基于AR-TSNET的双模EEG-NIRS对药物成检测的研究

科学领域:

• 神经科学是一个神经科学.
• 计算神经科学是一种神经科学.
• 生物医学工程 生物医学工程

背景情况:

• 传统的药物成评估缺乏客观的生理指标和定量评估.
• 当前的方法依赖于主观的心理尺度和自我报告.
• 需要更客观和可靠的方法来评估成的严重程度.

研究的目的:

• 开发和验证一种基于深度学习的方法,用于客观地评估药物成.
• 使用多式神经成像数据 (EEG和NIRS) 来提高准确性.
• 评估一种新的深度学习算法AR-TSNET在分类成严重性的有效性.

主要方法:

• 一个视觉触发模式被用来引起吸毒者对药物成的渴望.
• 脑电图 (EEG) 和近红外光谱 (NIRS) 数据从健康个人和吸毒者中获取.
• 一个深度学习算法,AR-TSNET,使用特征级融合与Tception和Sception模块,注意力机制和剩余连接,被开发用于分类.

主要成果:

• 拟议的AR-TSNET模型使用k-fold交叉验证实现了92.6%的分类准确度.
• 使用EEG和NIRS数据进行双模式评估,与单模式方法相比,显示出更高的性能.
• 混矩阵和ROC曲线分析证实了该模型在评估药物成方面的出色表现.

结论:

• 使用EEG和NIRS开发的深度学习方法是客观评估药物成严重程度的有希望和有效方法.
• 多模式神经成像方法提供了更高的信息内容和比传统方法更好的可靠性.
• 这种客观,准确和可靠的方法在成研究和临床实践中具有潜在的应用,减少对主观评估的依赖.