使用表示学习开发一个活跃的脑血管自调节模型:用实验数据进行概念验证研究

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
• 密集护理医学 密集护理医学

背景情况:

• 在重症监护室 (ICU) 监测脑血管自身调节 (CA) 存在重大挑战.
• 像压力反应率指数 (PRx) 这样的现有方法在捕获动态CA状态方面存在局限性.
• 代表性学习的进步为分析复杂的生理信号提供了新的可能性.

研究的目的:

• 开发一种利用表示学习的概念验证主动CA模型.
• 为了充分利用动脉血压 (ABP) 和内压 (ICP) 信号的全部复杂性.
• 在监控CA动态方面超越PRx.

主要方法:

• 使用猪头骨窗口的CA数据集 (n=20).
• 预处理和下采样ABP和ICP信号到20 Hz.
• 优化了一个神经网络,使用300秒的ABP/ICP段反映活跃的CA来重建其输入,并比较活跃和不活跃的CA状态之间的重建错误.

主要成果:

• 该模型显示了活跃的CA段的优良重建质量,不活跃的CA段的质量恶化.
• 重建错误随着大脑血流偏离基线而增加.
• 该模型与PRx相比显示出更好的分辨能力,捕捉了差异的CA行为,并结合了低频和高频信号信息.

结论:

• 通过使用复杂的ABP和ICP信号段的高级表示学习,可以有效地构建一个活跃的CA模型.
• 在ABP和ICP信号中,低频和高频都包含相关的CA状态信息.
• 与PRx相比,开发的模型为CA状态提供了优越的区分能力.