1.5 本文的创新处 |
| 1.6 本文的研究内容 |
| 第二章 脑电信号 |
| 2.1 脑电信号的一些基本概念 |
| 2.1.1 脑电信号的产生机理 |
| 2.1.2 脑电信号的种类 |
| 2.1.3 脑电图的导联 |
| 2.2 脑卒中和脑电信号的关联 |
| 第三章 基本的数字信号处理方法和数据挖掘算法以及脑卒中诊断方法 |
| 3.1 基本的数字信号处理方法和数据挖掘算法 |
| 3.1.1 傅里叶变换和短时傅里叶变换的原理 |
| 3.1.2 层次聚类的原理 |
| 3.1.3 主元分析方法的原理 |
| 3.2 脑卒中诊断方法 |
| 3.2.1 基于STFT和频带能量的脑卒中诊断方法 |
| 3.2.2 基于层次聚类的脑卒中诊断方法 |
| 3.2.3 基于STFT和PCA的脑卒中诊断方法 |
| 第四章 基于脑电信号的脑卒中诊断方法的应用 |
| 4.1 基于STFT和频带能量的脑卒中诊断的应用 |
| 4.1.1 数据介绍 |
| 4.1.2 确定病灶位置 |
| 4.1.3 实现长程监测的实例 |
| 4.2 基于层次聚类的脑卒中诊断方法 |
| 4.2.1 数据介绍 |
| 4.2.2 基于信号时域的层次聚类分析 |
| 4.2.3 基于信号频域的层次聚类分析 |
| 4.2.4 基于信号时频域的层次聚类分析 |
| 4.2.5 小结 |
| 4.3 基于STFT和主元分析法的脑卒中诊断方法 |
| 4.3.1 数据介绍 |
| 4.3.2 是否做预处理对结果判断的影响 |
| 4.3.3 窗口长度对结果判断的影响 |
| 4.3.4 小结 |
| 第五章 结论和展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者和导师简介 |
| 硕士研究生学位论文答辩委员会决议书 |
（5）基于EEG的脑卒中评估方法研究及病灶定位（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景 |
| 1.1.1 脑卒中现状及医学知识 |
| 1.1.2 EEG在脑卒中的应用 |
| 1.2 脑卒中评估技术发展现状 |
| 1.2.1 医院传统评估技术 |
| 1.2.2 目前国内外研究中的脑卒中评估技术 |
| 1.3 脑卒中分析方法研究现状 |
| 1.3.1 针对缺血性脑卒中分析方法研究现状 |
| 1.3.2 针对缺血性脑卒中病灶定位方法研究现状 |
| 1.4 论文主要研究内容 |
| 第2章 缺血性脑卒中信号预处理 |
| 2.1 引言 |
| 2.2 实验数据描述 |
| 2.2.1 缺血性脑卒中患者实验数据描述 |
| 2.2.2 健康对照组实验数据描述 |
| 2.3 实验数据预处理 |
| 2.3.1 缺血性脑卒中信号的的噪声干扰 |
| 2.3.2 50Hz工频干扰去噪 |
| 2.4 运动伪影噪声滤除算法对比研究 |
| 2.4.1 基于经验模态分解的运动伪迹滤除算法 |
| 2.4.2 基于eeglab的 FastICA运动伪迹滤除算法 |
| 2.4.3 运动伪迹滤除算法的性能比较 |
| 2.5 空间滤波定位 |
| 2.6 本章小结 |
| 第3章 缺血性脑卒中分析方法及分析结果 |
| 3.1 引言 |
| 3.2 功率谱和频谱 |
| 3.3 近似熵方法 |
| 3.4 样本熵方法 |
| 3.5 实验结果 |
| 3.5.1 功率谱和频谱分析 |
| 3.5.2 近似熵分析 |
| 3.5.3 样本熵分析 |
| 3.6 本章小结 |
| 第4章 缺血性脑卒中病灶定位溯源 |
| 4.1 引言 |
| 4.2 前向模型 |
| 4.2.1 球形模型 |
| 4.2.2 边界元方法 |
| 4.3 构建大脑模型 |
| 4.4 大脑逆向溯源 |
| 4.5 溯源定位流程 |
| 4.6 病灶定位 |
| 4.7 缺血性脑卒中病灶定位结果 |
| 4.7.1 第一种定位结果 |
| 4.7.2 第二种定位结果 |
