- 综合排序
- 最热优先
- 最新优先
- 来自专栏转载gongluck的CSDN博客
媒体控制接口（MCI）的学习与使用
使用MCI（媒体控制接口）播放音频文件，MCI为程序员提供了两种方式访问MCI设备或文件：一种是基于消息的命令接口函数；另一种是使用字符串接口函数。 A.基于消息的MCI 消息命令控制接口使用消息控制MCI设备，将消息和控制信息以数据结构的形式作为函数参数发送，并接收返回的数据，MCI直接把设备消息和控制消息发送到设备。 一条基于MCI的命令包含以下3个部分。 数据结构：该结构包含可传递给MCI驱动程序的信息和从驱动程序返回的值，指定要执行的MCI命令一个常量，如MCI_OPEN、MCI_CLOSE... MCI_OPEN_PARMS MCI_OPEN命令消息参数的数据结构 MCI_PLAY_PARMS MCI_PLAY命令消息参数的数据结构 MCI_RECORD_PARMS 然后通过mciSendCommand函数向指定设备以MCI_TO为标志发送MCI_SEEK命令，如果只需要跳转到文件的开始或结束位置，可以直接使用MCI_SEEK_TO_START和MCI_SEEK_TO_END
3.2K50发布于 2018-03-08 - 来自专栏思影科技
AD与MCI患者白质纤维束的减少（基于FBA分析）
方法 实验共募集了三类被试：AD患者（49人）、MCI被试（33人）、健康被试（95人）。AD患者使用NINDS-ADRDA诊断准则确定，MCI被试依照国际通用准则归类，健康被试通过社区广告招募。 图6.感兴趣纤维束分析中，MCI被试组、AD患者组显著的纤维束对比。 FDC值与淀粉样蛋白的关系：作者进行了以下对比：AD患者组、MCI被试组（Amyloid Positive）、MCI被试组（Amyloid Negative）、健康组（Amyloid Positive） 早期AD患者的后扣带皮层易受影响，在感兴趣纤维束分析中，MCI被试组的左后扣带束出现选择性降低。 令人疑惑的是，这种降低是由MCI被试组（amyloid negative）驱动的，而在MCI被试组（amyloid positive）中没有发现显著降低，这与我们之前对AD病理学的理解是相悖的。
1.7K60发布于 2018-04-08 - 来自专栏LINUX阅码场
RAS（二）Intel MCA初探
_MCi_ADDR, and IA32_MCi_MISC MSRs。 IA32_MCi_CTL MSRs IA32_MCi_CTL控制每个bank发生硬件错误时产生的#MC信号。 =1，MCI_UC_AR=1确定发生AO类型故障； IA32_MCi_ADDR MSRs 当IA32_MCi_STATUS的ADDRV位设置后，IA32_MCi_ADDR MSR表示硬件故障的code IA32_MCi_MISC MSRs 如果IA32_MCi_STATUS寄存器的MISCV标志位Set时，IA32_MCi_MISC MSR包含了附加的machine-check error信息。 IA32_MCi_CTL2 MSRs IA32_MCi_CTL2 MSR描述了进程使用CE的通知能力。
2.1K50编辑于 2023-08-21 - 来自专栏全栈程序员必看
Win32 API 常量定义(四)
Const MCI_SPIN = &H80C Public Const MCI_SET = &H80D Public Const MCI_STEP = &H80E Public Const MCI_RECORD Const MCI_LOAD = &H850 Public Const MCI_CUT = &H851 Public Const MCI_COPY = &H852 Public Const MCI_PASTE Const MCI_MODE_NOT_READY = (MCI_STRING_OFFSET + 12) Public Const MCI_MODE_STOP = (MCI_STRING_OFFSET MCI_SAVE_FILE = &H100& Public Const MCI_LOAD_FILE = &H100& Public Const MCI_VD_MODE_PARK = (MCI_VD_OFFSET + 1) Public Const MCI_VD_MEDIA_CLV = (MCI_VD_OFFSET + 2) Public Const MCI_VD_MEDIA_CAV = (MCI_VD_OFFSET
