双式EEG-fNIRS和深度学习用于分类依赖强度的皮质听力引起的响应.

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
• 听力学 听力学是指听力学.

背景情况:

• 电脑电图 (EEG) 对于检测强度依赖的皮质听觉唤起反应至关重要.
• 功能近红外光谱学 (fNIRS) 提供了对大脑活动的补充见解.
• 对听觉反应进行分类对于临床听力学和神经学研究至关重要.

研究的目的:

• 研究fNIRS与EEG相结合的附加值,用于对不同强度的听觉刺激进行皮质反应的分类.
• 使用时间序列和基于特征的输入与传统分类器进行深度学习模型 (CNN,MLP) 的比较.
• 为了评估单模电脑脑电图与双模电脑电图fNIRS数据的性能.

主要方法:

• 开发了两个分类模型:TS模型 (CNN,原始时间序列) 和F模型 (MLP,提取特征).
• 使用单模EEG和双模EEG-fNIRS数据评估的模型.
• 与三种传统的机器学习分类器进行性能比较.

主要成果:

• 在所有模型中,双模式EEG-fNIRS输入始终优于单模式EEG.
• TS模型实现了最高的准确性 (92.2%双模相比79.3%单模).
• 曲线下的面积 (AUC) 和F1得分也随着双式输入而显著改善.

结论:

• 多模神经数据 (EEG-fNIRS) 提供了补充信息,增强了听觉皮层反应的分类.
• 基于深度学习的时间序列分析有效地捕获了区分对不同声音强度的响应模式.
• 整合多模式神经数据可以改善听力和神经学研究中的临床评估.