在多个EEG数据集中评估基于深度学习的大脑年龄预测模型的稳定性
IEEE transactions on bio-medical engineering
|December 2, 2025
概括
深度学习模型可以从脑电图 (EEG) 数据中解码年龄,但数据集转移带来了挑战. 优化超参数并根据目标数据集特征进行调整,可以在各种EEG数据集中提高概括性.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 生物医学工程 生物医学工程
背景情况:
- 大型脑电图 (EEG) 数据集越来越多,为临床应用提供深度学习 (DL) 的潜力.
- 由人口和硬件变化引起的数据集转移,显著降低了DL模型在解码认知和病理状态中的性能.
- 调查DL模型在不同EEG数据集中的概括对于可靠的临床翻译至关重要.
研究的目的:
- 系统地评估使用不同数据集的EEG数据对年龄解码深度学习模型的概括性.
- 确定关键的超参数和预处理策略,以提高对数据集转移的模型稳定性.
- 为未来研究改善基于EEG的DL模型的泛化建立一个基准.
主要方法:
- 使用了五个不同的EEG数据集与两个交叉验证策略:离开一个数据集 (LODO) 和离开一个数据集 (LODI).
- 测试了1805个超参数配置,探索DL架构和数据预处理技术的变化.
- 使用Pearson的r和R平方指标评估模型性能,并对调整模型拦截进行额外分析.
主要成果:
- 深度学习模型展示了学习可概括的与年龄相关的EEG模式的能力,性能因数据集对而异.
- 1-45Hz的频率范围被确定为概括的最关键的超参数,其性能优于单个频段.
- 调整模型拦截与目标数据集平均年龄,在特定场景中提高了R平方得分,突出显示了数据集特征的影响.
结论:
- 深度学习模型可以在各种数据集中概括与年龄相关的EEG模式,尽管数据集的转移是一个重大挑战.
- 超参数调整,特别是使用广泛的频率范围 (1-45Hz),对于基于EEG的强大的年龄解码至关重要.
- 这些发现为开发更有弹性的DL模型提供了基准,用于使用异质EEG数据的临床应用.
