@杂项{基准测试，作者={莫劳、托马斯和马西亚斯、马图林和格拉姆福特、亚历山大和阿尔宾、皮埃尔和查理、皮埃尔-安托琳·班尼尔·本杰明和达格鲁、马修和拉图尔、汤姆·杜布雷和杜里夫、吉斯兰和丹塔斯、凯西奥·F和克罗芬斯坦、昆廷和拉尔森、约翰和莱、恩和勒福特、坦古伊和马勒齐奥、贝诺伊特和穆法德、巴德尔和阮、宾·T。还有拉科托马蒙吉、阿兰和拉姆齐、扎卡里和萨尔蒙、约瑟夫和维特、塞缪尔}，copyright={知识共享署名4.0国际}，doi={10.48550/ARXIV.2206.13424}，关键词={机器学习（cs.LG）、优化与控制（math.OC）、机器学习（stat.ML），publisher={arXiv}，title={Benchopt：可复制、高效和协作优化基准}，url={https://arxiv.org/abs/2206.13424},年份={2022}}

@第{Sabbagh2022.05.05.22274610条，抽象={背景EEG是监测麻醉深度的常用工具，但很少被广泛用于生物医学研究。本研究旨在探索麻醉期间EEG的重新用途，以了解脑老化的生物标志物异丙酚和七氟醚麻醉。我们使用最近出版的参考方法，将来自稳定麻醉的空间光谱特征纳入基于EEG的年龄预测。当总功率的95%低于8Hz至13Hz的频率时，麻醉被认为是稳定的。结果我们考虑了使用异丙酚麻醉的中度风险患者（ASA≤2），以探索预测性脑电图特征。平均alpha频段功率（8-13Hz）是关于年龄的信息。然而，通过分析所有电极的整个功率谱（MAE=8.2y，R2=0.65），实现了最先进的预测性能。临床研究表明，脑年龄与术中爆发抑制（通常与年龄相关的术后认知问题相关）有系统联系。令人惊讶的是，在高危患者中，脑年龄与突发抑制呈负相关（ASA=3），这表明存在未知的混杂效应。二次分析表明，脑年龄EEG特征对异丙酚麻醉具有特异性，这反映在七氟醚的预测能力有限以及交叉药物推广能力差。结论全麻脑电图可以实现最先进的脑年龄预测。然而，麻醉药物之间的差异可能会影响从麻醉中重新调整脑电图用途的有效性。为了释放将脑电图监测重新用于临床和健康研究的潜在潜力，收集具有准确记录的药物剂量的更大数据集将是关键的促成因素。竞争性权益声明D。E.是F.Hoffmann-La Roche Ltd.临床试验NCT03876379资助声明的全职员工。这项工作得到了Inserm（法国国家卫生和医学研究院）和Inria（法国国家数字科学研究院）颁发的2018年“数字医学”论文奖助金的支持。它还得到了欧洲研究委员会启动拨款SLAB ERC-StG-676943作者声明的部分支持。我确认已遵守所有相关道德准则，并已获得任何必要的IRB和/或道德委员会批准。是。为所述研究提供批准或豁免的IRB/监督机构的详细信息如下：伦理咨询委员会（主席Jean Reignier，48岁，法国巴黎Claude Vellefaux大街）于2016年1月5日批准了这项工作，参考号为CE SRLF 11-356。SRLF是法国国家麻醉和危重病学会，由拉里布瓦西耶医院麻醉科咨询（法国巴黎）。我确认已获得所有必要的患者/参与者同意，并已存档适当的机构表格，并且所包含的任何患者/参与者/样本标识符均不为任何人所知（例如，医院工作人员、患者或参与者本身）在研究小组之外，因此不能用于识别个人。是的，我理解所有临床试验和任何其他前瞻性干预研究必须在ICMJE批准的注册中心注册，如ClinicalTrials.gov。我确认，手稿中报告的任何此类研究都已注册，并提供了试验注册ID（注：如果发布回顾性注册的前瞻性研究，请在试验ID字段中提供一份声明，解释为什么未提前注册该研究）。是的，我遵守了所有适当的研究报告指南，并上传了相关的EQUATOR网络研究报告清单和其他相关材料作为补充文件（如适用）。是。在向作者提出合理要求后，可获得本研究中产生的所有数据。}，作者={Sabbagh，David and Cartailler，J{'e}r{^o}me and Touchard，Cyril and Joachim，Jona and Mebazaa，Alexandre and Vall，Fabrice and Gayat，tienne and Gramfort，Alexander and Engemann，Denis A，doi={10.1101/2022.05.05.22274610}，elocation-id={2022.05.05.22274610}，eprint={https://www.medrxiv.org/content/erly/2022/05/07/2022.05.2274610.full.pdf}，日志={medRxiv}，publisher={冷泉港实验室出版社}，title={重新调整全身麻醉脑电图监测的用途，以建立脑老化的生物标志物：一项探索性研究}，url＝{https://www.medrxiv.org/content/eearly/2022/05/07/2022.05.05.22274610}，年份={2022}}

@杂项{janati-etal:2022，author={贾纳蒂、希查姆和库图里、马尔科和格兰福特、亚历山大}，copyright={知识共享署名4.0国际}，doi={10.48550/ARXIV.2203.05813}，keywords={机器学习（stat.ML），机器学习（cs.LG），FOS：计算机和信息科学，publisher={arXiv}，title={使用最佳传输和软对准平均时空信号}，url={https://arxiv.org/abs/203.05813},年份={2022}}

