通过可解释的AI方法使用静止状态EEG预测声学耳声抑制
Payam S Shabestari1, Stefan Schoisswohl2,3, Zino Wellauer4
1Department of Otorhinolaryngology, Head and Neck Surgery, University Hospital Zurich, University of Zurich, Zurich, Switzerland.
Scientific reports
|March 31, 2025
概括
这项研究确定了关键的大脑活动模式,特别是α和gamma功率,可以准确预测短暂的声学耳抑制 (BATS). 这些神经标志物有助于区分声类型,并了解抑制机制.
科学领域:
- 神经科学是一个神经科学.
- 听觉神经科学 听觉神经科学
- 计算神经科学是一种神经科学.
背景情况:
- 耳,没有外部源的声音感知,以及其抑制机制尚未完全理解.
- 简短的声学耳抑制 (BATS) 是一种特定的 tinnitus 调制状态.
- 了解抑制耳的神经基础对于开发有效的管理策略至关重要.
研究的目的:
- 通过静止电脑学 (EEG) 来研究与短暂的声学耳抑制 (BATS) 相关的神经特征.
- 确定可靠的EEG特征和机器学习模型,以对BATS状态进行分类.
- 阐明导致耳感知抑制的神经机制.
主要方法:
- 利用了来自102个人的静止状态EEG数据.
- 提取了各种EEG特征,包括频段功率,,光谱无周期特征和网络连接.
- 应用并比较标准的机器学习分类器,包括随机森林,以获得分类准确性.
主要成果:
- 使用EEG特征实现了BATS状态的高分类准确性 (98%的传感器,86%的源模型).
- 随机森林模型表现出优越的稳定性和减少过度装配.
- 确定了突出的EEG特征:α和gamma频段功率 (在听觉网络中具有侧面化) 和正常化的无周期性光谱特征.
- 在听觉-边缘网络中观察到超连接性,这表明感官门在抑制中发挥了作用.
结论:
- 证明了BATS状态的强大分类,突出了耳子群体中独特的神经特征.
- 强调了 tinnitus 中神经机制的预测和管理潜力.
- 对于临床神经生理学数据分析的特征选择,模型选择和验证的高级理解.
