个性化实时推断人体EEG瞬间兴奋度的推断

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:

• 跨磁刺激 (TMS) 的有效性受到非适应性协议的限制.
• 目前的EEG引导的TMS依赖于运动唤起的潜能 (MEP),混刺激性并限制对运动皮层的应用.
• 在EEG引导的TMS中静态生物标志物不能适应动态神经生理模式.

研究的目的:

• 介绍PRIME (个性化实时推断瞬间刺激性),这是一个深度学习框架,用于从原始EEG信号中预测皮质刺激性.
• 通过直接针对皮质刺激性来实现适应性,个性化的闭环TMS干预.
• 促进大脑状态依赖刺激的延伸,超出运动皮层.

主要方法:

• 开发了一个深度学习框架,PRIME,从原始EEG信号中预测皮质刺激性 (TMS唤起的潜在振幅).
• 整合转移学习和持续适应,用于个性化生物标记物识别.
• 验证了PRIME能够在最小的延迟时间内预测皮质刺激性的能力.

主要成果:

• 从原始EEG信号中,PRIME成功地预测了皮层刺激性.
• 该框架在刺激性预测中显示了最小的延迟.
• PRIME促进了针对适应性刺激的个性化生物标志物的自动识别.

结论:

• PRIME提供了下一代个性化的闭环TMS的计算基础.
• 通过PRIME直接针对皮层刺激性,可以将适应性刺激扩展到运动皮层之外.
• PRIME 能够在个体和疗程之间进行适应性刺激定时,从而增强治疗潜力.