Rikonoxximent tad-Diskors tal-Vokali Mill-Elettroenċefalografija tal-Firien Bl-Użu ta' Netwerk Newrali ta' Memorja għal żmien qasir fit-tul Parti 3

Klassifikaturi tat-tagħlim bil-magni

Il-prestazzjoni ta’ BiLSTM tqabbel ma’ klassifikaturi konvenzjonali ta’ tagħlim tal-magni: SVM b’kernel lineari (SVM{0}}lin), SVM b’qalba ta’ funzjoni ta’ bażi radjali (SVM_rbf), foresti każwali (RF), NB, u KNN.

Il-foresta każwali hija algoritmu ta' tagħlim bil-magni li bħalissa huwa użat ħafna f'diversi oqsma ta' analiżi u tbassir tad-dejta. Meta mqabbel ma 'algoritmi oħra ta' tagħlim tal-magni, għandu robustezza u preċiżjoni aħjar, filwaqt li jnaqqas ukoll b'mod effettiv it-twaħħil żejjed. F'dawn l-aħħar snin, l-ambitu tal-applikazzjoni ta 'foresti każwali kien qed jespandi, u jista' saħansitra jintuża biex ibassar ċerti abbiltajiet tal-memorja tal-bniedem.

Fil-qasam tal-psikoloġija konjittiva, il-memorja hija direzzjoni ta 'riċerka importanti ħafna. Ix-xjentisti ilhom ifittxu mod sempliċi u effettiv biex jivvalutaw il-livelli tal-memorja tal-bniedem. F'dawn l-aħħar snin, l-emerġenza ta 'foresti każwali ġab ideat u metodi ġodda f'dan il-qasam.

Random Forest tista 'tħarreġ mudell biex tbassar varjabbli, li tista' tkun xi ħaġa li trid tbassar, inkluża l-kapaċità tal-memorja. Ix-xjentisti jistgħu jdaħħlu fatturi rilevanti f'mudell tal-foresti każwali biex ibassru kemm persuna se tikseb punteġġ fuq test tal-memorja. Dawn il-fatturi jistgħu jkunu fatturi bħall-età, il-livell tal-edukazzjoni, is-sess, il-piż, eċċ., jew indikaturi bijoloġiċi bħall-istruttura tal-moħħ. Skont ir-riċerka, hemm ċerta relazzjoni bejn dawn il-fatturi u l-kapaċità tal-memorja tal-bniedem.

Billi jiġbru u janalizzaw ammonti kbar ta 'dejta tat-test minn suġġetti, ix-xjenzati jistgħu jibnu mudell li jbassar l-abbiltà tal-memorja f'mudell ta' foresti każwali. It-tbassir tar-riżultati jista 'jipprovdi informazzjoni siewja dwar il-prestazzjoni futura ta' suġġett fuq ċertu test tal-memorja.

Fil-qosor, l-algoritmu tal-foresti każwali jipprovdi lix-xjenzati b'mod ġdid biex jevalwaw il-livelli tal-memorja tal-bniedem. Fil-futur, l-applikazzjoni tagħha jista 'jkollha rwol importanti fil-psikoloġija konjittiva, newroxjenza, u oqsma oħra. Għandna raġuni biex nemmnu li l-kombinazzjoni ta 'foresti każwali u tekniki oħra jistgħu jipprovdu perspettiva usa' u fehim aktar profond tar-riċerka dwar il-funzjoni tal-moħħ tal-bniedem. Wieħed jista 'jara li għandna bżonn intejbu l-memorja, u Cistanche deserticola jista' jtejjeb b'mod sinifikanti l-memorja, minħabba li Cistanche deserticola jista 'wkoll jirregola l-bilanċ ta' newrotrasmettituri, bħal żieda fil-livelli ta 'acetylcholine u fatturi ta' tkabbir. Dawn is-sustanzi huma importanti ħafna għall-memorja u t-tagħlim. Barra minn hekk, Laħam jista 'wkoll itejjeb il-fluss tad-demm u jippromwovi l-kunsinna tal-ossiġnu, li jista' jiżgura li l-moħħ jirċievi biżżejjed nutrijenti u enerġija, u b'hekk itejjeb il-vitalità u r-reżistenza tal-moħħ.