58220编辑于 2022-07-25 - 来自专栏脑电信号科研科普
阿尔茨海默症神经活动的动态行为特征： 探讨静息态EEG的非平稳性和递归结构
由于许多MCI患者在后期发展为AD，有人建议将MCI和AD解释为一个连续体。以往研究中用以表征EEG静息状态特性的许多度量都是从傅立叶分析推导出来的，这需要假设数据的平稳性。 MCI-AD连续体的概念。 这一事实可能表明θ波段非平稳性的降低可能部分是MCI和AD中低频总功率增加的结果。这与其他研究一致，这些研究发现MCI患者的主功率频移略低于AD患者。 本研究结果可能表明，它也参与了休息时的状态维持，而这在MCI和AD中似乎受到了损害。 使用KLD只在对照组和MCI患者之间发现δ和γ波段的差异。 尽管如此，进行一项纵向研究以更深入地了解MCI的神经变化将是很有意义的。这可能有助于得出关于MCI和AD是一个连续体还是不同实体的结论。
56600发布于 2021-01-27 - 来自专栏思影科技
低频脑电连通性的改变可作为轻度认知障碍临床进展的指标
轻度认知障碍（MCI）与阿尔兹海默症（AD）的临床发展有关，但不是所有的MCI患者都会转变成AD。 MCI患者满足Winblad consensus诊断标准，AD患者满足NIA-AA诊断标准。 ? 图1 研究流程 研究设计： 招募在六个月内被诊断出MCI或轻度AD的患者。 AD、MCI与健康老年组的Coherence 和iCoh比较 Coherence与总体Coherence如图1和5A，θ波段中的显著性差异主要表现在MCI与HC和AD的比较中。 在θ波段，AD和MCI患者后部电极的Coherence都会增加，包括顶叶、颞叶(T5和T6)和枕叶电极。在α波段，AD和MCI患者额叶电极间的iCoh都有所增加。 在总iCoh中，AD、MCI和HC之间无显着性差异。 ? Fig.2. AD、MCI与HC三组之间在所有频段的iCoh对比。红色表示Coherence的增加，蓝色表示下降。
93210发布于 2019-07-01 - 来自专栏脑机接口
重磅！《阿尔茨海默病源性轻度认知障碍诊疗的中国专家共识2021》发布
1 AD源性MCI的流行病学 推荐意见 1）中国MCI发病率与世界其他国家相似，建议开展更大规模、全国性、统一规范的AD源性MCI的流行病学调查以及提供流行病学调查后的AD源性MCI的诊断标准以供使用 3 AD源性MCI主要临床表现 推荐意见 1）对所有MCI患者进行工具性日常能力或社会功能检查（I级推荐，A级证据）。 2）重视MCI患者认知领域损害特征和向AD转化的特征（专家共识）。 3）应重视对疑似MCI及MCI患者NPS表现的评估，指导诊断和治疗以改善患者生活质量（I级推荐，A级证据）。 头颅MRI影像特征的MCI患者，可以从临床工作层面诊断“AD源性MCI”（专家共识）。 5）对AD源性MCI患者需要关注情绪障碍（焦虑、抑郁状态等）并及时处理，在降低MCI向AD转化风险方面可能获益。多奈哌齐可延缓伴有抑郁的AD源性MCI向AD的进展（Ⅱa 级推荐，B 级证据）。
67750编辑于 2022-09-22 - 来自专栏CV学习史
AD预测论文研读系列2
