Выявление сознания с помощью машинного обучения и мозговых сигналов | ЭЭГ, sklearn и высокопроизв...

Вот моя работа по обнаружению сознания, которую я представлю на OHBM 2020, мой постер № 2253, если хотите, можете подойти и увидеть меня!

Содержание:
методы: 0:00
конвейер машинного обучения: 3:00
обзор кода: 7:10
результаты: 19:00

Вот аннотация к анализу:
Название: Слабые связи в функциональных сетях головного мозга способствуют классификации состояний сознания, модулированных анестетиками.

Аннотация:
Введение: Анализ на основе теории графов успешно используется для выявления различий в динамике мозга в различных состояниях сознания. В большинстве случаев графы, созданные на основе данных функциональной связности, часто бинаризуются, чтобы включить только самые сильные связи, исключая слабые, но значимые веса из анализа. Влияние пороговой обработки функциональных сетей головного мозга для создания графов изучено недостаточно. Целью данного исследования было сравнение прогностической способности графов, построенных на основе самых сильных весов, с графами, построенными на основе всех взвешенных связей, для обнаружения состояний сознания. Мы использовали анализ машинного обучения для прогнозирования базового состояния, состояния бессознательности, вызванной анестезией, и состояния восстановления на основе графов, построенных из высокоплотной ЭЭГ, записанной у здоровых участников.

Методы: Девять участников прошли протокол анестезии, при этом 128-канальная ЭЭГ записывалась до (базовое состояние), во время бессознательности, вызванной анестезией (бессознательное состояние), и непосредственно перед восстановлением сознания (предварительное восстановление). Сигнал был локализован по источникам и усреднен по 82 областям коры головного мозга в соответствии с сегментацией атласа мозга AAL. Были рассчитаны два типа функциональной связности — корреляция амплитудной огибающей (AEC) и взвешенный индекс фазовой задержки (wPLI) — для всех комбинаций областей мозга. Полученные матрицы функциональной связности затем либо бинаризировались (например, верхние 10% связей устанавливались равными 1, а все остальные — 0), либо оставались взвешенными. Метрики теории графов (т. е. коэффициент кластеризации, глобальная эффективность, модульность и свойство малого мира) рассчитывались для обоих наборов матриц и использовались в качестве входных данных для алгоритмов классификации машинного обучения (т. е. линейный дискриминантный анализ, линейные машины опорных векторов и случайный лес) для прогнозирования двух состояний сознания: базовое состояние против бессознательного или базовое состояние против состояния до восстановления. Относительная важность признаков в прогнозировании состояния сознания проверялась путем сравнения: только метрик функциональной связности (т. е. среднее значение и стандартное отклонение); только признаков теории графов (бинаризованных или взвешенных); и метрик функциональной связности в сочетании с признаками теории графов (бинаризованных или взвешенных).

Результаты:
Функциональная связность на основе огибающей и на основе фазы имела различную прогностическую способность для разных состояний сознания. AEC предсказывал бессознательное состояние с точностью 86,4% и состояние до восстановления с точностью 72,8%; wPLI предсказывал бессознательное состояние с точностью 78,5% и состояние до восстановления с точностью 80,4%.

Включение связей с низким весом значительно улучшило прогнозирование состояний сознания. Графы, построенные на основе взвешенных сетей AEC, увеличили прогностическую мощность примерно на 10% по сравнению с бинарными сетями AEC (бессознательное состояние: с 50,4% (бинарная) до 63,8% (взвешенная); состояние до восстановления: с 54,6% (бинарная) до 62,4% (взвешенная)). Графы, построенные на основе взвешенных сетей wPLI, также повысили свою прогностическую мощность примерно на 10% по сравнению с бинарными сетями wPLI (бессознательное состояние: от 57,2% (бинарные) до 65% (взвешенные); состояние до восстановления: от 55,2% (бинарные) до 68,9% (взвешенные)).

Примечательно, что включение связей с низким весом в графы сети по-разному улучшило точность классификации бессознательного состояния для связности на основе оболочки и состояния до восстановления для связности на основе фазы. Это соответствует состоянию сознания, предпочтительно определяемому семейством связей.

Выводы:
Большинство анализов теории графов для характеристики состояний сознания в настоящее время проводятся с использованием только наиболее сильной взвешенной функциональной связи между узлами. Наши результаты показывают, что связи с низким весом содержат информацию, которая значительно предсказывает состояние сознания. В будущих исследованиях сознания следует учитывать взвешенные и не пороговые паттерны функциональной связности, чтобы включить этот важный источник информации.

...   / discord  

----
Следите за мной онлайн здесь:

Twitter:   / codethiscodeth1  
GitHub: https://github.com/yacineMahdid
LinkedIn:   / yacine-mahdid-809425163  
Instagram: https://www....