Ikklikkja taf modi biex ittejjeb il-funzjoni tal-moħħ

SVM [74] għandu l-għan li jiddetermina l-iperplane separat bl-aħjar mod billi jimmassimizza l-marġni, li hija d-distanza bejn il-vettori ta 'appoġġ. Bl-użu tal-kernel trick, SVM huwa kapaċi jimmappa l-ispazju tal-karatteristiċi minn dimensjonijiet baxxi għal għoljin; għalhekk, jista 'jwettaq b'mod effiċjenti klassifikazzjoni lineari u klassifikazzjoni mhux lineari.

RF [75] topera billi tibni siġar tad-deċiżjonijiet multipli matul il-fażi tat-taħriġ u tiġġenera l-klassi finali li tgħaqqad ir-riżultati ta' kull siġra tad-deċiżjonijiet. NB [76, 77] huwa klassifikatur probabilistiku bbażat fuq it-teorema ta' Bayes u l-probabbiltà kondizzjonali li normalment jassumi li l-karatteristiċi kollha huma indipendenti minn xulxin.

KNN [78] huwa approċċ mhux parametriku li jikklassifika l-input ibbażat fuq il-klassi tal-maġġoranza tal-k-eqreb ġirien tiegħu fl-ispazju tal-karatteristiċi. Normalment, il-valur k jintgħażel bħala numru fard biex jiġu evitati klassijiet marbuta.

Biex tħarreġ u tevalwa l-mudelli ta' tagħlim tal-magni t'hawn fuq, intuża l-istess 10-CV bħal fil-BiLSTM. Il-mudelli kollha tat-tagħlim tal-magni ġew implimentati bl-użu tal-librerija Scikit-Learn [73] f'Python.

Analiżi statistiċi

L-analiżi statistiċi kollha twettqu bl-użu ta’ softwer SPSS (SPSS verżjoni 20.0, SPSS Inc.,Armonk, NY, USA) u verżjoni tas-softwer MATLAB 2017b (Mathworks, Inc., MA, USA).

Id-dejta ġiet analizzata bi statistika parametrika peress li d-dejta kollha fl-istudju wriet distribuzzjoni normali fit-test Shapiro-Wilk (p> 0.05). ANOVA intużat biex tanalizza s-sinifikat statistiku tat-TFRs skont l-istimoli tal-vokali differenti.
Barra minn hekk, saret ANOVA ta 'miżuri ripetuti biex titqabbel il-prestazzjoni ta' kull klassifikatur. Sussegwentement, twettqu paraguni f'pari bl-użu ta' t-testijiet imqabbda bejn in-netwerk BiLSTM u klassifikaturi klassiċi oħra ta' tagħlim bil-magni, u saret korrezzjoni Bonferroni biex taġġusta għall-inflazzjoni tar-rata ta 'żball tat-tip I.

Is-sinifikat statistiku tal-valur p kien stabbilit għal 0.01 meta tqabbel it-TFR tar-risponsi EEG, filwaqt li l-livell ta 'sinifikat tal-valur p ġie stabbilit għal 0.05 meta tqabbel il-prestazzjoni bejn in-netwerk BiLSTM u klassifikaturi oħra tat-tagħlim tal-magni.

Riżultati

Potenziali evokati tas-smigħ bi tweġiba għall-ħsejjes tal-vokali

Total ta '19-il firien Sprague-Dawley għaddew minn kirurġija ta' impjantazzjoni ta 'elettrodu epidurali, u allrats baqgħu ħajjin il-proċedura kirurġika. Bħala riżultat, tweġibiet EEG għal ħames ħsejjes tal-vokali Ingliżi ġew irreġistrati minn 19-il firien anestetizzat bl-isoflurane. Biex jiġu estratti l-forom tal-mewġ AEP medji, ir-risponsi newrali kollha ġew medjati fuq is-suġġetti għal kull stimolu. Fig 4 tippreżenta l-medja tal-forom tal-mewġ AEP għal kull ħoss vokali minn AAF bilaterali.

