机器学习算法用于检测PASC和ME患者的视觉运动神经控制差异

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:

• 全球数百万人经历了COVID-19感染后的长期症状,称为SARS-CoV-2 (PASC) 或长期COVID的急性后续症状.
• 早期检测和干预对于管理PASC和肌痛性脑筋炎 (ME) 是至关重要的.
• 当前的诊断方法可能无法完全捕捉这些疾病的神经效应.

研究的目的:

• 开发和验证一种使用电脑电图 (EEG) 数据检测PASC或ME可能性的新方法.
• 探索机器学习和深度学习模型在分析EEG光谱图用于PASC/ME检测中的有效性.
• 研究使用生成对抗网络 (WGANs) 对模型性能数据增强的影响.

主要方法:

• 使用可穿戴头带收集四通道EEG数据.
• 使用连续波段转换 (CWT) 将原始EEG信号处理成类似谱图的矩阵.
• 培训和评估各种机器学习模型 (CONVLSTM,CNN-LSTM,Bi-LSTM) 和传统模型.
• 增加了由瓦斯斯坦生成对抗网络 (WGANs) 生成的合成光谱图.

主要成果:

• 使用原始EEG谱图数据,CNN-LSTM模型实现了83%的准确性.
• 在WGAN生成的合成数据上训练的模型平均达到93%的准确性.
• 合成数据增强显著提高了检测准确性,并解决了数据量和隐私问题.

结论:

• 提出的基于EEG的方法对于检测PASC和ME是有效的,使早期识别成为可能.
• 机器学习模型,特别是在增强数据上训练的CNN-LSTM,显示出临床应用的巨大潜力.
• 这种方法可以帮助评估患者的病情,监测康复,并评估PASC和ME的干预疗效.