使用EEG特征解码TMS中的运动兴奋性:一种探索性机器学习方法

科学领域:

• 神经科学是一个神经科学.
• 计算神经科学是一种神经科学.
• 生物医学工程 生物医学工程

背景情况:

• 通过与大脑活动同步,可以提高跨磁刺激 (TMS) 的有效性.
• 目前的方法使用静态参数,忽略个体大脑差异和动态状态,从而限制治疗结果.

研究的目的:

• 开发一种机器学习框架,使用前刺激电脑图 (EEG) 功能预测个体运动兴奋状态.
• 确定个性化的生物标志物,以优化TMS干预措施.

主要方法:

• 使用监督机器学习方法,将已建立的生物标志物与光谱和连接性测量相结合.
• 在嵌套的交叉验证方案中实施了多尺度特征选择.
• 在50名健康参与者中,在多个分类器,特征集和协议中进行了验证.

主要成果:

• 该框架在单个运动兴奋状态下实现了71 ± 7%的平均预测准确度.
• 层次聚类揭示了基于预测性EEG特征的两个不同的子组 (alpha/low-beta与gamma波段).
• 一个子组显示了感觉运动区域 (α/低β) 的特征,而另一个子组显示了平行区域 (马波段) 的特征.

结论:

• 数据驱动的框架成功地识别了个性化的运动兴奋性生物标志物.
• 这种方法有可能在临床和研究环境中优化TMS干预措施.
• 该框架为神经调节中的生物标志物发现提供了一个多功能平台.