バイモダルのEEG-fNIRSとディープラーニングにより,強度依存のコルチカルオーディトリーを分類することで,反応が誘発される.
IEEE journal of biomedical and health informatics
|February 19, 2026
まとめ
電気脳図 (EEG) と機能的近赤外線光譜 (fNIRS) の組み合わせにより,音の強度に対する脳の反応の分類が改善されます. マルチモダルニューラルデータは,聴覚と神経学的評価の精度を高めます.
科学分野:
- 神経科学は神経科学である.
- バイオメディカルエンジニアリング
- オーディオロジー オーディオロジー
背景:
- 電気脳図 (EEG) は,強度に依存する皮質の聴覚誘発反応の検出に不可欠です.
- 機能的近赤外線光譜法 (fNIRS) は,脳の活動に関する補完的な洞察を提供します.
- 聴覚応答の分類は,臨床聴覚学と神経学的研究にとって不可欠です.
研究 の 目的:
- 異なる強度の聴覚刺激に対する皮質の反応を分類するために,fNIRSとEEGを組み合わせた付加価値を調査する.
- タイムシリーズと機能ベースの入力を使用してディープラーニングモデル (CNN,MLP) を従来の分類器と比較する.
- ユニモダルのEEGとバイモダルのEEG-fNIRSデータの性能を評価する.
主な方法:
- 2つの分類モデルを開発した:TSモデル (CNN,原始タイムシリーズ) とFモデル (MLP,抽出された特徴).
- ユニモダルEEGとビモダルEEG-fNIRSの両方のデータを用いてモデルを評価した.
- 3つの従来の機械学習分類器に対するパフォーマンスの比較.
主要な成果:
- バイモダルのEEG-fNIRSの入力は,すべてのモデルで一貫してユニモダルのEEGを上回った.
- TSモデルは最高精度 (92.2%ビモダル対79.3%ユニモダル) を達成した.
- 曲線下の面積 (AUC) とF1スコアも,バイモダルの入力で著しく改善されました.
結論:
- 多様神経データ (EEG-fNIRS) は補完的な情報を提供し,聴覚皮質応答の分類を強化します.
- ディープラーニングベースのタイムシリーズ分析は,異なる音の強度に対する反応を区別するためのパターンを効果的に捕捉します.
- マルチモダルのニューラルデータを統合することで,聴覚および神経学的研究における臨床評価を改善することができます.
