大规模临床 EEG 张量分解揭示可解释的脑生理模式
信号处理
2023-02-07 v2 机器学习
应用统计
摘要
识别脑电图（EEG）中的异常模式仍是诊断多种神经系统疾病的基石。当前的临床 EEG 阅图过程严重依赖专家目视审阅，该方法不可扩展且易出错。为辅助专家审阅，利用无监督方法挖掘群体水平 EEG 模式引起了极大兴趣。现有方法要么依赖二维分解（如主成分分析与独立成分分析），要么依赖深度表示学习（如自编码器、自监督）。然而，多数方法未利用 EEG 天然的多维结构且缺乏可解释性。本研究提出一种使用规范多元分解的张量分解方法，以发现一组简洁的群体水平 EEG 模式，保留 EEG（时间 × 空间 × 频率）的天然多维结构。随后我们使用包含不同认知障碍阶段患者的队列验证其临床价值。结果表明，所发现的模式反映了具有生理意义的特性，并以远少于经典与深度学习基线的特征准确分类认知障碍阶段（健康 vs 轻度认知障碍 vs 阿尔茨海默病痴呆）。我们得出结论：群体水平 EEG 张量的分解可恢复专家可解释的 EEG 模式，有助于更小规模专科临床队列的研究。
引用
@article{arxiv.2211.13793,
title = {Tensor Decomposition of Large-scale Clinical EEGs Reveals Interpretable Patterns of Brain Physiology},
author = {Teja Gupta and Neeraj Wagh and Samarth Rawal and Brent Berry and Gregory Worrell and Yogatheesan Varatharajah},
journal= {arXiv preprint arXiv:2211.13793},
year = {2023}
}
备注
4 pages, 3 Figures, 2 Tables; Accepted at IEEE NER 2023