在EEG期间的非侵入性脑刺激改善了慢性中风中的机器学习分类.

科学领域:

• 神经科学是一个神经科学.
• 康复医学 康复医学 康复医学
• 机器学习 机器学习

背景情况:

• 非侵入性脑刺激 (NIBS) 有助于慢性中风患者的运动恢复.
• 识别最佳刺激周期需要自动检测运动状态.
• 跨直流刺激 (tDCS) 可能会调节运动期间的大脑活动.

研究的目的:

• 为了比较机器学习模型对分类运动状态在脑电图记录在半侧性中风患者.
• 评估tDCS对运动状态分类准确性的影响.
• 为了确定tDCS是否与假刺激相比提高了分类.

主要方法:

• 收集了10名慢性中风和11名健康参与者在tDCS期间执行运动任务的EEG数据.
• 利用8种传统和5种集体机器学习算法来分类"保持"和"达到"的运动状态.
• 应用z-score规范化和电源组合到五个频段进行预处理和特征提取.

主要成果:

• 分类准确性在tDCS组 (78.9%) 与假 (55.6%) 相比显著更高.
• 在刺激过程中,中风患者的分类准确度 (77.6%) 比健康对照组 (64.1%) 高.
• 在中风患者中,运动状态分类在刺激期间 (75.2%) 最高;线性差异分析,物流回归和决策树最准确.

结论:

• 机器学习在NIBS期间有效地对中风患者的运动状态进行分类.
• tDCS显著改善了慢性中风中的疾病和运动状态分类.
• 自动运动状态检测可以优化治疗性大脑刺激以恢复运动.