大量MCI受试者的实验结果表明，深度学习模型可以从纵向数据中学习信息性测量，以描述MCI受试者发展为AD痴呆的过程，并且预测模型可以以高精度在早期预测AD进展。 特别是采用了Cox回归模型来评估MCI患者发展为AD痴呆的风险。 以ADNI-1的MCI受试者数据为基础，建立Cox回归模型，并以ADNI-GO&2的MCI受试者数据为基础，评价其预后 结果 实验设置 采用了两个LSTM层，每个LSTM层中的隐藏节点数设置为5（LSTM 评价结果表明，该模型在1年的随访期内，对预测MCI受试者发展为AD具有良好的效果 注： sMCI: stable MCI who remained as MCI at the last visit pMCI: progressive MCI who converted to AD before the last visit AD预测论文研读系列1
82510发布于 2019-09-10 - 来自专栏CV学习史
AD预测论文研读系列1
用网格法对阿尔茨海默病（AD）患者PET进行预处理，图中展示了三个示例患者：A，76岁的AD男性；B，83岁的MCI女性；C，80岁的非AD/MCI男性。 在本例中，与非AD/MCI患者相比，AD患者呈现的灰质稍少。MCI患者与非AD/MCI患者的肉眼差异很小 模型训练 经过预处理后，图像的矩阵大小为512 * 512。 该模型输出图像属于AD、MCI和非AD/MCI类的概率，选择概率最高的类作为分类结果。 上述AUC表明，深度学习网络有合理的能力区分在成像时最终发展为AD的患者和那些留下进行MCI或非AD/MCI的患者，但在区分MCI患者和其他患者方面较弱。 当非AD/MCI组几乎为纯组时，MCI组与非AD/MCI组和AD组混合，AD组与其他两类混合。
65310发布于 2019-09-10 Alzheimers Research & Therapy|将周期成分中的β与θ功率比作为MCI和AD的潜在生物标志物
与AD相比，轻度认知障碍（MCI）的EEG研究在识别这类异常方面的一致性较低。一个潜在原因是未排除与认知关联性较小的EEG非周期性成分。 本研究探讨非周期性和周期性EEG成分在AD或MCI与健康对照（HC）个体中的不同变化，以及基于周期的β/θ比率是否能更好地将MCI与AD和HC组区分开来。 图1全脑平均相对功率谱密度曲线MCI组与HC组相比，在枕叶区域的β/θ功率比上存在显著差异，MCI组该比率低于HC组，表明枕叶区域的β/θ功率比可能是一个有效的生物标志物，有助于区分轻度认知障碍和健康状态 MCI组与HC组相比，在枕叶区域的β/θ功率比上存在显著差异，MCI组该比率低于HC组，表明枕叶区域的β/θ功率比可能是一个有效的生物标志物，有助于区分轻度认知障碍和健康状态。 结论 与全频谱EEG分析相比，基于周期的分析显示MCI个体在β/θ比率上与健康个体不同。
12700编辑于 2025-06-26- 来自专栏脑电信号科研科普
阿尔茨海默症脑电信号动态行为特征： 探讨静息态EEG的非平稳性和递归结构
由于许多MCI患者在后期发展为AD，有人建议将MCI和AD解释为一个连续体。以往研究中用以表征EEG静息状态特性的许多度量都是从傅立叶分析推导出来的，这需要假设数据的平稳性。 MCI-AD连续体的概念。 这一事实可能表明θ波段非平稳性的降低可能部分是MCI和AD中低频总功率增加的结果。这与其他研究一致，这些研究发现MCI患者的主功率频移略低于AD患者。 本研究结果可能表明，它也参与了休息时的状态维持，而这在MCI和AD中似乎受到了损害。 使用KLD只在对照组和MCI患者之间发现δ和γ波段的差异。 尽管如此，进行一项纵向研究以更深入地了解MCI的神经变化将是很有意义的。这可能有助于得出关于MCI和AD是一个连续体还是不同实体的结论。
1.1K00发布于 2020-11-20 - 来自专栏ACM小冰成长之路
POJ-3866-Exclusive Access 2
