静止状态fNIRS信号的时间频率深度度度度学习用于确定阿尔茨海默病的阶段

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 阿尔茨海默病 (AD) 诊断依赖于识别大脑活动中的微妙变化,特别是影响工作记忆的额叶网络.
• 静态功能近红外光谱 (fNIRS) 提供了一种非侵入性方法来测量大脑活动,但使用低频信号 (0.008-0.15 Hz) 分类早期AD阶段是具有挑战性的.
• 有限的数据集大小和信号变异性阻碍了传统深度学习模型在神经退行性疾病分类中的性能.

研究的目的:

• 开发一个深度度度度学习框架,将静态fNIRS信号嵌入到一个有区别的特征空间中.
• 通过分析时间频率域特征,提高阿尔茨海默病 (AD) 阶段的分类准确性,包括轻度认知障碍 (MCI).
• 解决数据密集型深度学习模型在小样本大小的神经成像研究中的局限性.

主要方法:

• 提出了一种新的深度度度度学习框架,其中包含了一个连续波波变换层.
• 休息状态的fNIRS数据从健康对照组 (HCs),MCI患者和AD患者中收集.
• 该框架生成了强大的信号嵌入,并使用学习距离度量来评估样本间的相似性,用于分类.

主要成果:

• 拟议的框架在时间频率领域实现了AD患者和HC之间的高分类准确性.
• 频域度量学习在捕捉大脑信号的复杂性方面表现出有效性.
• 发现了区域间大脑激活模式的显著差异,与神经退行症进展相关.

结论:

• 使用时间频域中的fNIRS信号进行深度度度学习是对阿尔茨海默病的分类有前途的方法.
• 该方法有效地捕捉到大脑信号的复杂性和区域间激活差异,这对于理解神经退行来说至关重要.
• 这一框架提供了一个潜在的解决方案,可以提高神经成像研究中的深度学习模型的概括性和性能,而数据有限.