使用同步EEG-EMG和fMRI进行中风后下肢运动功能障碍的基于深度学习的康复预测模型的构建
Jiaqi Shi1, Hongyu Wang1, Haiyan Gou1
1Department of Neurology, The 2nd Affiliated Hospital of Harbin Medical University, Harbin, China.
Frontiers in neuroscience
|September 8, 2025
概括
这项研究开发了一种结合fMRI,EEG和EMG数据的深度学习模型,以预测中风康复结果. 多模式方法显著提高了下肢运动功能恢复的预测准确性.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 康复医学 康复医学 康复医学
背景情况:
- 缺血性中风经常导致运动缺陷,需要准确预测康复结果.
- 预测运动功能的恢复对于定制康复策略和管理患者期望至关重要.
研究的目的:
- 开发一个预测模型,用于3个月的中风后康复结果在缺血性中风患者.
- 整合休息状态功能磁共振成像 (fMRI) 与脑电图 (EEG) 和肌电图 (EMG) 数据,以提高预测准确度.
主要方法:
- 102名缺血性中风患者接受了fMRI扫描;86人同时进行了EEG/EMG记录.
- 使用fMRI和时间序列数据构建了单独的预测模型.
- 一种集合学习方法创建了一个多式联接融合模型 (ShuffleNet-LSTM),集成所有数据类型.
主要成果:
- 多模式融合模型显著优于单模式模型.
- 在ShuffleNet-LSTM模型中,AUC达到0.8665,准确度为0.8031,F1得分为0.7829,回忆率为0.774,精度为0.833.
结论:
- 一个基于深度学习的多式模式有效地预测了中风后下肢运动功能的恢复.
- 该ShuffleNet-LSTM模型在提高康复结果预测准确度方面表现出卓越的表现.