algorithm> #include <map> using namespace std; const int MAXN = 20; const int MAXM = 111; map<char, int> mci mci.count(s1[0])) { mic[n] = s1[0]; mci[s1[0]] = n++; } mci.count(s2[0])) { mic[n] = s2[0]; mci[s2[0]] = n++; } u = mci[s1[0]]; v = mci[s2[0]]; q1[i] = u; q2[i] = v; g[u][v] = g[v][
62680发布于 2018-01-09 - 来自专栏数栈技术分享
数栈SQL优化案例：OR条件优化
待优化场景 select .... .... from t1 as mci left join t1 as ccv2_1 on ccv2_1.unique_no = mci=category_no1 left where mci.is_enable =0 and mci.comodifty_type in ('1', '5', '6') and (pc.count =0 or pc.count isnull select .... .... from t1 as mci left join t1 as ccv2_1 on ccv2_1.unique_no = mci=category_no1 left join t1 as ccv2_2 on ccv2_2.unique_no = mci=category_no2 left join t1 as ccv2_3 on ccv2_3.unique_no = mci where mci.is_enable =0 and mci.comodifty_type in ('1', '5', '6') and case when pc.count is null then
97910发布于 2021-05-14 - 来自专栏CV学习史
study design of ADNI
ADNI数据已经帮助鉴定或确认了目前已经鉴定的大约20个基因中的10个 脑血管疾病可加速AD的进展 认知正常组和MCI组在病理上都是异质性的。 ADNI参与者跨越四个阶段： 1/GO/2/3 CN 正常老化/认知正常 -- 对照受试者 SMC 重要记忆关注 -- 解决健康老年人对照组与MCI之间的差距 SMC参与者的认知能力得分在正常范围内 MCI 轻度认知障碍 EMCI 早期认知障碍 ADNI GO/2 MCI 轻度认知障碍 ADNI1/3 LMCI 晚期认知障碍 ADNI GO/2 生物标志物 生物标志物是生物状态的物质、 ADNI使用各种生物标志物来帮助预测阿尔茨海默病的发病 研究目标 ADNI1: 开发改进的方法，为获取老年痴呆症(AD)、轻度认知障碍(MCI)和老年人对照患者的纵向、多位点MRI和PET数据制定统一标准 以验证影像学替代物 在涉及这些患者的试验中，开发出能够最大限度地确定治疗效果的方法 测试基于临床和生物标记数据的一系列假设 ANDI GO: 通过招募200名AD症状最轻微的患者(EMCI)来定义和描述MCI
81010发布于 2019-09-10 - 来自专栏LINUX阅码场
RAS（三）Intel MCA-CMCI
软件通过IA32_MCi_CTL2 MSR来控制对应Bank使能/关闭CMCI功能。 通过IA32_MCi_CTL2 Bit 14:0设置阈值，如果设置非0，则使用配置的阈值；如果CMCI不支持，则全0； CMCI机制如下图 硬件通过比较IA32_MCi_CTL2 Bit 14:0和 IA32_MCi_STATUS Bit 52:38，如果数值相等，那么overflow event发送到APIC的CMCI LVT entry。 _CMCI_THRESHOLD_MASK不为0，跳过else if判断，采用bios配置值；如果bios未配置值，val & MCI_CTL2_CMCI_THRESHOLD_MASK为0，那么驱动初始化 (m.status & MCI_STATUS_PCC) && !
