一个基于图形学习的可解释模型,用于诊断帕金森病,使用语音相关的EEG

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:

• 帕金森病 (PD) 诊断是具有挑战性的,因为临床异质性和当前电脑电图 (EEG) 生物标志物的局限性.
• 机器学习的静态EEG显示出希望,但缺乏可解释性,并与信号变异性作斗争.

研究的目的:

• 开发和验证一种新的,可解释的PD诊断深度学习模型,使用与事件相关的EEG数据.
• 利用图形信号处理和图形卷积网络 (GSP-GCNs) 来改进PD检测.

主要方法:

• 利用来自声调调节任务的与事件相关的EEG数据来诊断PD.
• 开发和应用图形信号处理-图形卷积网络 (GSP-GCNs),结合本地和全球网络信息.
• 进行了可解释性分析,以识别歧视性的EEG网络模式和微态图.

主要成果:

• 拟议的GSP-GCNs模型实现了PD诊断的平均分类准确率为90.2%.
• 与其他深度学习模型相比,显示出9.5%的显著改善.
• 确定了与PD语言障碍相关的大脑区域的特定EEG网络分布和微状态MS5地图.

结论:

• 可解释的深度学习模型,如GSP-GCNs,加上与语音相关的EEG信号,可以准确地区分PD患者和健康对照.
• 该模型提供了对神经生物学机制的可解释的见解,这些机制是PD的基础,特别是与语言相关的缺陷.