从健康受试者转移到中风患者的深度学习模型在运动图像大脑-计算机接口中
Aarthy Nagarajan1, Neethu Robinson1, Kai Keng Ang1,2
1School of Computer Science and Engineering, Nanyang Technological University, 50 Nanyang Ave, Singapore 639798, Singapore.
Journal of neural engineering
|December 13, 2023
概括
使用健康大脑数据转移学习显著改善了中风患者的运动图像检测,达到71.15%的准确性. 这种方法克服了脑电脑接口 (BCI) 中中风康复的数据限制.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 运动成像 (MI) 脑电脑接口 (BCI) 对于中风康复至关重要.
- 当前的深度学习模型通常需要广泛的中风特定数据,这是有限的.
- 跨主题分类通常依赖于健康个体的数据.
研究的目的:
- 评估从健康受试者对中风患者应用预训练MI-BCI模型的可行性.
- 通过健康数据引入和评估一种新的转移学习方法,用于在中风患者中检测心脏病发作.
- 将转移学习方法的性能与特定学科模型进行比较.
主要方法:
- 开发了一种转移学习方法,利用健康个体两类MI数据的特征.
- 建议的方法与特定主题的机器学习分类器 (Deep ConvNet,FBCSP) 相比较.
- 对健康受试者数据 (OpenBMI) 和中风患者数据 (MI与休息) 进行了实验.
主要成果:
- 转移学习模型在71名中风患者中实现了71.15% (±12.46%) 的平均MI检测准确度.
- 在将学习从健康数据转移到中风数据后,准确性提高了18.15% (p<0.001).
- 转移学习方法的表现明显优于特定学科的Deep ConvNet (增长7.64%,p<0.001) 和FBCSP (增长5.55%,p<0.001).
结论:
- 从健康人群转移学习到中风患者是MI-BCI的可行和有效策略.
- 这种方法提高了BCI算法的临床实用性,通过减轻 insufficient中风数据的挑战.
- 可解释的AI确定了相关的皮质区域 (机动,额头,顶部) 用于在中风患者中检测MI.
