一种机器学习方法用于在创伤后的老鼠模型中检测发作
1Department of Neurology, William S Middleton Memorial Veterans Hospital, Madison, WI, 53705, USA. kotloski@neurology.wisc.edu.
Scientific reports
|September 22, 2023
概括
这项研究引入了一个深度卷积神经网络 (DCNN) 用于识别动物脑电图 (EEG) 数据中的发作. 该DCNN实现了95.6%的准确性,为研究中发作检测提供了快速和客观的方法.
科学领域:
- 神经科学是一个神经科学.
- 计算生物学 计算生物学
- 机器学习 机器学习
背景情况:
- 的研究经常使用动物模型,电脑电图 (EEG) 对于的识别至关重要.
- 技术的进步已经产生了大量的EEG数据集,使机器学习 (ML) 对发作检测的方法成为可能.
- 目前用于发作检测的ML应用在动物EEG中相比于人类EEG是有限的.
研究的目的:
- 开发和验证一种机器学习方法,用于在动物脑电图数据中自动识别.
- 评估预先设计的深卷积神经网络 (DCNN) 的有效性,用于分类可表明的EEG段.
主要方法:
- 使用预先设计的深卷积神经网络 (GoogLeNet) 来进行图像分类.
- 通过从两秒的EEG段中复杂化光谱内容 (标记图),曲和来生成训练图像.
- 在超过2200小时的老鼠脑电图数据上训练和测试DCNN,比较动物内和动物间的性能.
主要成果:
- 该DCNN实现了95.6%的高发作识别灵敏度,虚假阳性率为34.2% (1.52/h).
- 多重复合图像 (天平图-曲-) 的表现明显优于单独的天平图 (精度为0.956比0.890).
- 与动物间模型 (0.811准确度) 相比,动物内部DCNN模型显示出更高的性能 (0.960准确度).
结论:
- 预先设计的DCNN有效地分类多重合并的EEG图像,以快速客观地识别大型动物数据集中的发作.
- 这种ML方法超越了以前用于动物发作检测的算法,提供了高灵敏度.
- 该研究强调了DCNN在通过对动物EEG的自动化分析来推进研究的潜力.
