基于扩散模型的未配对自发性早产新生儿脑电图与胎儿脑磁图翻译
信号处理
2025-07-22 v1 机器学习
摘要
背景与目标：早产儿的大脑活动传统上通过脑电图（EEG）进行研究，这极大地促进了我们对早期神经发育的理解。然而，由于大脑发育始于胎儿阶段，这一过程中的关键窗口期在很大程度上仍是未知的。唯一能够记录宫内环境神经活动的技术是胎儿脑磁图（fMEG），但该方法在数据质量和数据稀缺性方面存在挑战。本研究旨在利用人工智能，将EEG研究中积累的成熟知识迁移至fMEG，以增进对产前大脑发育的理解，为更好地检测和治疗潜在病理奠定基础。方法：我们开发了一种基于双扩散桥的无配对扩散翻译方法，该方法特别包含了数值积分改进，以在较低计算成本下获得更高质量的结果。模型在我们的无配对数据集上进行训练，该数据集包含来自30例高分辨率早产儿EEG记录和44例fMEG记录的自发性活动爆发。结果：我们证明，与先前基于生成对抗网络（GAN）的结果相比，我们的方法在时域上的均方误差降低了近5%，并完全消除了频域中的模式崩溃问题，从而实现了近乎完美的信号保真度。结论：我们在EEG-fMEG无配对翻译问题上树立了新的技术标杆，我们开发的工具为早期大脑活动分析铺平了道路。总体而言，我们也相信我们的方法可以复用于其他无配对信号翻译应用。
引用
@article{arxiv.2507.14224,
title = {Diffusion-based translation between unpaired spontaneous premature neonatal EEG and fetal MEG},
author = {Benoît Brebion and Alban Gallard and Katrin Sippel and Amer Zaylaa and Hubert Preissl and Sahar Moghimi and Fabrice Wallois and Yaël Frégier},
journal= {arXiv preprint arXiv:2507.14224},
year = {2025}
}