N2G校准器:一个跨学科领域的对抗性培训框架,用于在帕金森病中从神经信号跟踪步态

科学领域:

• 生物医学工程 生物医学工程
• 神经科学是一个神经科学.
• 机器学习 机器学习

背景情况:

• 适应性深度大脑刺激 (DBS) 依赖于机器学习模型来解释用于运动状态跟踪的神经信号.
• 目前的数据驱动的DBS方法需要广泛的,用户特定的数据收集,包括重复的任务和传感器,由于个体间的神经信号的变化.
• 这限制了个性化的模型校准,特别是在临床环境之外.

研究的目的:

• 开发一个跨学科的深度学习框架,神经到步态校准器,用于跟踪帕金森病患者的步态表现.
• 消除对广泛的用户特定数据和同步步行程记录系统的需求,以进行个性化的模型校准.
• 为了使个性化的模型校准在设备齐全的临床环境之外.

主要方法:

• 利用跨学科的深度学习框架,利用来自多个个体的集体神经数据.
• 采用域对抗式学习来校准目标用户的神经信号,使用来自其他个人的数据.
• 验证了框架在追踪PD患者的步行表现方面的有效性.

主要成果:

• 与没有校准训练的模型相比,实现了显著的错误率降低.
• 证明了与直接使用标记目标数据训练的模型可比的性能.
• 成功启用了个性化的模型校准,而不需要同步步行记录.

结论:

• 神经到步态校准器框架有效地跟踪PD患者的步态表现,使用集体神经数据.
• 域对抗式学习促进了跨主题校准,减少了对广泛的个人数据收集的需求.
• 这种方法通过在临床环境之外进行校准来提高个性化自适应DBS的可行性.