肌张力障碍中皮质内抑制机制的任务依赖性操作

该数据集来自 clinicaltrials.gov,主题为原发性肌张力障碍中皮质内抑制机制的任务依赖性操作。源站描述指出,皮质兴奋性依赖抑制机制效率,其中长潜伏期皮质内抑制(LICI)可通过配对脉冲经颅磁刺激(TMS)研究

University Hospital, LilleUniversity Hospital, Lille
clinicaltrials
浏览 11
其他Dystonia, Primary
Task-dependent Operation of a Mechanism Intracortical Inhibition in Dystonia

基本信息

模态
其他
创建/更新时间
2026-10-17

资源简介

肌张力障碍中皮质内抑制机制的任务依赖性操作

该数据集来自 clinicaltrials.gov,主题为原发性肌张力障碍中皮质内抑制机制的任务依赖性操作。源站描述指出,皮质兴奋性依赖抑制机制效率,其中长潜伏期皮质内抑制(LICI)可通过配对脉冲经颅磁刺激(TMS)研究。近期证据提示 LICI 可能是运动指令适应持续运动任务的机制之一,其强度取决于任务复杂度。在书写痉挛和音乐家痉挛两种肌张力障碍中,某些复杂手势的皮质兴奋性调节异常。假设书写痉挛中这种任务依赖性兴奋性扰动可能源于 LICI 效率不足。数据可用于研究肌张力障碍的神经生理机制(来源 clinicaltrials.gov)。

【数据内容】

源站描述(机器翻译,仅供参考):条件:原发性肌张力障碍。皮质兴奋性取决于抑制机制的效率,其中长潜伏期皮质内抑制(LICI)可通过配对脉冲经颅磁刺激(TMS)进行研究。一些近期证据表明,LICI 可能是运动指令适应持续运动任务的机制之一,LICI 强度取决于任务复杂度。在书写痉挛和音乐家痉挛这两种肌张力障碍形式中,某些复杂手势的皮质兴奋性未得到正确调节。假设书写痉挛中这种任务依赖性的兴奋性扰动可能是由于 LICI 效率不足。

【主题与分类】

主题标签:Dystonia, Primary。本站分类:神经系统疾病/肌张力障碍。

【获取与许可】

源站页面:https://clinicaltrials.gov/study/NCT03381456

官方服务

专家保障全链路合规授权与标注交付

陕川双基地 × 超十家三甲医院直连

从合规授权、采集治理、专业标注到数据集交付,我们提供全链路闭环服务,让高质量临床数据即拿即用。

⚡️ 需要原始数据或标注支持?联系我们获取定制方案。

帮我联系

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/NCT03381456

标准获取流程:

  1. 访问源站链接,注册/登录账号;
  2. 进入数据集详情页,按页面指引申请权限或直接下载;
  3. 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。

数据说明

条件:原发性肌张力障碍。皮质兴奋性取决于抑制机制的效率,其中长潜伏期皮质内抑制(LICI)可通过配对脉冲经颅磁刺激(TMS)进行研究。近期一些证据表明,LICI可能是运动指令适应正在进行运动任务的机制之一,且LICI强度取决于任务复杂度。在书写痉挛和音乐家痉挛这两种肌张力障碍中,皮质兴奋性在某些复杂动作中未能正确调节。假设书写痉挛中这种任务依赖性兴奋性扰动可能是由于LICI效率不足所致。

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。

获取专属数据定制方案