认知-运动联合训练及其在脑血管疾病伴认知与运动障碍中的关系
该数据集来自 clinicaltrials.gov,聚焦认知-运动联合训练(MCIT)在卒中后认知障碍(PSCI)或 Moyamoya 病(MMD)人群中的应用,并考察认知与运动障碍同脑激活模式之间的关系

基本信息
资源简介
认知-运动联合训练及其在脑血管疾病伴认知与运动障碍中的关系
该数据集来自 clinicaltrials.gov,聚焦认知-运动联合训练(MCIT)在卒中后认知障碍(PSCI)或 Moyamoya 病(MMD)人群中的应用,并考察认知与运动障碍同脑激活模式之间的关系。研究分为三部分,第一部分为横断面研究,旨在刻画 PSCI 或 MMD 患者的认知与运动表现及其与脑激活模式的关联,并与年龄匹配的健康对照比较。每组拟筛选并招募 30 名参与者,共 90 人,采集基础数据后所有参与者接受认知与运动功能测试(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):条件:Moyamoya 病、健康、卒中。以下三部分提案将探索在卒中后认知障碍(PSCI)或 Moyamoya 病(MMD)个体中应用运动-认知联合训练(MCIT)的影响,并考察这些人群中认知与运动障碍同脑激活模式之间的关系。第一部分是一项横断面研究,旨在刻画卒中后认知障碍(PSCI)或 Moyamoya 病(MMD)个体的认知与运动表现及其与脑激活模式的关系,并与年龄匹配的健康对照进行比较。每组将筛选并招募三十名参与者(共 90 名参与者)。在收集基础数据后,所有参与者将接受认知与运动功能测试。认知功能测试包括整体认知测试
【主题与分类】
主题标签:Moyamoya Disease、Healthy、Stroke。本站分类:循环系统疾病。
【获取与许可】
源站页面:https://clinicaltrials.gov/study/NCT07144930
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载,适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档,适合快速预览和评估数据集质量。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务(收技术服务费,非数据销售)
暂未开放当前数据集主要来源为 Kaggle 公开托管,完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取
源站:https://clinicaltrials.gov/study/NCT07144930
标准获取流程:
- 访问源站链接,注册/登录账号;
- 进入数据集详情页,按页面指引申请权限或直接下载;
- 部分平台提供 SDK,例如:
- OpenDataLab:
pip install openxlab后openxlab.dataset.get(...) - ModelScope:
pip install modelscope后modelscope download - 天池: 登录后页面提供直链下载
以源站「数据下载/使用文档」页面为准。
- OpenDataLab:
数据说明
疾病状态:烟雾病、健康、卒中。以下三部分研究方案将探讨在卒中后认知障碍(PSCI)或烟雾病(MMD)个体中应用运动-认知结合训练(MCIT)的影响,并考察这些人群中认知和运动障碍与脑激活模式之间的关系。第一部分是一项横断面研究,旨在描述卒中后认知障碍(PSCI)或烟雾病(MMD)个体的认知和运动表现及其与脑激活模式的关系,并与年龄匹配的健康对照者进行比较。每组将筛选并招募30名符合资格的参与者(共90名参与者)。在收集基础数据后,所有参与者将接受认知和运动功能测试。认知功能测试包括整体认知和执行功能测试。运动功能测试包括感觉运动功能、单任务和双任务站立、肌力以及步行能力测试。
功能性近红外光谱(fNIRS)将用于评估认知测试以及单任务和双任务站立期间的大脑激活情况。所有测试的结果将用于确定运动、认知及其他功能表现,并将用于第II部分和第III部分训练方案的设计。第II部分和第III部分是单盲随机对照试验,将探讨运动-认知整合训练(MCIT)对卒中后认知障碍(PSCI)或烟雾病(MMD)患者运动功能和认知功能的短期和长期影响。将招募60名PSCI患者(第II部分)和60名MMD患者(第III部分)。在筛选合格并收集人口学数据后,参与者将接受预测试评估。除第I部分中使用的运动和认知测试外,还将为每位参与者收集卒中部位和发病时间。脑激活
数据加载示例(图像类)
from PIL import Image
import glob, os
files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)
# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path) # 要求 子目录=类别
目录组织与标注格式以源站说明和下载后实际文件为准。
数据缺失?
依托陕西、四川两大基地,我们与超过十家三甲医院建立直接合作关系,覆盖合规授权、采集治理、专业标注、数据交付的全流程,为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务?立即联系我们获取专业方案。




