脳内出血リハビリテーションのための新しい移転学習ベースのハイブリッドEEG-fNIRS脳コンピュータインターフェース

科学分野:

• 神経科学
• 生物医学工学
• リハビリテーション医学

背景:

• 運動画像 (MI) ニューロリハビリテーションは脳内出血 (ICH) の回復の可能性を示しています.
• ユニモダル脳コンピュータインターフェース (BCI) は,神経生理学的異質性により,主体間の一般化に苦労します.

研究 の 目的:

• ICHのMIベースの神経リハビリテーションの改善のためのマルチモダルのEEG-fNIRS融合フレームワークを開発し,検証する.
• 対象間のニューラル分布の分散を定量化するために最適なソースドメインを選択するためのワサータインメトリック駆動法を導入する.

主な方法:

• 電気脳図 (EEG) と機能的近赤外線光譜 (fNIRS) を融合したマルチモダルフレームワークです.
• 対象間のニューラル分布の偏差を定量化するためのワサースタインメトリック駆動のソースドメイン選択方法.
• 17人の正常な対照群と13人のICH患者で,トランスファー・ラーニングを用いて,脳卒中を比較した分析.

主要な成果:

• トランスファー・ラーニング・モデルは,最適に選択された通常のテンプレートでトレーニングされたとき,ICH患者データの平均分類精度74. 87%を達成しました.
• 公共のハイブリッドEEG-fNIRSデータセットのクロス検証により,一般化性が示され,ベースラインの精度が82. 30%と87. 24%に増加しました.

結論:

• 提案されたマルチモダルのシステムは,ICHのリハビリテーションのためのEEGの時間的な解像度とfNIRSの空間的特異性を相乗的に組み合わせています.
• これはICHリハビリテーションのための最初の臨床的に実行可能なマルチモデルの分析プロトコルであり,パーソナライズされたレジメンのための神経技術の翻訳を進めている.