机构名称：
¥ 1.0
早期发现创伤性脑损伤会直接影响患者的预后和存活。试图自动化检测和评估创伤性脑损伤的严重性的尝试继续基于临床诊断方法，并且大量人群中的疾病结果工具有限。尽管机器和深度学习工具取得了进步，但当前的方法仍然使用缺乏通用性的统计分析的简单趋势。深度学习的有效性可以通过使用更精细的架构来进一步强调大量数据子集中的信息。我们在探索多个输入，卷积神经网络和长期短期记忆（LSTM）综合体系结构的使用中，通过预测鼠临床前模型数据集中脑损伤的存在，在创伤性损伤检测的背景下使用。我们研究了拟议模型中创伤性脑损伤检测的有效性和有效性，以针对其他各种机器学习算法，例如支持向量机，随机森林分类器和前馈神经网络。我们的数据集是使用家用笼自动化（HCA）系统获取的，以评估脑外伤或非中心神经系统（非CNS）受伤的对照的小鼠的个体行为，同时安置在笼子中。他们的行进距离，体温，与其他小鼠的分离和运动每15分钟记录每周72小时，持续5周，以进行干预。我们还探索和评估了不同的方法来处理我们培训数据的阶级中存在的类不平衡。HCA行为数据用于训练深度学习模型，然后预测动物是否遭受脑损伤或仅仅是虚假干预而没有脑损伤。然后，我们通过剩余的交叉验证评估了我们的模型。我们提出的深度学习模型达到了最佳性能，并在检测小鼠中脑创伤的能力方面表现出了希望。
深度学习临床前脑损伤模型中的行为分类
主要关键词
相关文件推荐
