神经刺激ML:用于预测神经刺激引起的组织损伤的机器学习模型
Yi Li1,2, Rebecca A Frederick3, Daniel George4
1Department of Bioengineering, The University of Texas at Dallas, Richardson, TX, United States of America.
Journal of neural engineering
|June 17, 2024
概括
一个新的机器学习模型准确地预测了电刺激对神经组织的损伤,提高了神经调节研究和临床应用中的安全性. 这种方法比以前的方法考虑了更多的参数.
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:
- 预测电刺激诱导的神经组织损伤对于安全的神经调节至关重要.
- 现有的方法依赖于有限的刺激参数,降低预测准确度.
- 需要采用更全面的方法来提高组织损伤预测的可靠性.
研究的目的:
- 开发一种机器学习 (ML) 模型,以更可靠地预测电刺激诱导的神经组织损伤.
- 将更广泛的刺激参数纳入预测模型.
- 将ML模型的性能与传统的香农方程进行比较.
主要方法:
- 编制了387个刺激参数组合的数据库,这些组合来自58项跨越47年的研究.
- 使用顺序编码和随机森林来进行特征选择.
- 研究了四个ML模型 (逻辑回归,K-最近邻居,随机森林,多层感知器) 进行分类,并将它们与香农方程进行了比较.
主要成果:
- 随机森林模型选择了12个关键特征,包括波形形状,脉冲宽度,频率以及各种电荷和电流密度.
- 香农方程式的准确度达到63.9%.
- 随机森林算法在预测组织损伤方面表现出了88.3%的显著更高的准确性.
结论:
- 开发的随机森林模型提供了一种强大而准确的方法来预测电刺激对神经组织的损伤.
- 这种基于机器学习的方法有助于在研究和临床环境中为神经调节参数选择做出明智的决策.
- 这项研究开创了ML用于预测刺激诱导的神经组织损伤的方法,为ML驱动的神经刺激铺平了道路.
