使用波袋分类器的小鼠神经疾病模型的可解释EEG生物标志物

科学领域:

• 神经科学
• 遗传学
• 计算生物学

背景情况:

• 脑电图记录大脑的电活动,显示与特定基因型相关的模式.
• 鉴定神经疾病基因型,特别是,如果没有直接的观察,就很有挑战性.
• 动物模型中的微妙神经现象通常缺乏明显的,使基因型诊断复杂化.

研究的目的:

• 研究从老鼠的长期EEG信号中预测神经疾病基因型.
• 开发一种机器学习方法来提取EEG波形生物标志物用于基因型预测.
• 评估使用EEG波形发生计数来识别相关的基因型的有效性.

主要方法:

• 使用了6组自由行为小鼠的长期EEG信号 (有和没有TSC1基因淘汰的三种内生菌株).
• 开发了一种机器学习模型,使用优化的波形字典来近似EEG窗口.
• 使用波形发生的逻辑回归作为基因型预测的特征,通过交叉验证进行验证.

主要成果:

• 来自多小时EEG段的波形计数可靠地预测了小鼠的压力 (准确率为70%).
• 在DBA2和C57B6小鼠中,特定菌株的分类器确定了基因型 (TSC1淘汰赛).
• 在没有明显的发作或检测到的发作的情况下,实现了高特异性 (100% DBA2, 67% C57B6).

结论:

• 脑电图波形作为鉴定基因型的有价值的表型生物标志物.
• "波袋"特征表示对EEG数据的基因型预测有效.
• 这种机器学习方法有潜力诊断微妙的神经现象和基因型.