机构名称：
¥ 3.0
摘要：近几年，使用机器和深度学习算法的信号处理领域取得了显着增长，在脑电图 (EEG) 中具有广泛的实际应用。经皮电针刺激 (TEAS) 是传统针灸方法的一种成熟变体，也受到越来越多的研究关注。本文介绍了使用深度学习算法对 EEG 数据进行研究的结果，以研究在刺激前、刺激期间和刺激 20 分钟后立即对 66 名参与者的手部施加不同频率的 TEAS 对大脑的影响。小波包分解 (WPD) 和混合卷积神经网络长短期记忆 (CNN-LSTM) 模型用于检查这种外周刺激的中心效应。使用混淆矩阵分析分类结果，以 kappa 作为度量。与预期相反，EEG 与基线的最大差异发生在每秒 80 个脉冲 (pps) 的 TEAS 或“假”刺激 (160 pps，零幅度) 期间，而最小的差异发生在 2.5 或 10 pps 刺激期间 (平均 kappa 0.414)。CNN-LSTM 的 kappa 平均值和 CV 明显高于多层感知器神经网络 (MLP-NN) 模型。据我们所知，从已发表的文献中，似乎没有进行过人工智能 (AI) 研究来研究不同频率的电针型刺激 (无论是 EA 还是 TEAS) 对 EEG 的影响。因此，这项开创性的研究为文献做出了重大贡献。然而，与所有 (无监督) DL 方法一样，一个特别的挑战是由于算法的复杂性和对底层机制缺乏清晰的理解，结果不易解释。因此，还有进一步研究的空间，即使用 AI 方法探索 TEAS 频率对 EEG 的影响，最明显的起点是混合 CNN-LSTM 模型。这将使我们能够更好地提取信息以了解外周刺激的中枢效应。
深度学习 A - 开放研究在线
主要关键词
相关文件推荐
