机构名称：
¥ 4.0
脑电图（EEG）作为研究大脑功能的临床工具的悠久历史，其为各种应用提供生物标志物的潜力远非筋疲力尽。机器学习（ML）可以通过利用复杂的EEG信号来隔离相关的大脑活动来指导未来的创新。然而，脑电图中的ML研究倾向于忽略生理伪像，这可能会导致中枢神经系统（CNS）提出生物标志物的问题。我们提出了一个框架，用于从CNS与用脑电图测量的外围信号进行概念化机器学习。基于Morlet小波的频谱跨频谱的通用信号表示使我们能够定义传统的大脑活动特征（例如日志功率）和最先进的ML方法（协方差矩阵）使用的替代输入。使用来自大型公共数据库（TUAB，TDBRAIN）的2600多种脑电图录音，我们研究了外围信号和伪影技术对ML模型的影响，对模型的年龄和性别预测分析。跨基准，基本的伪影抑制改善了模型性能，而使用ICA进一步删除外围信号降低了性能。我们的分析表明，外围信号可实现年龄和性别预测。但是，他们仅解释了大脑信号提供的性能的一小部分。我们表明，脑信号和身体信号都反映在脑电图中，可以预测个人特征。尽管这些结果可能取决于特定的预测问题，但我们的工作表明，当目标是使用ML开发CNS特定的生物标志物时，需要非常小心来分离这些信号。
来自脑电图的机器学习脑特异性生物标志物
主要关键词
相关文件推荐
