机器学习方法可以预测是否可以通过TMS引发欧洲议员

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

背景情况:

• 跨磁刺激 (TMS) 是评估运动皮层和皮层肌肉通路功能的关键工具.
• 发动机唤起的电位 (MEP) 是TMS的可测量输出,受线圈参数和强度的影响.
• 了解这些参数对于一致的TMS应用至关重要.

研究的目的:

• 通过机器学习研究TMS设置参数对欧洲议员出席的预测能力.
• 为了比较MEP预测的学科内部与学科间机器学习模型的有效性.

主要方法:

• 机器学习模型经过训练,可以根据TMS参数预测MEP的存在.
• 采用了学科内部和学科间的培训设计.
• 包装组合方法被评价为主要方法.

主要成果:

• 欧洲议员出席的预测准确度在受试者内达到90%,在受试者之间达到72%.
• 平均准确率为77% (主体内) 和65% (主体之间).
• 包装组合证明了对MEP预测的最高适应性.

结论:

• 使用TMS参数对欧洲议员的机器学习预测在个别科目内是可行的.
• 实验对象之间的准确性有限,这凸显了将这种预测模型推广到各种研究或临床环境中的挑战.
• 需要进一步开发,以克服跨学科的变化,以获得更广泛的适用性.