EEG-to-EEG:使用变量自编码器和生成对抗网络的组合进行头皮到脑内EEG翻译

科学领域:

• 生物医学工程 生物医学工程
• 人工智能在医学中的应用
• 神经科学是一个神经科学.

背景情况:

• 头皮脑电图 (scEEG) 受到噪音和低分辨率的影响,限制了其临床实用性.
• 内脑电图 (iEEG) 提供高分辨率信号,但具有侵入性.
• 准确检测间接性形泄露 (IED) 对于的诊断和治疗至关重要.

研究的目的:

• 开发一个EEG-to-EEG转换模型,通过将它们映射到iEEG信号来增强scEEG信号.
• 提高scEEG数据的分辨率,以便更好地进行临床分析.
• 通过增强的scEEG数据,促进IED的更准确的检测.

主要方法:

• 开发了一种与条件生成对抗网络 (VAE-cGAN) 结合的新型变异自编码器,用于EEG信号翻译.
• 经过训练,VAE-cGAN模型将低分辨率的scEEG信号映射到高分辨率的iEEG信号中.
• 从翻译的iEEG信号中检测到间接性形放电 (IED).

主要成果:

• VAE-cGAN模型成功地将scEEG转换为iEEG,从而提高了信号分辨率.
• 从翻译的iEEG信号中进行IED检测,实现了76%的分类准确度.
• 这代表了11%,8%和3%的改进,相对于以前的回归和基于自动编码器的映射模型.

结论:

• 拟议的VAE-cGAN模型为提高scEEG数据质量提供了一个有希望的非侵入性方法.
• 改进的iEEG信号分辨率有助于更准确地检测IED等关键神经事件.
• 这种方法有可能通过改进EEG分析来推进的诊断和监测.