FRAME-C：用于多电极阵列电生理信号分类的知识增强深度学习管道
信号处理
2025-05-27 v1 机器学习
摘要
肌萎缩性肌萎缩症（ALS）是一种致命的神经退化性疾病，由运动神经元退化致，神经兴奋性改变是关键指标。近期诱导多能干细胞（iPSC）技术的进展使能够生成人源iPSC衍生神经节肤细胞，结合多电极阵列（MEA）电生理学，提供丰富的空间和时间电生理数据。传统上，MEA数据使用基于手工特征的分析方法，这些特征可能受限于不完美的领域知识，虽有用但未能完全捕获数据中所有有用特征。机器学习，特别是深度学习，有潜力从原始数据中自动学习相关特征，而无需完全依赖手工特征提取。然而，手工特征对于编码领域知识和提高可解释性尤其在数据有限或噪声较大时仍至关重要。本研究介绍FRAME-C，一种结合领域知识、原始尖波波形数据和深度学习技术的知识增强机器学习管道，用于分类MEA信号并识别ALS特异表型。FRAME-C利用深度学习从尖波波形中学习重要特征，同时融合诸如尖峰幅度、尼克间隔和尖峰持续时间等手工特征，保留关键空间和时间信息。我们在模拟数据和来自人源iPSC衍生神经节肤细胞的真实MEA数据上验证了FRAME-C，证明其优于现有分类方法。FRAME-C在真实数据上提升超过11%，在模拟数据上提升最高达25%。我们还展示FRAME-C可评估手工特征的重要性，为ALS表型提供洞察。
引用
@article{arxiv.2505.18183,
title = {FRAME-C: A knowledge-augmented deep learning pipeline for classifying multi-electrode array electrophysiological signals},
author = {Nisal Ranasinghe and Dzung Do-Ha and Simon Maksour and Tamasha Malepathirana and Sachith Seneviratne and Lezanne Ooi and Saman Halgamuge},
journal= {arXiv preprint arXiv:2505.18183},
year = {2025}
}