@进行中{切哈比金属：22，作者={切哈布、奥马尔和格兰福特、亚历山大和海瓦里宁、阿波}，booktitle＝{第38届人工智能不确定性大会}，copyright={arXiv.org永久、非决定性许可}，title={噪音学习中的最佳噪音-对比学习不是你想的那样}，url={https://openreview.net/forum？id=SEef8wIj5lc},年份={2022}}

@第{条班维尔等人：2022年，abstract={使用实验室外记录的EEG构建机器学习模型需要对噪声数据和随机丢失的信道具有鲁棒性的方法。当使用稀疏的EEG蒙太奇（1–6信道）时，这一需求特别大通常在消费级或移动脑电图设备中遇到。经典的机器学习模型和基于EEG端到端训练的深层神经网络都没有针对腐败，尤其是随机缺失信道的鲁棒性进行设计或测试。虽然一些研究提出了使用缺少通道的数据的策略，但当使用稀疏蒙太奇并且计算能力有限（例如，可穿戴设备、手机）时，这些方法并不实用。为了解决这个问题，我们提出了动态空间滤波（DSF），这是一种多头注意力模块，可以在神经网络的第一层之前插入，通过学习关注好的通道和忽略坏的通道来处理缺失的脑电图通道。我们对公共EEG数据进行了DSF测试，这些数据包括约4000条带有模拟信道损坏的记录，以及约100条带有自然损坏的移动EEG的私人数据集。我们提出的方法在没有应用噪声的情况下实现了与基线模型相同的性能，但在存在严重信道损坏的情况下，其精度比基线高出29.4%。此外，DSF输出是可解释的，因此可以实时监控有效信道的重要性。这种方法有可能在具有挑战性的环境中分析脑电图，在这些环境中，信道损坏会阻碍大脑信号的读取。}，author={Banville、Hubert和Wood、Sean联合国和Aimone、Chris和Engemann、Denis-Alexander和Gramfort、Alexandre}，doi={https://doi.org/10.1016/j.neuroimage.2022.118994},issn={1053-8119}，日志={神经影像}，keywords={脑电图、移动脑电图、深度学习、机器学习、噪声鲁棒性}，页码={118994}，title={利用动态空间滤波从损坏的{EEG}进行鲁棒学习}，url={https://www.sciencedirect.com/science/article/pii/S1053811922001239}，体积＝{251}，年份={2022}}

@文章{Rockhill2022，作者＝{Rockhill、Alexander P.和Larson、Eric和Stedelin、Brittany和Mantovani、Alessandra和Raslan、Ahmed M.和Gramfort、Alexandre和Swann、Nicole C.}，doi={10.21105/joss.03897}，journal={开源软件杂志}，数字={70}，页数={3897}，publisher={The Open Journal}，title={MNE-Python}中颅内电极的定位和分析，url={https://doi.org/10.21105/joss.03897},体积={7}，年份={2022}}

@文章{engemann等人：2021，抽象={群体级建模可以通过将机器学习应用于大量脑图像来定义个体衰老的定量测量。这些从普通人群中获得的脑年龄测量有助于表征神经人群的疾病严重程度，改善诊断或预后的估计。磁脑造影（MEG）和脑电图（EEG）有可能通过在社会经济多样性环境中进行大规模的大脑健康评估，进一步将这种方法推广到预防和公共卫生领域。然而，需要进行更多的研究，以确定能够处理不同现实环境中M/EEG信号的复杂性和多样性的方法。为了促进这一努力，我们在这里提出了用于大脑年龄建模的竞争机器学习方法的可重用基准。我们对来自不同国家和文化背景的4个国际M/EEG队列中以前用于病理解码或脑年龄估计的流行经典机器学习管道和深度学习架构进行了基准测试，包括2500多名参与者的记录。我们的基准建立在BIDS标准的M/EEG改编之上，提供了可以应用于BIDS格式提供的任何M/EEG数据集的工具，只需对其进行最小的修改。我们的结果表明，无论是使用经典机器学习还是深度学习，涉及M/EEG信号空间感知表示的管道和体系结构的性能最高，导致R^2得分在0.60-0.71之间。手工制作的特性与随机森林回归相结合，即使在其他方法失败的情况下也能提供可靠的基准。综上所述，这套基准，连同开源软件和高级Python脚本，可以作为未来开发基于M/EEG的大脑老化测量方法的起点和定量参考。该方法的通用性使得该基准可用于其他相关目标，如建模特定认知变量或临床终点。亮点-我们从M/EEG信号中为脑年龄提供了系统的可重复使用基准-这些基准是在四个国家的M/EEG上进行的2500次记录-我们比较了能够处理生物医学结果与M/EEG动力学相关的非线性回归任务的机器学习管道，基于经典机器学习和深度学习-除了数据驱动方法之外，我们还将基于模板的源定位作为一种实用工具进行了基准测试，以生成受电磁场传播影响较小的特征-基准测试建立在MNE生态系统和脑解码包的基础上，可以应用于任何M/EEG数据集以BIDS格式呈现竞争利益声明D。E.是F.Hoffmann-La Roche Ltd.的全职员工。H.B.获得InteraXon Inc.的研究生资助，author={Engemann、Denis A.和Mellot、Apoline和H{“o}chenberger、Richard和Banville、Hubert和Sabbagh、David和Gemein、Lukas和Ball、Tonio和Gramfort、Alexandre、，doi={10.1101/2021.12.14.472691}，elocation-id={2021.12.14.472691}，eprint={https://www.biorxiv.org/content/early/2021/12/16/2021.12.472691.full.pdf},日志={bioRxiv}，publisher={冷泉港实验室}，title={根据M/EEG静止状态信号进行脑年龄预测的可重用基准}，url={https://www.biorxiv.org/content/early/202/12/16/2021.12.14.472691},年份={2021}}