运动障碍患者的脑网络激活

数据集获取

源站：https://clinicaltrials.gov/study/NCT03269201

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

疾病：帕金森病、特发性震颤、肌张力障碍、正常压力脑积水、小脑性共济失调、多系统萎缩、进行性核上性麻痹、皮质基底节变性。目的：本项目的主要目标是评估BNA作为一种定量、客观的神经生理学标志物，用于诊断和监测人类上述最常见MDi的效用。次要目标是寻找上述MDi的预测性生物类型（电生理指纹），并在这些疾病中识别极有可能发展为以下情况的患者：1）精神并发症，如帕金森病中多巴胺能药物诱发的冲动控制障碍（ICD）；2）抑郁；3）步态和平衡障碍；或4）认知功能恶化，包括帕金森病轻度认知障碍（PD-MCI）或帕金森病痴呆（PDD）。技术：BNA技术基于多通道脑电图事件相关电位（ERP）的无创记录，以及对这类记录的综合多维分析，旨在理解和可视化脑功能的网络复杂性（或脑网络激活模式）。

BNA将认知事件相关电位（ERPs）——一种直接测量与认知功能相关的神经活动的方法——推向了新的前沿，这是单独使用EEG、QEEG或ERP，或任何其他解剖和功能性脑成像与评估工具所无法比拟的。BNA算法采用创新的信号处理、模式识别和机器学习技术组合，在患者执行认知任务时寻找并绘制激活的神经通路。由此产生的BNA网络模式可以帮助临床医生分析功能变化和/或功能障碍。BNA于2014年获得FDA许可和CE标志认证，目前在美国已实现商业化应用，拥有20多个活跃的临床和研究站点，专注于众多神经和神经心理疾病。目前已收集了超过30,000组健康受试者功能性脑网络的数据集，可作为对照的常模数据。

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。