卷积神经网络基于电生理信号识别神经状态的潜力:对合成和真实患者数据的实验

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 生物医学工程 生物医学工程

背景情况:

• 神经信号的实时处理对于自适应性深度大脑刺激 (aDBS) 和脑计算机接口 (BCI) 是至关重要的.
• 当前的方法通常依赖于预定义的特征,但它们捕获神经波形中所有信息的能力是不确定的.
• 探索先进的算法方法是必要的,以提高解码性能.

研究的目的:

• 将端到端深度学习模型与传统基于特征的机器学习方法进行神经解码的比较.
• 研究卷积神经网络在从神经数据中直接提取信息方面的潜力.
• 用模拟和真实患者数据评估解码性能.

主要方法:

• 实施和训练的机器学习模型,包括使用手工构建的功能和深度学习模型的机器学习模型,这些模型直接从数据中学习功能.
• 基于模拟的神经数据的基准模型,具有已知的波形特征.
• 评估了基本震患者从局部场势 (LFP) 记录中解码运动的模型性能.

主要成果:

• 端到端深度学习方法与基于特征的方法相比,表现优越.
• 特别是当相关的神经模式未知或难以量化时,深度学习表现出色.
• 研究结果表明,深度学习可以识别和利用以前未知的特征来改进解码.

结论:

• 端到端深度学习为神经解码提供了传统特征提取的有希望的替代方案.
• 这些方法在推进自适应性深度大脑刺激 (aDBS) 和大脑与计算机接口 (BCI) 系统方面具有重大潜力.
• 对神经信号处理的深度学习的进一步研究可能会导致更有效的BCI应用.