基于使用深度神经网络架构的肌电记录来预测胃肠功能状态

科学领域:

• 胃肠道学和计算神经科学

背景情况:

• 功能性胃肠道 (GI) 疾病影响近40%的人口.
• 胃肠道肌电活动的干扰与这些疾病有关,但缺乏一致的特征与功能关系.
• 当前的分类方法经常使用任意的标准,阻碍诊断的准确性.

研究的目的:

• 应用深度神经网络 (DNN) 架构来自动从GI肌电信号中提取特征.
• 为了比较DNN与传统机器学习方法的性能,使用手工制作的功能.
• 评估DNN在基线GI功能与养等活性状态的区别方面的潜力.

主要方法:

• 利用一维的残余卷积网络架构来提取来自的GI肌电信号的特征.
• 在基线和养条件下记录的数据上训练了网络.
• 采用一个完全连接的层与二形输出为一个二类分类问题.

主要成果:

• DNN方法实现了90%的准确性,90%的食检测灵敏度和89%的基线检测特异性.
• 使用手工制作的传统方法的精度 (54-82%),灵敏度 (46-84%) 和特异性 (66-80%) 都较低.
• 通过DNN进行自动特征提取,在分类GI肌电信号状态方面表现出卓越的性能.

结论:

• 深度神经网络和自动特征提取为评估肠道功能提供了强大的方法.
• 这种方法有望区分基线和活性GI状态,例如在养期间.
• 未来的应用包括识别正常和与疾病相关的GI肌电模式,用于诊断和管理GI疾病.