用CNN转换器进行深脑磁刺激诱导的电场的个人预测

科学领域:

• 神经科学是一个神经科学.
• 计算生物学 计算生物学
• 医疗成像医学成像

背景情况:

• 深大脑磁刺激 (DMS) 通过诱导节奏电场,为阿尔茨海默病提供治疗潜力.
• 传统上,对这些电场的准确计算需要广泛的voxel建模,这阻碍了实时应用.
• 诱导电场的节奏依赖性对于优化DMS有效性至关重要.

研究的目的:

• 开发一种快速而准确的方法来预测DMS诱导的依赖节律的电场.
• 为了克服传统的voxel建模技术的耗时限制.
• 提高DMS在阿尔茨海默病治疗中的实时适用性.

主要方法:

• 在7350个样本的数据集上开发和训练了一种混合CNN-变压器模型.
• 使用 10 倍交叉验证来优化超参数,确定 5 层 CNN 和 6 层变压器是最佳的.
• 使用MAE,RMSE,MAPE和R2等指标,对单独的CNN和变压器模型进行了性能评估.

主要成果:

• 该CNN-变压器模型实现了0.731s (CPU) 和0.042s (GPU) 的预测时间.
• 在MAE=0.0269,RMSE=0.0420,MAPE=4.61%和R2=0.9627.2的情况下,证明了出色的预测准确度.
• 该模型的性能优于单独的CNN和变压器模型,对海马电场的性能更好,对刺激节奏的敏感性比线圈配置更小.

结论:

• 该CNN-变压器模型提供了一个高效和准确的解决方案,用于实时预测DMS诱导的电场.
• 这一进步促进了更快的分析和潜在的优化阿尔茨海默病治疗计划.
• 混合方法在这种特定的神经刺激应用中,与独立的深度学习架构相比,显示出更高的性能.