使用基于EEG的连接特征和卷积神经网络来评估意识受损
Lihui Cai1, Xile Wei1, Yang Qing1
1School of Electrical and Information Engineering, Tianjin University, Tianjin, China.
Cognitive neurodynamics
|June 3, 2024
概括
这项研究使用脑电图 (EEG) 和深度学习来增强对意识障碍 (DOC) 的大脑网络分析. 重组功能性大脑网络显著改善了对患者残留意识的检测.
科学领域:
- 神经科学是一个神经科学.
- 计算神经科学是一种神经科学.
- 医疗成像医学成像
背景情况:
- 意识障碍 (DOC) 是一个难以诊断的挑战.
- 通过脑电图 (EEG) 识别的功能性大脑网络的异常与DOC有关.
- 高维和非欧几里德网络数据阻碍了意识评估的深度学习应用.
研究的目的:
- 开发一个有效的深度学习模型来评估DOC患者的意识水平.
- 通过使用网络重组技术,利用功能性大脑网络信息.
- 想象和理解特定大脑连接对意识分类的贡献.
主要方法:
- 利用了从EEG数据中获得的功能连接.
- 使用卷积神经网络 (CNN) 进行分类.
- 实施了三个网络重组方案以优化性能.
- 应用梯度加权类激活映射 (Grad-CAM) 用于可视化.
主要成果:
- 网络重组显著提高了对原始连接矩阵的分类性能 (准确率为75.0%).
- 使用基于解剖区域的重新排列的α带网络实现了最高准确度 (87.2%).
- 额头 - 脊椎和额头 - 椎连接是意识状态的关键区分器.
- 功能连接与行为表现相关,验证其在反映个体大脑活动中的作用.
结论:
- 拟议的评估模型利用重新排列的功能性大脑网络和CNN,有效地检测DOC患者的剩余意识.
- 网络重组是一种有前途的技术,可以改善基于深度学习的神经系统疾病大脑连接的分析.
- 特定的区域间连接对于评估意识障碍具有重要的诊断价值.
