相关实验视频
Updated: Jun 21, 2025
07:40
Multi-Modal Home Sleep Monitoring in Older Adults
Published on: January 26, 2019
7.6K
从夜间睡眠中估计大脑年龄,用多流序列学习的脑电图
Di Zhang1,2, Yichong She1,2, Jinbo Sun1,2
1Engineering Research Center of Molecular and Neuro Imaging of the Ministry of Education, School of Life Science and Technology, Xidian University, Xi'an, Shaanxi, 710126, People's Republic of China.
Nature and science of sleep
|July 8, 2024
概括
这项研究引入了一种新的深度学习模型,使用夜间脑电图 (EEG) 准确估计大脑年龄. 该模型显示,它是一个具有成本效益的,非侵入性的方法,用于评估大脑衰老和检测神经系统差异.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 目前的大脑年龄估计方法有局限性.
- 夜间脑电图 (EEG) 为大脑衰老分析提供了丰富的数据来源.
- 开发准确且易于使用的脑年龄预测工具对于理解神经健康至关重要.
研究的目的:
- 开发一种新的深度学习模型,以改进大脑年龄的估计.
- 利用夜间脑电图 (EEG) 数据提高预测准确度.
- 创建一个具有成本效益和非侵入性的方法来评估大脑衰老.
主要方法:
- 开发了一个多流深度学习框架,结合了Swin变压器和基于注意力的CNN.
- 该模型整合了EEG模式和睡眠结构特征,用于全面分析.
- 引入了 DecadeCE 损失函数,以处理培训数据中的年龄分布不均.
主要成果:
- 该模型在混合队列测试组中实现了4.19年的平均绝对误差 (MAE).
- 在混合队列测试组中观察到高相关性 (0.97),与神经成像技术相似.
- 大脑年龄指数显示对精神/神经疾病的敏感性,增加了1.27年.
结论:
- 拟议的多流深度学习模型提供了一个更准确的方法来估计大脑年龄,使用一夜间EEG.
- 夜间睡眠EEG是一个可行的,具有成本效益的数据来源,用于预测大脑年龄和捕捉动态变化.
- 这项研究强调了EEG作为评估大脑衰老的非侵入性工具的潜力.
