在药理条件下通过深度转移学习方法通过可解释的基于fNIRS的疼痛解码
Aykut Eken1, Murat Yüce2, Gülnaz Yükselen2
1TOBB University of Economics and Technology, Biomedical Engineering Department, Ankara, Turkey.
Neurophotonics
|December 18, 2024
概括
本研究介绍了一种深度学习 (DL) 转移学习 (TL) 方法,使用功能近红外光谱学 (fNIRS) 来客观地分类药物治疗后的疼痛反应. 这种方法成功地解码了大脑活动,减少了对大量训练数据的需求.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 生物医学工程 生物医学工程
背景情况:
- 疼痛评估传统上依赖于主观方法,使客观诊断复杂化,特别是在止痛药被使用后.
- 功能近红外谱学 (fNIRS) 提供了一种非侵入性的方法来测量大脑活动,特别是皮质血液动力学反应.
研究的目的:
- 提出基于深度学习 (DL) 的转移学习 (TL) 方法来客观地分类fNIRS衍生的皮质氧化血红蛋白反应.
- 在疼痛和非疼痛刺激之间进行区分,在疼痛和安慰剂药物后的不同时间内进行区分.
主要方法:
- 利用公开可用的fNIRS数据集从痛苦/非痛苦刺激实验.
- 从药物前的fNIRS数据开发了一个基本的DL模型,并将TL应用于六种药物后的条件 (30,60,90分钟后的吗啡/安慰剂).
- 采用DeepSHAP来分析九个感兴趣的地区对解码模型的贡献.
主要成果:
- 药前模型和所有药后模型都实现了超过90%的准确性,灵敏度,特异性和AUC.
- 后安慰剂模型显示了比后吗啡模型更高的解码精度.
- 皮层区域对分类的贡献在药物后的条件上有所不同.
结论:
- 提出的基于DL的TL方法可以在没有广泛的特定条件培训数据的情况下创建有效的疼痛解码模型.
- 这种方法最大限度地降低了计算成本和在不切实际的环境中收集数据的需求.
- 了解区域大脑贡献可以为基于fNIRS的高效脑计算机接口 (BCI) 系统的设计提供信息.
