在EEG中的功能连接:意识障碍的多类分类方法

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.
• 医疗信息学 医疗信息学

背景情况:

• 脑电图 (EEG) 的功能连接 (FC) 分析对于诊断意识障碍 (DoC) 至关重要.
• 区分昏迷,不响应的清醒综合征,最小意识状态和健康的对照仍然是一个临床挑战.

研究的目的:

• 调查滑窗相关性 (SWC) 分析对EEG数据的有效性,以描述DoC中的功能连接 (FC).
• 用人工神经网络评估不同FC测量 (阶段滞后指数,加权阶段滞后指数,振幅外相关性) 的区分能力,用于DoC的多类分类.

主要方法:

• 来自四个组 (昏迷,UWS,MCS,对照组) 的EEG数据使用五个频段的SWC进行了分析.
• 计算出了三个连接度量:PLI,wPLI和AEC,以及它们的平均值和标准偏差.
• 使用各种人工神经网络模型进行了多类分类,包括MLP,RNN,LSTM,GRU和CNN-LSTM混合.

主要成果:

• 该MLP模型2实现了96.3%的准确性使用AEC功能与16秒的窗口长度.
• MLP模型 2 显示一致的高精度 (95.5%96.3%) 与 AEC 功能跨窗口大小从 16s 到 20s.
• 结合AEC和wPLI功能,将分类精度提高到96.9% (MLP模型2) 和96.7% (MLP模型3),具有17秒的窗口.

结论:

• 振幅信封相关性 (AEC) 是一个非常有效的特征,用于从EEG数据分类意识障碍.
• 人工神经网络,特别是MLP,可以使用FC特征准确地区分不同的意识状态.
• 将AEC与其他连接措施 (如wPLI) 结合起来,可以进一步提高分类性能,为临床决策支持提供有前途的途径.