脑电图空间通道间连接分析:基于GCN的双流方法来区分精神疲劳状态
Kun Chen1, Shulong Chai1, Tianli Xie1
1School of Information Engineering, Wuhan University of Technology, Wuhan, 430070, China.
Artificial intelligence in medicine
|October 15, 2024
概括
这项研究引入了一种新的光谱图卷积网络 (GCN) 方法,通过分析大脑连接模式来检测精神疲劳. 该方法准确地区分警觉状态和疲劳状态,为疲劳期间的大脑功能提供了新的见解.
科学领域:
- 神经科学是一个神经科学.
- 认知科学 认知科学
- 机器学习 机器学习
背景情况:
- 精神疲劳会通过改变大脑活动,损害认知能力.
- 现有的检测精神疲劳的方法往往忽视了空间的道间连接.
- 了解疲劳期间的大脑网络动态对于开发有效的对策至关重要.
研究的目的:
- 在警觉状态和精神疲劳期间调查大脑的空间通道间连接.
- 开发和评估一种新的光谱图卷积网络 (GCN) 模型,以准确检测精神疲劳.
- 分析疲劳如何影响大脑网络中的同步性和相关性模式.
主要方法:
- 用了皮尔森相关系数 (PCC) 对于时间连接和大小平方一致性 (MSC) 对于光谱连接.
- 采用双图策略,将边缘特征转化为光谱GCN输入的节点特征.
- 分析大脑网络的拓特征,同时学习PCC和MSC特征.
主要成果:
- GCN模型显示了警觉状态和疲劳状态之间大脑网络特征的显著差异.
- 精确地分类精神疲劳,在自主设计的数据集上准确率为89.59% (组级) 和95.24% (主体级).
- 在公开的SEED-VIG数据集上获得了86.58%的准确性,验证了模型的通用性.
结论:
- 精神疲劳显著改变不同大脑区域之间的同步性和相关性模式.
- 拟议的动态功能连接网络通过整合时间和光谱连接,有效地检测疲劳状态.
- 这种方法为客观的精神疲劳评估和理解其神经支提供了一个有希望的途径.
