基于被动听觉ERP范式的慢性意识障碍患者个体评估研究

摘要：

近年来,大脑功能检测技术逐渐应用于意识障碍(DoC)患者的意识水平评估,以期降低仅依靠临床主观行为量表评估的误诊率.其中,被动听觉事件相关电位(ERPs)范式下诱发的N1和失匹配负波(MMN)成分被认为是反应DoC患者意识水平的关键脑功能指标,但目前仍局限于组别层面的统计分析结果,其在DoC患者个体水平的评估效能尚待挖掘.根据N1和MMN成分的特性,提出了一种适用于被动听觉ERPs范式下DoC患者个体评估的深度学习算法.该方法引入了特征融合的数据扩增策略,即在单被试数据中随机抽取不同类型的试次进行空间级联形成新的融合样本,并结合EEGNET深度学习算法实现自动化特征提取和分类识别.在包含132名被试的单试次数据集上进行测试.对健康被试(38名),微意识状态(40名)和植物状态(54名)患者进行三分类评估.统计分析结果表明,该样本融合策略可显著提升模型分类表现,并在单被试融合样本数量扩增至1 000时模型取得样本水平75.14％的平均分类准确率,以及被试水平83.00％的平均分类准确率,83.79％的精确率和84.02％的召回率.所提出的深度学习框架可有效克服传统方法中存在的个体评估能力不强的问题,为DoC患者个体评估提供新的研究思路.

关键词：意识障碍、事件相关电位、失匹配负波、深度学习、数据扩增

所属期刊栏目：41

分类号：R318(医用一般科学)

资助基金：国家自然科学基金;国家自然科学基金;北京市科技新星计划

在线出版日期：2022-07-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：129-139