在健康成年人中使用功能近红外光谱与机器学习的嗅觉功能测试的诊断效率:健康成年人中的前性诊断准确性 (可行性/验证) 研究与算法开发

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 心理物理学的精神物理.

背景情况:

• YSK嗅觉功能 (YOF) 测试评估嗅觉值,歧视和识别.
• 目前的评估依赖于主观的心理物理测量.
• 需要对嗅觉表现的客观神经相关物.

研究的目的:

• 评估是否与YOF测试同步的功能近红外光谱 (fNIRS) 可以预测YOF子域中的性能.
• 为客观的嗅觉功能评估开发机器学习模型.
• 提供一个客观的神经相关物来补充行为嗅觉测试.

主要方法:

• 在YOF测试期间,100名健康成年人接受了前额/轨道前额fNIRS.
• 特性集包括血液动力学变化 (ΔHbO/ΔHbR),Lempel-Ziv复杂性和相互信息.
• 机器学习模型 (包括注意力-CNN) 已开发用于值,歧视和识别任务.

主要成果:

• 值预测模型实现了86%的准确性和AUC为0.86.
• 歧视模型的准确率为75%,AUC为0.76.
• 识别模型 (注意-CNN) 实现了88%的准确性,86%的灵敏度和91%的特异性.

结论:

• 嗅觉唤起的fNIRS信号准确地预测健康成年人的YOF子域表现.
• 这种方法支持非侵入性,便携式,近乎实时的嗅觉监测的可行性.
• 结果需要在不同的队列中进行外部验证,并且对于临床种群来说是初步的.