基于EEG功能连接的深度学习识别帕洛克西斯马尔基内斯基因性失动症

科学领域:

• 神经科学是一个神经科学.
• 计算神经科学是一种神经科学.
• 医学诊断 医学诊断 医学诊断

背景情况:

• 松性 kinesigenic 功能障碍症 (PKD) 是一种罕见的神经疾病,具有诊断挑战,特别是由于症状重叠而导致的二次病例.
• 目前的诊断方法,包括遗传查,在准确识别所有PKD病例方面存在局限性.

研究的目的:

• 开发和验证一种基于深度学习的新方法,用于使用静止电脑图 (EEG) 功能连接来识别PKD.
• 与健康对照人群相比,研究PKD患者的大脑网络特性和神经电路差异.

主要方法:

• 采集了44名PKD患者和44名健康对照 (HC) 的静止状态EEG数据,使用128通道系统.
• 计算功能连接矩阵,将其转换为图形数据,并应用图形理论分析.
• 使用深度学习模型 (AT-1CBL) 集成1D-CNN和Bi-LSTM与注意力机制进行分类.
• 执行源本地化以探索神经电路差异.

主要成果:

• 在AT-1CBL模型中,使用Theta频段阶段滞后指数 (PLI) 特性实现了93.77%的分类准确度.
• 图形理论分析揭示了PKD患者功能性脑网络的Theta频段中显著的相同步障碍.
• 在PKD患者中,源部位定位表明了感官运动和前肢边缘区域的功能连接差异.

结论:

• 使用EEG功能连接的深度学习模型显示了准确且具有成本效益的PKD诊断的前景.
• 这些发现表明,PKD患者的运动整合和大脑网络同步存在异常.
• 需要进一步研究更大的数据集和多式联运集成,以提高诊断模型的稳定性.