基于使用卷积神经网络在中风中使用脑电图的运动热点定位的临床可行性

科学领域:

• 神经科学是一个神经科学.
• 医疗技术 医疗技术 医学技术
• 人工智能的人工智能

背景情况:

• 超磁刺激 (TMS) 是最佳的识别运动热点,但是繁的,需要专家的判断.
• 现有的方法需要定期访问医院,并且可能是主观的.
• 在中风患者和健康对照人群之间,EEG模式的变化对非侵入性方法构成了挑战.

研究的目的:

• 开发一种基于脑电图 (EEG) 的先进算法,用于识别单个运动热点.
• 评估这种深度学习算法的临床可行性和好处,特别是在中风患者中.
• 为汽车热点定位提供一个更容易获得和更有效的TMS替代方案.

主要方法:

• 使用二维卷积神经网络 (CNN) 来估计运动热点位置.
• 该算法使用健康受试者的EEG数据在手动任务中进行训练和验证.
• 随后,深度学习模型被应用于中风患者的EEG数据.

主要成果:

• 该算法在使用功率光谱密度 (PSD) 特征的健康受试者中实现了0.35 ± 0.04 mm的平均误差距.
• 使用原始EEG数据,健康受试者的平均误差为2.27 ± 0.27毫米,中风患者的平均误差为1.64 ± 0.14毫米.
• 该算法在较少的电极下表现出稳健性,在中风患者中仅有5个通道,平均误差为1.77 ± 0.15毫米.

结论:

• 开发的基于EEG的深度学习方法有效地识别了个别的运动热点.
• 该算法显示了临床可行性,成功应用于中风患者.
• 这种方法为TMS提供了可行的替代方案,可能增强康复策略.