NeuroCLIP：用于rTMS治疗甲基苯丙胺成瘾分析的多模态对比学习方法
信号处理
2025-07-29 v1 人工智能
机器学习
神经元与认知
摘要
甲基苯丙胺依赖是全球范围内的重要健康挑战，其评估以及类似的是成人双侧经颈磁刺激（rTMS）治疗的评估常常依赖主观自我报告，这可能引入不确定性。虽然客观神经影像学模态如脑电图（EEG）和功能近红外光谱（fNIRS）提供了替代方案，但其单一模态的局限性以及对传统方法（常为手工特征提取）的依赖会损害所导出生物标志物的可靠性。为克服这些限制，我们提出了 NeuroCLIP，这是一个集成了同步记录的 EEG 和 fNIRS 数据的新型深度学习框架，通过渐进式学习策略实现。该方法为甲基苯丙胺成瘾提供了一个稳健可信的生物标志物。验证实验表明，NeuroCLIP 在甲基苯丙胺依赖者与健康对照人群之间显著提高了辨识能力，优于仅使用 EEG 或仅使用 fNIRS 的模型。此外，所提框架促进了基于大脑的客观评估 rTMS 治疗疗效，治疗后显示出神经模式向健康对照人群的可测量性变化。关键在于，我们通过显示 NeuroCLIP 派生的生物标志物与经过心理测量验证的渴望评分之间的强相关性，证明了该多模态数据驱动生物标志物的可信度。这些发现表明，基于 EEG-fNIRS 数据通过 NeuroCLIP 派生的生物标志物相对于单模态方法具有更大的鲁棒性和可靠性，为成瘾神经科学研究提供了有价值的工具， potentially improve clinical assessments。
引用
@article{arxiv.2507.20189,
title = {NeuroCLIP: A Multimodal Contrastive Learning Method for rTMS-treated Methamphetamine Addiction Analysis},
author = {Chengkai Wang and Di Wu and Yunsheng Liao and Wenyao Zheng and Ziyi Zeng and Xurong Gao and Hemmings Wu and Zhoule Zhu and Jie Yang and Lihua Zhong and Weiwei Cheng and Yun-Hsuan Chen and Mohamad Sawan},
journal= {arXiv preprint arXiv:2507.20189},
year = {2025}
}