整合EEG和机器学习来分析布罗卡的失声症康复期间的大脑变化

科学领域:

• 神经科学是一个神经科学.
• 康复医学 康复医学 康复医学
• 计算神经科学是一种神经科学.

背景情况:

• 脑电图 (EEG) 结合机器学习 (ML) 在推进康复策略方面显示出前景.
• 布罗卡的失言症是中风后的一种语言障碍,在康复和评估方面存在挑战.
• 大脑连接分析提供了关于认知任务期间神经网络动态的见解.

研究的目的:

• 开发和评估一种ML模型,用于区分布罗卡的失言症患者的康复前和康复后状态,使用EEG.
• 确定最佳的大脑连接指标和频段,以评估中风引起的神经变化.
• 调查体积传导对基于ML的康复预测准确性的影响.

主要方法:

• 在口头和空间工作记忆任务中利用了八名患有布罗卡失语症的参与者的EEG记录.
• 应用了各种大脑连接指标:格兰杰因果关系 (GC),相锁定值 (PLV),加权相滞后指数 (wPLI),相互信息 (MI) 和复杂的皮尔森相关系数 (CPCC).
• 在不同连接测量和频段 (delta,theta,低玛,高玛) 中进行跨主体预测准确度的交叉验证.

主要成果:

• 机器学习模型在分类康复状态方面取得了很高的准确性,格兰杰因果关系 (GC) 在口头工作记忆方面达到89.4%.
• 在低马波段 (PLV低马波段) 中,theta波段的相互信息 (MI theta) 和相锁定值 (PLV低马波段) 也表现出强的表现 (分别为85.8%和82.7%).
• 旨在减轻体积传导效应的措施执行不佳,这表明这些文物可能包含用于康复预测的相关信息.

结论:

• 来自EEG的脑连接指标,特别是GC,MI θ和PLV低马,在跟踪布罗卡失语症中中风后康复进展方面是有效的.
• 跨度指标和频段的性能变化表明,不同的连接措施捕捉了与恢复相关的不同神经过程.
• 本研究提出了一种可行的策略,用于在中风康复中将ML应用于有限的EEG数据,强调考虑各种连接措施和频率特定动态的重要性.