多模态行为数据通过可解释的AI预测中风患者对BCI治疗的反应

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 康复医学 康复医学 康复医学

背景情况:

• 大脑计算机接口 (BCI) 神经康复显示了中风运动恢复的潜力,但产生了不同的患者反应.
• 确定BCI治疗成功的预测因素对于优化治疗策略至关重要.

研究的目的:

• 研究多模式行为数据对BCI治疗响应在亚急性中风患者的预测能力.
• 利用可解释的人工智能 (XAI) 方法来理解不同数据类型的贡献.

主要方法:

• 42名患有下肢损伤的亚急性中风患者接受了BCI培训,并接受了行为评估.
• 机器学习模型 (线性回归,弹性网,人工神经网络) 使用多式联络数据开发.
• 采用XAI技术 (逐步方法,沙普利添加式解释) 来进行模型解释.

主要成果:

• 结合最佳行为数据的多变量模型 (R2=0.852) 显著优于单变量模型 (R2=0.758).
• 弹性网和人工神经网络模型显示出高预测性能 (精度为0.810和0.762,AUC为0.782和0.771).
• 基线运动障碍,肌肉性和平衡功能成为BCI反应的主要预测因素.

结论:

• 多模式行为数据为预测中风患者对BCI治疗的反应提供了独特的见解.
• XAI方法对于精准医学至关重要,使临床医生能够定制神经康复策略.
• 通过数据驱动的方法识别个体的恢复潜力,可以优化治疗计划.