使用Stim-BERT重建大脑刺激期间的信号:在数以百万计的iEEG文件上训练的自我监督学习模型
Karthik Menon1, Thomas Tcheng1, Cairn Seale1
1NeuroPace Inc., Mountain View, CA, United States.
Frontiers in artificial intelligence
|March 5, 2025
概括
这项研究介绍了Stim-BERT,一种新型的变压器模型,可以在刺激期间重建大脑活动,克服神经疾病研究中的人工制品挑战. 与传统方法相比,Stim-BERT显著改善了神经数据分析.
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
- 人工智能的人工智能
背景情况:
- 脑刺激装置对于治疗和帕金森病等神经系统疾病至关重要.
- 这些设备记录神经活动,但在刺激过程中经常产生空白或被人工物污染的数据.
- 在刺激过程中分析神经动态是具有挑战性的,因为数据丢失.
研究的目的:
- 开发一种基于变压器的模型 (Stim-BERT),用于重建在脑刺激过程中丧失的神经活动.
- 为了应对内EEG (iEEG) 记录中人工物污染的挑战.
- 改进神经治疗中急性刺激效应的分析.
主要方法:
- 一个变压器模型,Stim-BERT,在一个大型iEEG数据集 (来自380名患者的4,653,720个通道) 上进行了训练.
- 数据通过使用非重叠窗口将数据标记化到频段容器中.
- 使用蒙面令牌的自我监督学习,灵感来自BERT,被采用.
主要成果:
- 斯蒂姆-伯特在重建神经数据的传统插值方法上显示出显著的改进.
- 该模型在更长的刺激空白期间重建数据方面特别有效.
- 这种方法成功地填补了缺失的时间序列神经数据.
结论:
- 变压器模型显示了处理时间序列神经数据和填补刺激器件造成的空白的巨大潜力.
- 斯蒂姆-伯特 (Stim-BERT) 推进了神经信号处理,使我们能够更好地了解大脑刺激的急性影响.
- 这项工作有助于在接受脑刺激治疗的患者中更准确地分析神经动力学.
