通过休息状态和任务状态集成与空间时间特征减少,通过fNIRS-based MCI检测进行了改进
Chutian Zhang1,2, Hongjun Yang2,3, Jiaxing Wang2,3
1Department of Engineering ScienceFaculty of Innovation EngineeringMacau University of Science and Technology Macau China.
概括
这项研究引入了使用功能近红外光谱学 (fNIRS) 准确检测轻度认知障碍 (MCI) 的新框架. 该方法整合了休息状态和任务状态的大脑数据,提高了早期痴呆症检测的诊断准确性.
科学领域:
- 神经科学是一个神经科学.
- 医疗技术 医疗技术 医学技术
- 机器学习 机器学习
背景情况:
- 轻度认知障碍 (MCI) 是痴呆症的前体,需要早期检测才能进行干预.
- 功能近红外光谱学 (fNIRS) 提供了一种非侵入性方法来监测大脑活动.
- 目前使用fNIRS进行MCI检测的机器学习方法存在数据不足和高维度问题.
研究的目的:
- 开发一个时空特征工程框架,以使用fNIRS改进MCI分类.
- 为了解决利用补充休息状态和任务状态fNIRS数据不足的局限性.
- 为了减少特征维度,为了更强大和更普遍的MCI检测模型.
主要方法:
- 使用独立组件分析 (ICA) 来从静止状态的fNIRS信号中推导空间波器.
- 通过集群主体特定的过器来创建一个通用的人口级别过器集,以将空间特征与任务状态信号隔离开来.
- 时间特征选择识别了具有歧视性的任务唤起的时间点,减少了MCI检测的维度.
主要成果:
- 该框架在将认知正常的个人与患有MCI的个人分类时实现了90.91%的准确性.
- 实现了 91.07% 的显著特征维度减少.
- 分析显示,在认知任务中,与MCI生物标志物和关键时间决策点相关的通用空间过器.
结论:
- 拟议的框架有效地整合了休息状态和任务状态的fNIRS数据,以加强MCI检测.
- 减小尺寸导致基于fNIRS的MCI分类的准确性和可解释性更高.
- 这一进步为可通用的MCI检测和有效的临床数据扩展带来了潜力.
