基于ECoG的多尺度信号图像融合模型,用于自动检测早期创伤性脑损伤

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
• 信号处理 信号处理

背景情况:

• 扩散脱极化 (SDs) 显著导致二次脑损伤.
• 目前使用电皮质谱 (ECoG) 的床边监测在分析关节时空模式方面存在局限性,原因是单独的电极和频段分析.

研究的目的:

• 为全面的SD监测引入一个多尺度的信号-图像融合框架.
• 为了改善检测,使SDs的联合多模式,多频段光谱图像分析成为可能.

主要方法:

• 这些ECoG信号被转换成持久光谱减重谱图 (PSd-Spec).
• 采用了多通道和带变压器块 (MCBTB) 和多尺度自适应融合 (MSAF) 的变压器-CNN框架.
• 该网络提取了跨多个尺度的动态,并专注于适应空间传播建模.

主要成果:

• 该框架在500小时的神经-ICU记录中实现了92.6%的准确度和84.9%的灵敏度.
• 与单一模式基线相比,性能至少提高了18%.
• 发现SD发病的平均时间比专家观察早8分钟.

结论:

• 频谱图像与ECoG信号的多尺度融合为SDs提供了一个临床可行的早期预警系统.
• 这种方法将定量成像方法扩展到内电生理学,提供了改进的脑损伤监测.