在使用光谱图的老鼠24小时EEG记录中基于ANN的尖端波活动的新分类:尖端波放电人工神经网络 (SWAN)
Ivan Lazarenko1, Evgenia Sitnikova1
1Institute of the Higher Nervous Activity and Neurophysiology of Russian Academy of Sciences, Butlerova str., 5A, 117485 Moscow, Russia.
Journal of neuroscience methods
|August 16, 2025
概括
一个新的人工神经网络,SWAN,准确地检测到老鼠的尖峰波放电 (SWD),改善了缺席的诊断. 这种自动化工具提供了高精度可靠的,长期监测可穿戴式电脑电图 (EEG) 设备.
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.
- 的研究研究.
背景情况:
- 电脑电图 (EEG) 检测尖峰波放电 (SWD) 对于诊断缺席至关重要.
- 目前用于长期可穿戴EEG的自动化方法难以捕捉SWD的复杂性,限制了它们的诊断实用性.
研究的目的:
- 开发一种自动化工具,以检测在没有的情况下发生的自发性和药物诱导性SWD.
- 创建一种可靠的方法来分析EEG光谱图中复杂的时空SWD模式.
主要方法:
- 开发了Spike-Wave放电人工神经网络 (SWAN),一个浅层人工神经网络 (ANN) 分类器.
- 分析了来自WAG/Rij大鼠的EEG数据的STFT光谱图,包括自发性和西拉/德克斯米德胺诱导的SWD.
- 加入了一个新的"确定性"指标来量化检测信心.
主要成果:
- 在基线和药理条件下检测SWD时,SWAN获得了高精度 (0.96) 和灵敏度 (0.79).
- 人工神经网络 (ANN) 分类器与传统的基于振幅的变化度量相比,表现优越.
- 在经过验证的老鼠模型中,SWAN成功地识别了自发性和转化性SWD.
结论:
- 斯旺提供准确和自动检测SWDs,对于诊断缺席至关重要.
- SWAN的高精度将长时间记录中的过度诊断降到最低,支持无人监控的可穿戴EEG监控.
- SWAN作为研究和治疗评估的强大工具,未来的工作重点是扩展数据集以优化灵敏度.
