探索半性中风患者运动阶段的机器学习分类:一项受控的EEG-tDCS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
• 机器学习 机器学习

背景情况:

• 非侵入性脑刺激 (NIBS) 有助于中风运动恢复.
• 优化NIBS定时需要精确检测运动阶段.
• 机器学习 (ML) 可能可以识别这些关键的运动阶段.

研究的目的:

• 评估 ML 模型,用于分类半性个体的运动阶段 (保持姿势,伸手).
• 调查跨直流刺激 (tDCS) 是否增强了运动阶段分类的电脑电图 (EEG) 信号.
• 为了比较活性tDCS与假刺激的分类准确性.

主要方法:

• 在tDCS期间从10名慢性中风患者和11名对照患者收集了EEG数据.
• 采用了8个ML算法和5个组合方法来分类持有与触及阶段.
• 使用z-score规范化和频段电源绑定预处理的数据.

主要成果:

• 活跃的tDCS显著提高了中风参与者的运动阶段分类准确性 (72.2%至75.2%).
• 在分类准确度方面,主动tDCS的表现优于虚假tDCS (75.2%对比71.5%).
• 通过快速训练 (0.9s) 实现了74.6%的准确率;低马频率显示出组合方法的前景.

结论:

• 在中风幸存者中,ML算法在活跃的tDCS期间有效地增强了运动阶段分类.
• 这表明了用于神经康复的实时运动检测的可行性.
• 潜在的应用包括优化脑电脑接口用于中风恢复.