| 4.8 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（6）脑电图监测下CEA治疗重度颈动脉狭窄的安全性分析（论文提纲范文）
| 摘要 |
| abstract |
| 中英文缩略词 |
| 第1章 前言 |
| 第2章 资料与方法 |
| 2.1 研究内容 |
| 2.2.1 研究对象及来源 |
| 2.2.2 纳入标准 |
| 2.2.3 排除标准 |
| 2.2 研究方法 |
| 2.2.1 术前检查 |
| 2.2.2 术前准备 |
| 2.2.3 监测设备及方法 |
| 2.2.4 麻醉药物 |
| 2.2.5 手术方法 |
| 2.2.6 术后处理 |
| 2.3 资料收集与处理 |
| 2.3.1 一般资料 |
| 2.3.2 斑块分类 |
| 2.3.3 手术并发症 |
| 2.3.4 术后复查血管狭窄情况 |
| 2.3.5 mRS评分改变 |
| 2.3.6 术后颈动脉狭窄复发 |
| 2.4 统计学处理 |
| 第3章 脑电图及电生理监测结果分析 |
| 第4章 讨论 |
| 4.1 术中脑电图与电生理监测结果分析 |
| 4.2 术中脑电图监测对急性脑梗死的预防 |
| 4.3 其他并发症 |
| 4.4 有效性分析 |
| 第5章 结论 |
| 第6章 研究不足 |
| 6.1 研究的局限 |
| 6.2 展望 |
| References |
| 致谢 |
| 文献综述 脑电图在缺血性脑疾病中的研究进展 |
| 1 脑电图技术的发展历史综述 |
| 2 脑电图在缺血性脑部疾病诊断中的重要应用 |
| 2.1 缺血性脑部疾病在脑电图与定量脑电图技术中的表现和应用 |
| 2.2 脑电图技术在缺血性脑部疾病中的诊断价值 |
| 3 脑电图在脑梗死中的应用价值分析 |
| 4 结语 |
| 参考文献 |
| 知情同意书 |
（7）缺血性脑卒中的EEG与CT及MRI的对比分析（论文提纲范文）
| 1 对象和方法 |
| 1.1 对象: |
| 1.2 仪器及测试方法: |
| 1.2.1 EEG检查: |
| 1.2.2 CT和MRI检查: |
| 1.3 判断标准: |
| 1.4 统计学处理: |
| 2 结果 |
| 2.1 55例缺血性脑卒中的EEG与CT及MRI的对比分析: |
| 2.2 41例EEG阳性表现: |
| 2.3 |
| 3 讨论 |
（8）基于不同模态影像的急性缺血性脑卒中计算机辅助阿尔伯塔卒中项目早期计算机断层扫描评分研究进展（论文提纲范文）
| 引言 |
| 1 临床ASPECTS评分面临的挑战 |
| 2 计算机辅助方法在AIS评估中的应用 |
| 2.1 基于传统机器学习的方法 |
| 2.2 深度学习在ASPECTS评分中的应用 |
| 2.3 计算机辅助ASPECTS评分的可靠性 |
| 3 总结与展望 |
（9）基于脑电和脑血流信号的缺血性脑卒中分类研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 缺血性脑卒中研究背景 |
| 1.1.1 传统方法研究缺血性脑卒中 |
| 1.1.2 深度学习应用于脑卒中研究 |
| 1.1.3 目前研究存在的问题 |
| 1.2 本文研究工作 |
| 1.2.1 主要研究内容 |
| 1.2.2 研究意义和主要创新点 |
| 1.3 本文组织架构 |
| 2 缺血性脑卒中数据采集及预处理 |
| 2.1 卒中被试选择 |
| 2.2 数据采集 |
| 2.3 数据预处理 |
| 2.4 本章小结 |
| 3 基于相-幅耦合的卒中信号分析 |
| 3.1 相-幅耦合 |
| 3.2 PAC计算 |
| 3.3 卒中被试PAC结果 |
| 3.4 相关性分析 |
| 3.4.1 原始PAC相关性分析 |
| 3.4.2 PAC变异性分析 |
| 3.5 经典指标计算 |
| 3.5.1 DTABR与pacDTABR对比 |
| 3.5.2 BSI与pacBSI对比 |
| 3.6 结果分析讨论 |
| 3.7 本章小结 |
| 4 基于CNN-LSTM缺血性脑卒中分类 |
