在深度学习框架中通过大脑对言语的反应检测中风后失言症
概括
这项研究引入了一种使用脑活动 (EEG) 检测中风相关的语言障碍失语症的自动化工具. 这种新的方法在识别失言症方面显示出高准确性,提供了更快,更客观的诊断方法.
科学领域:
- 神经科学是一个神经科学.
- 计算语言学 计算语言学
- 医疗技术 医疗技术 医学技术
背景情况:
- 亚法西亚诊断传统上依赖于耗时的行为测试,其准确性和生态有效性有限.
- 现有的方法可能会受到同期发生的运动和认知缺陷的影响,在患有失语症 (IWA) 的个人中.
研究的目的:
- 开发和验证一种自动查工具,用于使用神经跟踪检测的语音处理障碍.
- 评估深度学习模型的可行性,以客观有效地检测失语症.
主要方法:
- 模拟的脑电图 (EEG) 对声学,细分和语言语言特征的反应,使用卷积神经网络.
- 训练了健康参与者的模型,并对26名IWA和22名健康对照进行了评估.
- 采用支持向量机分类器与神经跟踪措施来检测失言症.
主要成果:
- 患有失言症 (IWA) 个体在所有语音表示中表现出显著下降的神经跟踪.
- 这种自动化工具在个人级别的失言症检测中实现了85.42%的准确性.
- 选过程只需要9分钟的EEG数据,证明了时间效率.
结论:
- 开发的深度学习框架通过分析语音的神经跟踪来准确检测失言症.
- 这种自动化,时间效率高,强大的方法显示出在失言症查中临床应用的巨大潜力.
- 这种方法为传统诊断方法提供了一个更客观和更具普遍性的替代方案.
