在认知任务中对高密度EEG进行深度学习,可以区分帕金森病患者与健康对照者

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:

• 帕金森病 (PD) 是一种神经退行性疾病,具有运动和非运动症状,包括认知障碍.
• 诊断依赖于临床评估和新兴的生物标志物,脑电图 (EEG) 显示了有希望的实验.
• 正在探索深度学习 (DL) 模型来分析EEG数据以检测PD.

研究的目的:

• 评估一个认知任务是否提高了基于DL的EEG分析的准确性,以区分PD患者与对照者的区别.
• 调查任务诱导的皮质激活是否显示出明显的EEG特征,表明PD.

主要方法:

• 在高密度EEG记录上训练了一种DL模型,以区分PD患者与健康对照.
• 使用来自认知任务的EEG数据与静止状态 (RS) EEG的模型性能进行比较.
• 探索各种网络架构,超参数和空间/时间分辨率.

主要成果:

• 最好的DL模型在认知任务EEG数据集上实现了83%的分类准确率,超过RSEEG数据集的76%准确率.
• 灵敏度分析显示,与RS相比,该模型在认知任务中使用了不同的时间和空间EEG组件.
• 任务诱导的皮质激活突出了特定的EEG特征,这些特征对于PD检测至关重要.

结论:

• 认知任务可以在EEG中引起神经活动模式,从而提高基于DL的帕金森病检测的准确性.
• 这些发现表明,通过认知激活揭示的动态EEG特征为PD诊断提供了有价值的生物标志物.
• 这种方法有可能开发出更敏感,更准确的帕金森病诊断工具.