在帕金森病中,N2GNet从脑下神经信号追踪步行表现
Jin Woo Choi1, Chuyi Cui1, Kevin B Wilkins1
1Department of Neurology and Neurological Sciences, Stanford University School of Medicine, Stanford, CA, USA.
NPJ digital medicine
|January 4, 2025
概括
一个新的深度学习模型,神经到步行神经网络 (N2GNet),通过大脑信号跟踪帕金森病的步行表现. 这种适应性深度大脑刺激方法通过分析更广泛的神经数据来提供更强大,更公正的治疗方法.
科学领域:
- 神经科学是一个神经科学.
- 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 (PWP) 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,可能导致治疗效果较差和偏差.
研究的目的:
- 引入神经到步态神经网络 (N2GNet),这是一个用于实时步态性能跟踪的新型深度学习模型.
- 为了证明N2GNet能够从脑下细胞核局部场潜力 (STN LFPs) 预测步态的能力.
主要方法:
- 获取了从18个PWP执行步入位置的STN LFP数据.
- 测量地面反应力以量化步行表现 (重量转移).
- 开发和评估N2GNet,一个深度学习回归模型,与其他设计和传统特征分析相比.
主要成果:
- 使用STN LFPs,N2GNet有效地跟踪了实时步行表现.
- 该模型与重量转移的相关性比传统的β功率分析更强.
- N2GNet的表现优于其他评估的模型设计,利用超出β范围的全面频段.
结论:
- N2GNet提供了一种可靠的方法,用于仅从STN LFP中跟踪PWP中的步行表现.
- 这种深度学习方法通过利用更广泛的神经信息来增强适应性DBS.
- N2GNet有可能提高个性化帕金森病治疗的准确性和有效性.
