在帕金森病中,N2GNet从脑下神经信号追踪步行表现

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 适应性深度大脑刺激 (DBS) 通过根据实时神经信号调整刺激来为帕金森病 (PD) 提供个性化治疗.
• 目前的DBS算法依赖于有限的,手动选择的神经特征,可能导致治疗调整效率较低和偏差.
• 需要先进的方法来准确地解释神经信号,以实时跟踪帕金森病 (PWP) 患者的步行表现.

研究的目的:

• 开发和验证一种新型的深度学习模型,神经到步行神经网络 (N2GNet),用于使用亚thalamic核心局部场潜力 (STN LFPs) 追踪实时步行表现.
• 评估N2GNet在STN LFP中利用全面频段的能力,以改进步态性能预测.
• 将N2GNet的性能与现有方法和传统特征提取技术进行比较.

主要方法:

• 采集了从18个在现场进行步入的PWP中获取STN LFP数据.
• 测量地面反应力以量化重量转移作为步行表现的代理.
• 开发和应用N2GNet,一种基于深度学习的回归模型,用于预测STN LFPs的步行表现.
• 对N2GNet与使用传统特征 (例如β功率) 和其他评估模型设计的模型进行比较分析.

主要成果:

• N2GNet与测量的体重转移有很强的相关性,这表明有效跟踪步行表现.
• 该模型成功地利用了LFP频率的全面范围,不仅限于传统意义上的β频段.
• N2GNet的表现优于其他评估的模型设计,并且与步行表现的相关性比单独的β功率更强.

结论:

• N2GNet提供了一种强大而全面的方法,可以直接从PWP中的STN LFP跟踪步行表现.
• 这种深度学习模型为开发更准确和个性化的适应性DBS治疗帕金森病提供了有希望的进步.
• 在STN LFP中利用更广泛的频谱可以提高步态性能的预测,超越传统的特征选择.