大脑横向化评估:一种可解释的深度学习方法,使用道注意力机制

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.
• 医疗成像和信号处理

背景情况:

• 交叉频率合 (CFC) 对于理解认知过程和神经通信至关重要.
• 电脑电图 (EEG) 信号与CFC相结合,可以检测与非典型大脑横向化相关的神经疾病.
• 深度学习 (DL) 为EEG分析提供了优势,但面临着有限的数据和高维度等挑战.

研究的目的:

• 提出一种新的深度学习方法来识别大脑横向化模式,使用CFC衍生的半球间功能差异.
• 通过使用合成数据预训练和对称架构,解决EEG分析的DL方面的挑战,包括数据稀缺性和噪声.
• 通过定制的注意层来增强微妙的半球差异的检测,并为临床应用提供可解释性.

主要方法:

• 开发一种新型的深度学习模型,集成合成信号预训练,用于阶段幅度合 (PAC) 分析.
• 实现对称的神经网络架构,以评估半球间的功能差异.
• 整合一个定制的注意层来识别和权衡相关的EEG通道信息的重要性.

主要成果:

• 拟议的模型在评估大脑侧面化方面取得了良好的分类性能 (曲线下面面积高达0.85).
• 该模型为评估条件的基础的神经机制提供了可解释的见解.
• 在检测临床应用至关重要的微妙半球差异方面表现出有效性.

结论:

• 这种新的深度学习方法有效地揭示了使用CFC的EEG信号的横向化模式,优于传统方法.
• 使用合成数据和注意力机制成功地减轻了基于DL的EEG分析中常见的挑战.
• 这种方法对神经系统疾病的早期检测充满希望,并提供了对神经系统基础的更深入理解.