将头皮映射到内脑电图,使用生成对抗网络自动检测间接性形放电

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 头皮脑电图 (EEG) 对于诊断大脑疾病至关重要,但患有头骨衰减和人造物质.
• 内EEG (iEEGs) 提供优质的信号质量,没有衰减和人工物,可以更清楚地了解大脑活动.
• sEEG和iEEG之间的差异限制了诊断的准确性,并要求改进信号处理方法.

研究的目的:

• 通过开发一种将sEEG信号映射到内EEG (iEEG) 数据的方法来提高头皮EEG (sEEG) 的性能.
• 通过利用sEEG和iEEG的优势来改善间接性发泄 (IED) 的检测.
• 引入一个计算效率高的深度学习方法用于EEG信号增强.

主要方法:

• 开发使用生成对抗网络 (GAN) 架构的深度神经网络.
• 训练GAN从同时记录的iEEG数据中估计sEEG信号.
• 将训练模型应用于患者的真实世界SEEG和iEEG数据,以检测IED.

主要成果:

• 提出的基于GAN的方法成功地从iEEG信号中估计了sEEG.
• 该方法在检测间接性发泄物 (IED) 中达到76%的准确性,超过了当前最先进的技术.
• 开发的方法表明计算复杂度至少比现有方法低12倍.

结论:

• 深度学习,特别是GAN,可以有效地弥合sEEG和iEEG之间的差距,提高诊断能力.
• 拟议的方法在IED的准确和高效检测方面取得了重大进展.
• 这种技术有望改善非侵入性脑疾病的诊断,并减少临床环境中的计算负担.