在不同的TMS-EEG数据集中识别对TMS和假刺激的EEG反应:一种机器学习方法

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 生物医学工程 生物医学工程

背景情况:

• 跨磁刺激 (TMS) 结合脑电图 (TMS-EEG) 评估皮质神经元的特性.
• 由TMS唤起的EEG潜力 (TEP) 可能包括非神经元人工物,需要质量控制工具.

研究的目的:

• 使用机器学习将TMS的EEG反应与假刺激区分开来.
• 评估机器学习模型在识别真实TMS效应方面的准确性.

主要方法:

• 利用来自健康志愿者的两个独立的TMS-EEG数据集 (N=33).
• 采用双向长短期记忆 (BiLSTM) 网络来分类来自TMS和假条件的EEG信号.
• 在单项试验和多项试验 (5-20项试验) 层面评估准确性.

主要成果:

• BiLSTM模型在区分TMS和假条件方面取得了中等到高准确性 (60-75%单试,>75%对20个试验).
• 假设条件的准确性通常较低,除了没有掩饰的听觉刺激.
• 预刺激TMS和假EEG之间的比较产生了偶然水平的准确性,而后刺激比较显示了中等到高准确性.

结论:

• 使用BiLSTM机器学习方法,可以区分TMS唤起的潜能与假刺激.
• 该模型甚至在单个受试者级别和有限的试验中也显示出有效性.
• 这为评估TEP质量提供了一个准确的,自动的工具.