在慢性中风幸存者中静止状态脑电图中,与严重上肢损伤相关的功能连接:一种机器学习方法

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
• 康复医学 康复医学 康复医学

背景情况:

• 严重的上肢损伤 (ULI) 显著影响慢性中风幸存者的生活质量.
• 识别神经生物标志物对于评估恢复潜力和优化康复至关重要.
• 休息状态脑电图 (EEG) 提供了一种非侵入性方法来研究大脑功能.

研究的目的:

• 为了确定与慢性中风幸存者的严重ULI相关的EEG功能连接特征.
• 利用机器学习 (ML) 来根据EEG数据对严重的ULI进行分类.
• 了解在中风中严重ULI背后的神经机制.

主要方法:

• 收集了34名慢性中风幸存者的EEG数据.
• 参与者被分为轻度/中度 (FMA-UE ≥30) 和严重 (FMA-UE <30) ULI组.
• 采用了L1规范化和ReliefF特征选择的后勤回归,评估了六个频段的连贯性.

主要成果:

• 使用L1和ReliefF的后勤回归模型在分类严重的ULI时获得了高精度 (0.91平衡精度).
• 确定了14个重要的EEG连接特征,区分严重的轻度/中度ULI.
• 关键特征包括大脑广泛区域的三角形和三角形半球间和半球内连接,以及低β半球内连接.

结论:

• 低频大脑连接的改变与中风幸存者的严重ULI有关.
• 这些连接性变化超越了感觉运动皮质,涉及双边内半球和半球间区域.
• 未来的研究,使用更大的纵向数据集和早期中风幸存者,可以完善运动恢复的预测模型.