基于机器学习的直接脑电刺激映射中语音停止预测
机器学习
2025-09-11 v1
摘要
确定脑区中与语言相关的区域对于靠近语言区的脑手术至关重要。尽管电刺激映射(ESM)仍是临床金标准，但其侵入性且耗时。为此，我们分析了 16 名受试者执行语音任务时的颅内电脑刺激图(ECoG)数据，并开发了机器学习模型来直接预测位于每个 ECoG 电极下方的脑区是否关键。从独立于电刺激映射(ESM)的数据中推导出指示语音停止的ground truth标签，用于训练分类模型。我们的框架整合了神经活动信号、解剖区域标签和功能连接特征，以捕捉局部活动和网络级动态。我们发现，结合区域特征和连接特征的模型的性能与完整特征集相当，而且优于仅使用其中一种特征的模型。为了对每个电极进行分类，使用 MLP 对 trial-level 预测进行聚合。我们最佳的模型——结合 MLP 集成的 trial-level RBF 核支持向量机——在留出受试者上的表现优异(ROC-AUC: 0.87, PR-AUC: 0.57)。这些发现凸显了结合空间信息和网络信息以及非线性建模在术前评估中提高功能图谱的价值。
引用
@article{arxiv.2509.08703,
title = {Machine Learning-Based Prediction of Speech Arrest During Direct Cortical Stimulation Mapping},
author = {Nikasadat Emami and Amirhossein Khalilian-Gourtani and Jianghao Qian and Antoine Ratouchniak and Xupeng Chen and Yao Wang and Adeen Flinker},
journal= {arXiv preprint arXiv:2509.08703},
year = {2025}
}
备注
Accepted at IEEE International Conference on Neural Engineering (NER), 2025. This is the author's accepted manuscript