基于张量机器学习与oddball脑机接口范式解析任务负荷与痴呆相关脑信号
神经元与认知
2019-06-20 v1 机器学习
信号处理
摘要
老年人痴呆近来已成为认知衰退最常见的病因。在老龄化社会中，痴呆病例的激增给全球许多社区带来了显著的经济与医疗问题。世界卫生组织（WHO）最近发布的一份报告估计，全球约有4700万人患有痴呆相关的神经认知衰退。据预测，到2050年痴呆病例将增至三倍，这要求创建基于人工智能的技术应用，以支持早期筛查干预，并通过数字药物（即所谓“超越药片”的）治疗方法进行后续心理健康检查与保护。我们展示了脑信号（EEG）分类的尝试与探索性结果，以建立用于痴呆阶段阐释的数字生物标志物。我们讨论了多种机器学习方法对高、低任务负荷声音刺激识别的自动事件相关电位（ERPs）分类的比较。这些ERPs与痴呆中的ERPs相似。所提出的在深度全连接神经网络设置中使用基于张量的机器学习的方法，是开发基于人工智能的方法以后续应用于主观及轻度认知障碍（SCI和MCI）诊断的一步进展。
引用
@article{arxiv.1906.07899,
title = {Brain correlates of task-load and dementia elucidation with tensor machine learning using oddball BCI paradigm},
author = {Tomasz M. Rutkowski and Marcin Koculak and Masato S. Abe and Mihoko Otake-Matsuura},
journal= {arXiv preprint arXiv:1906.07899},
year = {2019}
}
备注
In ICASSP 2019 - 2019 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), pp. 8578-8582, May 2019