1.1K50编辑于 2023-08-21 - 来自专栏全栈程序员必看
设备驱动外传 – 虚拟总线和platform device「建议收藏」
{ … … saar_init_mmc(); … … } static void __init saar_init_mmc(void) { … … pxa_set_mci_info (&saar_mci_platform_data); //saar_mci_platform_data完成该设备特有数据的赋值 … … } static struct pxamci_platform_data saar_mci_platform_data = { .detect_delay = 50, .ocr_mask = MMC_VDD_32_33|MMC_VDD_33_34, .init = saar_mci_init, //回调函数，设置sd卡控制器的探测中断pin脚 gpio_cd .exit = saar_mci_exit, }; void __init pxa_set_mci_info pxa_device_mci = { //完成结构体platform_device的赋值 .name = “pxa2xx-mci”, //芯片的设备名称，驱动通过匹配该名字找到设备
76230编辑于 2022-09-15 npj | digital medicine：可解释性人工智能构建AD患者结构性脑畸变的个性化特征
图3 痴呆方法在预测轻度认知障碍队列中的进展和表征个体水平偏差方面的效用2.2 可解释性流程的输出对MCI患者具有预后价值针对全部1256名此前模型未曾接触过的轻度认知障碍（MCI）患者，其涵盖的时间点总数达到 值得注意的是，另有118名患者因在初始时间点即被诊断为非MCI状态，或呈现出更为复杂的诊断变化轨迹（如MCI→AD→CN等），而被谨慎地排除在后续的深入分析之外。 这一严格筛选过程不仅确保了所有参与者在至少一个时间点获得了MCI诊断，还允许我们捕捉到从正常认知状态过渡到MCI、从MCI发展为阿尔茨海默病（pMCI）等多种复杂的诊断轨迹。 4.3 MCI 队列的探索性分析在深入探索轻度认知障碍（MCI）的进程中，我们利用LRP痴呆模型为来自阿尔茨海默病神经影像计划（ADNI）的参与者（在入组时即被诊断为MCI）生成了预测结果及其相关性图谱 随后，基于这一数据架构，我们致力于区分三个关键群体：稳定型MCI（sMCI）、进展型MCI（pMCI）以及那些在数据收集期间认知能力出现改善的患者。
50310编辑于 2024-11-12- 来自专栏全栈程序员必看
程序发生崩溃dump文件_failed to create dump file
GetCurrentThreadId(); mdei.ExceptionPointers = pep; mdei.ClientPointers = NULL; MINIDUMP_CALLBACK_INFORMATION mci ; mci.CallbackRoutine = (MINIDUMP_CALLBACK_ROUTINE)MiniDumpCallback; mci.CallbackParam = 0; //dump信息较多 &mdei : 0, 0, &mci); //MiniDumpWriteDump(GetCurrentProcess(), GetCurrentProcessId(), hFile, MiniDumpNormal &mdei : 0, NULL, &mci); //普通dump,小 CloseHandle(hFile); } } std::ostream& operator<<(std::ostream& os
1.8K20编辑于 2022-10-01 - 来自专栏脑电信号科研科普
Nature子刊：一个从大脑结构中识别阿尔茨海默病维度表征的深度学习框架
MCI到痴呆症进展的差异大于CN到MCI 进展的差异，后者在各组之间发生的频率较低。然而，仅对于基线时P2和P3的参与者，pTau和Abeta状态显着增加了从MCI转变为痴呆症的风险。 此外，与包括APOE基因型、ADAS-cog评分、Abeta和pTau测量在内的其他生物标志物相比，模式概率在预测CN到MCI和MCI到痴呆进展方面表现出相当或显着优越的性能（图 5d，MCI-痴呆预测中的模式与 和MCI到痴呆症）中的性能。 用于预测MCI到痴呆症的进展。 这些模式也对进展的速度和方向有影响，早期模式特征预测未来的神经变性模式，模式特征预测从CN到MCI和MCI到痴呆的临床进展。
1.1K50编辑于 2022-09-30 Brain：阿尔茨海默病无创脑刺激的新兴领域
3.2.3 经颅交流电刺激tACS 作为治疗 MCI 患者的有前途的方法正在兴起，随机对照研究报告了 tACS 在 MCI 患者中的积极结果。 3.2.4 感觉刺激在 MCI 中使用感觉刺激的证据仍然初步。 3.2.5 光生物调节PBM 最近已被测试作为 MCI 患者的潜在治疗方法。 3.2.6 经颅聚焦超声tFUS 在 MCI 中的应用尚未得到深入研究。 另一方面，MCI 和 SCD 患者的文献仍然缺乏这一级别的证据。
51910编辑于 2025-03-06
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号