基于微态的大脑网络动态区分叶患者:一种机器学习方法

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.
• 的研究研究.

背景情况:

• 叶 (TLE) 是成年人中最常见的焦点,以异常的大脑动态为标志.
• 在TLE患者中导致发作的确切机制尚未完全理解.
• 了解大脑网络的改变对于诊断和治疗TLE至关重要.

研究的目的:

• 通过微态分析,研究TLE患者和健康对照人之间的大脑动态差异.
• 根据大脑网络特征,区分耐药性 (DRE) 和药物敏感性 (DSE) 患者.
• 开发和验证用于分类TLE和DRE/DSE状态的机器学习模型.

主要方法:

• 微态分析应用于来自116名TLE患者和51名健康对照者的EEG数据.
• 构建了动态功能连接网络,并分析了空间和时间的可变性.
• 机器学习模型使用时空微状态网络特征进行训练.

主要成果:

• 与对照组相比,TLE患者表现出加速的时间动态,增加的同步和网络不稳定性.
• 与DSE患者相比,DRE患者在特定微状态网络 (B,E,F) 中的空间变异性降低,在其他网络 (E,G) 中的时间变异性增加.
• 机器学习模型在区分TLE与控制和DRE与DSE方面取得了高准确性.

结论:

• 加快的微态动态和TLE中改变的序列表明,发作的基础是高度不稳定的脑活动.
• 在DRE患者中,同步和不稳定的网络活动表明已建立的抗药性发性网络.
• 空间时空微状态网络分析提供了一种强大的方法来分类的类型和严重程度.