基于半监督深度学习的中风后静音愿望实时动态监测方法的研究:一项协议研究

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 医疗成像医学成像

背景情况:

• 沉默的渴望 (SA) 是中风后的一个关键并发症,往往导致诊断和治疗延迟.
• 目前的SA诊断方法可能缺乏及时干预所需的实时,动态监测能力.
• 了解SA的神经相关性对于开发有效的监测和治疗策略至关重要.

研究的目的:

• 建立一个实时的动态监测系统,用于在中风后的患者静音吸收 (SA).
• 为SA提供支持早期诊断和精确干预的证据.
• 通过先进的技术集成,提高SA检测的灵敏度和特异性.

主要方法:

• 使用专用传感器在吞过程中获取多源信号 (声音,鼻腔气流,肌电图,压力,加速).
• 使用视频光学吞研究 (VFSSs) 标记信号,并开发用于SA监测的半监督深度学习模型.
• 通过通过静止状态fMRI将多源信号与以胰岛为中心的大脑皮质-脑干功能连接相关联,优化监测模型.

主要成果:

• 从SA患者的3200个吞 (1200个有标签,2000个没有标签) 的数据集中稳定提取多源信号.
• 预计SA和非志向组之间多源信号的显著差异,通过半监督深度学习实现特征提取.
• 预计格兰杰因果分析 (GCA) 值和喉上升时间 (LRT) 之间的强相关性,验证了模型的精度.

结论:

• 将建立一个实时的动态监测系统,用于静默的愿望.
• 该系统预计将实现高灵敏度,特异性,准确性和SA识别F1得分.
• 这种技术进步为临床环境中精确的SA管理提供了希望.