在中风患者的运动图像分类和功能恢复预测中跨领域挑战的相互生成

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 脑卒中是导致运动残疾的主要原因,需要先进的康复策略,如运动影像大脑计算机接口 (MI-BCI).
• 现有的MI-BCI研究主要使用来自健康受试者的数据,由于半球横向化和病变变异,这给中风患者的运动图像 (MI) 任务的分类带来了挑战.
• 从中风患者的脑电图 (EEG) 数据显示出基于半侧和病变位置的显著差异,使模型开发复杂化.

研究的目的:

• 探索生成模型在减轻脑电图数据中的域差异方面的有效性,这些数据来自不同半侧的中风患者.
• 通过使用标签软化算法来提高MI分类模型的性能,以避免低质量样本的不良影响.
• 调查拟议框架的潜力,以预测中风患者的功能恢复水平.

主要方法:

• 利用生成模型来解决中风患者EEG数据中的域差异.
• 实施了标签软化算法,以提高对噪音或低质量数据的模型稳定性.
• 使用两组中风患者的MI-EEG数据集验证了该方法,将性能与经典机器学习和最先进的模型进行比较.
• 引入了一个预测层,以评估模型在预测功能恢复方面的能力.

主要成果:

• 与现有方法相比,拟议的生成模型显著改善了在主体依赖和主体独立的场景中MI分类性能.
• 该模型的每个组件,包括子模块和损失函数,都显然有助于整体性能提升.
• 添加了一个预测层,可以准确预测中风患者的功能恢复水平.

结论:

• 生成模型为MI-BCI应用中风患者EEG数据的域差异克服提供了一个有希望的解决方案.
• 开发的MI-BCI分类框架,包括生成模型和标签软化,实现了卓越的性能并有助于预测患者康复.
• 该框架能够预测功能恢复,这为个人化康复规划和对中风幸存者的监测开辟了道路.