| 4.1 方法提出 |
| 4.2 网络构建 |
| 4.2.1 深度CNN模型架构 |
| 4.2.2 LSTM模型设计 |
| 4.2.3 CNN-LSTM模型提出 |
| 4.3 模型训练 |
| 4.3.1 输入处理 |
| 4.3.2 模型训练 |
| 4.4 实验结果 |
| 4.5 结果分析讨论 |
| 4.6 本章小结 |
| 5 基于CNN-LSTM事后解释卒中并可视化 |
| 5.1 事后解释 |
| 5.2 基于MRS标签可视化 |
| 5.2.1 频段可视化 |
| 5.2.2 包络可视化 |
| 5.2.3 PSD可视化 |
| 5.2.4 DTABR可视化 |
| 5.3 基于NIHSS标签可视化 |
| 5.3.1 频段可视化 |
| 5.3.2 时域包络可视化 |
| 5.3.3 PSD可视化 |
| 5.3.4 DTABR可视化 |
| 5.4 血流速率分析 |
| 5.5 责任动脉划分 |
| 5.6 结果分析讨论 |
| 5.7 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（10）基于rfMRI探究缺血性中风急性期虚实证候同源脑功能网络的特点（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第一部分 文献综述 |
| 综述一: 传统医学对缺血性中风的认识 |
| 1 中风病历史溯源 |
| 2 证候要素的提出 |
| 3 证候分布与演变 |
| 4 证候要素与现代研究 |
| 5 小结 |
| 参考文献 |
| 综述二: 脑梗死与影像学研究进展 |
| 1 脑卒中流行病学特点 |
| 2 静息态功能磁共振 |
| 3 脑网络相关研究 |
| 4 小结 |
| 参考文献 |
| 前言 |
| 第二部分 临床研究 |
| 一、研究对象 |
| 1 诊断标准 |
| 2 纳入标准 |
| 3 排除标准 |
| 4 剔除标准 |
| 二、试验分组 |
| 三、临床资料及研究方法 |
| 1 人口学资料 |
| 2 血管性危险因素 |
| 3 临床资料 |
| 4 影像学数据的获取及预处理 |
| 5 统计分析 |
| 四、研究结果 |
| 1 一般资料 |
| 2 量表资料 |
| 3 影像资料 |
| 五、讨论 |
| 1 一般资料分析 |
| 2 量表资料分析 |
| 3 影像数据处理 |
| 4 脑功能网络分析 |
| 结语 |
| 一、结论 |
| 二、不足与展望 |
| 参考文献 |
| 致谢 |
| 在学期间主要研究成果 |
四、缺血性脑卒中的EEG与CT及MRI的对比分析（论文参考文献）
- [1]面向CT影像的超早期缺血性脑卒中病灶检测算法研究[D]. 关云. 中北大学, 2021(09)
- [2]基于脑电及JTT测试探讨tDCS不同刺激模式对卒中后上肢功能的短时效应[D]. 宋佩清. 天津体育学院, 2021(12)
- [3]脑损伤患者的脑电特征分析与意识状态分类研究[D]. 王方. 太原理工大学, 2020(01)
- [4]基于模式识别方法提取脑电特征信息及其在脑卒中诊断中的应用[D]. 王宁. 北京化工大学, 2019(06)
- [5]基于EEG的脑卒中评估方法研究及病灶定位[D]. 程振仕. 燕山大学, 2019(03)
- [6]脑电图监测下CEA治疗重度颈动脉狭窄的安全性分析[D]. 周丹. 湖南中医药大学, 2019(02)
- [7]缺血性脑卒中的EEG与CT及MRI的对比分析[J]. 王建琴,罗本燕,吴永红. 心脑血管病防治, 2002(04)
- [8]基于不同模态影像的急性缺血性脑卒中计算机辅助阿尔伯塔卒中项目早期计算机断层扫描评分研究进展[J]. 刘乃嘉,胡颖,杨一风,李跃华,聂生东. 生物医学工程学杂志, 2021(04)
- [9]基于脑电和脑血流信号的缺血性脑卒中分类研究[D]. 张晨. 北京交通大学, 2021
- [10]基于rfMRI探究缺血性中风急性期虚实证候同源脑功能网络的特点[D]. 刘钰. 北京中医药大学, 2021(08)