使用完全可解读的卷积神经网络揭示EEG振荡的多域特征
1Department of Electrical, Electronic and Information Engineering "Guglielmo Marconi" (DEI), University of Bologna, Cesena, Forlì-Cesena, Italy.
Computer methods and programs in biomedicine
|August 20, 2025
概括
这项研究引入了一种新的,可解释的深度学习框架,用于分析脑电图 (EEG) 的脑振荡. 这种方法自动识别关键的频率,空间和时间模式, 增强大脑功能分析.
科学领域:
- 神经科学
- 计算神经科学
- 信号处理
背景情况:
- 使用脑电图 (EEG) 分析神经振荡对于理解大脑功能至关重要.
- 传统的EEG分析方法在质量,可重复性和可靠性方面面临限制,原因是手工处理选择和缩小尺寸.
- 需要自动化,端到端的方法来分析EEG振荡与最小的先前假设.
研究的目的:
- 开发一种全新的,完全可解释的深度学习框架来描述EEG信号中的神经振荡.
- 自动识别最小预处理的EEG数据的最佳处理策略.
- 通过频率,空间和时间领域揭示大脑振荡的突出特征.
主要方法:
- 使用完全可解释的卷积神经网络 (CNN) 设计了一种新型框架.
- 美国有线电视新闻 (CNN) 获取了一系列带通波器,
- 特定频率的空间和时间过识别突出特征, 处理以揭示有意义的EEG签名.
主要成果:
- 该框架已成功应用于动力图像任务中的真实数据.
- 该方法确定了运动图像期间已知的脑振荡调节,与经典分析一致.
- 最重要的是阿尔法频段 (8 - 13 Hz),与运动相关的电极和 cue 附近的时间样本.
结论:
- 提出的框架提供了一种自动,最佳和端到端的方法来表征大脑振荡.
- 这种方法可以显著提高对健康个体和患者大脑功能的理解.
- 它有潜力通过EEG信号分析追踪神经病变.
