通过使用EEG信号的可解释的神经网络解开大脑同步动态:适用于难读症诊断的应用
Nicolás J Gallego-Molina1,2, Andrés Ortiz3,4, Juan E Arco3,5,4
1Communications Engineering Department, University of Málaga, 29004, Málaga, Spain. njgm@ic.uma.es.
概括
这项研究引入了一种新的深度学习方法,使用EEG信号来检测发育性阅读障碍 (DD). 该方法在DD儿童中识别出明显的脑同步模式,达到83%的准确性.
科学领域:
- 神经科学是一个神经科学.
- 认知科学 认知科学
- 机器学习 机器学习
背景情况:
- 电脑电图 (EEG) 信号捕捉神经活动,使得可以研究跨度尺度的大脑振荡.
- 发育性阅读障碍 (DD) 是一种影响阅读能力的神经发育障碍.
- 了解大脑同步动态对于识别DD的生物标志物至关重要.
研究的目的:
- 开发一种新的深度学习方法,使用EEG信号检测发育性阅读障碍 (DD).
- 调查与DD相关的听觉处理中的交叉频段同步 (CFS) 动态.
- 为典型阅读者和阅读障碍者之间大脑功能差异提供可解释的见解.
主要方法:
- 将EEG信号转化为图像序列,以分析跨频相同步 (CFS) 动态.
- 开发了一种两阶段的深度学习模型,以利用EEG衍生图像中的空间和时间信息.
- 利用一种新的特征面具进行可解释的分类,将大脑区域与认知过程联系起来.
主要成果:
- 在检测发育性阅读障碍症 (DD) 中达到高达83%的平衡准确性.
- 在典型的七岁阅读者和阅读障碍的七岁阅读者之间展示了不同的大脑同步动态.
- 确定了与DD中正常阅读和补偿机制相关的特定大脑区域和模式.
结论:
- 拟议的深度学习模型通过分析EEG衍生的图像序列,有效地检测发育性阅读障碍 (DD).
- 在典型阅读者和阅读障碍者之间存在大脑同步动态的显著差异.
- 可解释的人工智能模型可以阐明阅读障碍和补偿策略的神经支柱.
