可以解释的大脑和计算机接口的深度学习预测支持基于多状态融合的下肢运动收益

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
• 康复科学 康复科学 康复科学

背景情况:

• 预测中风患者的运动功能恢复对于有效的康复至关重要.
• 电脑电图 (EEG) 在将皮质神经活动与运动恢复联系起来方面表现有前途.
• 多态EEG记录可能比单态记录提供更准确的预测.

研究的目的:

• 开发和评估一个多状态融合神经网络,用于预测脑电图-脑电图-计算机接口 (BCI) 康复中风患者的运动恢复.
• 通过使用可解释的深度学习来确定促进运动恢复预测的关键EEG特征 (功率光谱密度和功能连接性).

主要方法:

• 设计了一个多态融合神经网络,结合了闭眼 (EC) 和开眼 (EO) EEG状态.
• 应用了可解释的深度学习方法来分析EEG功率光谱密度和功能连接.
• 训练并验证了脑电图数据的模型,这些数据来自中风患者的BCI后康复.

主要成果:

• 多状态融合网络实现了82%的预测准确度,显著超过单状态模型.
• 可解释的人工智能识别了与运动恢复相关的关键大脑区域 (正面,中央,) 和频段 (三角形,α,theta,β).
• 特定的EEG特征,如delta/alpha频段的功率光谱密度和delta/theta/alpha (EC) 和delta/theta/beta (EO) 频段的功能连接,与恢复有关.

结论:

• 多状态融合神经网络提高了在中风患者BCI训练后预测运动恢复的准确性.
• 这种方法揭示了潜在的神经机制,突出了特定的大脑区域和参与运动恢复的频率振荡.
• 这些发现支持使用先进的EEG分析进行个性化中风康复策略.