来自EEG的大脑特定生物标志物的机器学习
Philipp Bomatter1, Joseph Paillard1, Pilar Garces1
1Roche Pharma Research and Early Development, Neuroscience and Rare Diseases, Roche Innovation Center Basel, F. Hoffmann-La Roche Ltd., Basel, Switzerland.
EBioMedicine
|August 6, 2024
概括
使用脑电图 (EEG) 的机器学习 (ML) 可以从大脑和身体信号中预测年龄和性别. 然而,分离这些信号对于开发中枢神经系统 (CNS) 特定的生物标志物至关重要.
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:
- 脑电图 (EEG) 是研究大脑功能的临床工具,在生物标志物发现方面具有尚未开发的潜力.
- 机器学习 (ML) 可以利用复杂的EEG信号进行创新,但往往忽略了生理学工件.
- 忽视人工物可能会阻碍从EEG数据中开发中枢神经系统 (CNS) 特定的生物标志物.
研究的目的:
- 提出一个框架来概念化来自中枢神经系统的ML与EEG中的外围信号.
- 调查外围信号和人工物移除对ML模型对年龄和性别预测的影响.
- 确定大脑与外围信号对预测性能的贡献.
主要方法:
- 开发了使用Morlet波段进行EEG分析的信号表示.
- 利用传统的大脑活动特征和ML模型的共变矩阵.
- 分析了来自公共数据库 (TUAB,TDBRAIN) 的超过2600个EEG记录.
主要成果:
- 基本的文物拒绝改善了ML模型的性能.
- 基于独立组件分析 (ICA) 删除外围信号降低了性能.
- 外围信号有助于预测年龄和性别,但不如大脑信号.
结论:
- 脑电图中的大脑和外围信号都可以预测个人特征,如年龄和性别.
- 在使用ML开发中枢神经系统特异性生物标志物时,谨慎的信号分离至关重要.
- 这些发现强调了区分信号源对于准确的生物标志物发现的重要性.
