脑龄再探：基于深度学习考察脑电推导脑龄动态的态假说与特质假说
神经元与认知
2023-10-12 v1 机器学习
信号处理
摘要
大脑的生物年龄一直被视为一种具有神经学意义生物标志物的有前景候选。然而，近期基于纵向磁共振成像数据的结果对其解释提出了质疑。一个核心问题是，大脑生物年龄的增加是否指示脑病理，以及脑龄变化是否与已诊断病理相关（态假说）。或者，脑龄的差异是否可能是每个个体独有的稳定特征（特质假说）？为解答此问题，我们提出一项基于临床脑电图（EEG）的脑老化综合研究，以补充先前基于MRI的研究。我们应用最先进的时间卷积网络（TCN）于年龄回归任务。我们在明确标注为非病理的坦普尔大学医院EEG语料库（TUEG）记录上训练，并在非病理及病理受试者的记录上评估，包括单次时间点检查与随时间重复检查。为此，我们创建了TUEG的四个新颖子集，包含多次记录的受试者：I）全部标注为非病理；II）全部标注为病理；III）至少一次记录标注为非病理，随后至少一次记录标注为病理；IV）类似于III）但转变方向相反（先病理后非病理）。结果显示，我们的TCN在年龄解码中达到最先进性能，平均绝对误差为6.6年。我们广泛的分析表明，模型显著低估了非病理与病理受试者的年龄（-1和-5年，配对t检验，p <= 0.18和p <= 0.0066）。此外，脑龄差距生物标志物并不指示病理EEG。
引用
@article{arxiv.2310.07029,
title = {Brain Age Revisited: Investigating the State vs. Trait Hypotheses of EEG-derived Brain-Age Dynamics with Deep Learning},
author = {Lukas AW Gemein and Robin T Schirrmeister and Joschka Boedecker and Tonio Ball},
journal= {arXiv preprint arXiv:2310.07029},
year = {2023}
}