Kif mistenni, kull ħoss vokali kategoriku evoka attivitajiet newrali distinti fl-AAF bilaterali b'amplitudnijiet u latenzi tal-ogħla livell li jvarjaw. L-amplitudni tal-quċċata tal-AEPs, definita bħala l-ogħla vultaġġ irreġistrat wara l-istimoli tal-vokali, kienet l-iżgħar għal /i/ (61.74 ㎶ fl-AAF tax-xellug u 61.27 ㎶ fl-AAF tal-lemin), filwaqt li l-AEPs bi tweġiba għal /a/ wrew l-akbar amplitudnijiet tal-ogħla livell. (92.12 ㎶ fl-AAF tax-xellug u 90.18 ㎶ fl-AAF tal-lemin).

L-ogħla latency, definita bħala t-tul mill-bidu tal-istimolu sal-ogħla amplitudni kienet bejn wieħed u ieħor {{0}}.39 s sa 0.5 s, l-iqsar fi /i/(0. 39 s fl-AAFs tax-xellug u tal-lemin), u l-itwal fil-ħoss /o/ (0.51 s fl-AAFs tax-xellug u tal-lemin). Kif muri f'Fig 4, forom tal-mewġ AEP simili ġew osservati mill-AAFs tax-xellug u tal-lemin.

Analiżi tal-ħin-frekwenza tas-sinjali EEG

L-analiżi tal-frekwenza tal-ħin hija metodu b'saħħtu biex jiġu analizzati sinjali EEG mhux stazzjonarji fuq pjan ta 'frekwenza tal-ħin u tintuża biex tipprovdi informazzjoni kwalitattiva għall-klassifikazzjoni tal-EEG [79, 80]. Għalhekk, it-TFR ta 'l-EEG ta' medja kbira ġie kkalkulat għal kull ħoss biex tidentifika bidliet relatati mar-rikonoxximent tal-vokali fil-kobor u l-fażi ta 'oxxillazzjonijiet EEG fi frekwenzi speċifiċi (Fig 5A).

Mill-analiżi TFR, ġiet osservata attivazzjoni ta' qawwa għolja madwar id-delta (1–4 Hz), theta (4–8 Hz), u l-faxxa alfa (8–12 Hz) f'0.3–{{8} }.6 s mill-bidu thestimulus, irrispettivament mill-istimulazzjoni tal-ħoss tad-diskors.

Barra minn hekk, sar test ANOVA b'korrezzjoni Bonferroni biex janalizza l-komponenti TFR statistikament sinifikanti skont kull stimolu tal-vokali.

Sussegwentement, il-qawwa ta 'żoni statistikament sinifikanti (p <{{0}}.01) kienet rappreżentata mill-valur F (Fig 5B). Fl-analiżi, ħafna mill-meded ta 'frekwenza EEG minn 0.2-0.8 s kienu differenti b'mod sinifikanti skont l-istimoli tal-vokali.

Barra minn hekk, parti mit-TFR minn {{0}}.8–1 s kienet ukoll statistikament differenti għal kull stimolu. Meta wieħed iqis il-formoli tal-mewġ AEP u r-riżultati tat-testijiet ANOVA, ġie dedott li l-AEPs minn 0.2–0.8 s wara l-istimolu tal-vokali kienu l-aktar reazzjonijiet newrali informattivi u kienu relatati mar-rikonoxximent tal-ħoss tal-vokali.

Taħriġ mudell u evalwazzjoni tan-netwerks BiLSTM

Ibbażat fuq ir-riżultati ta 'Fig 5B, dejta EEG li kienet band-pass iffiltrata bejn 1-6 0 Hz b'tieqa ta' żmien ta '0.2-0.8 s ġiet magħżula. Imbagħad, il-punteġġi z tad-dejta tal-EEG magħżula ġew użati bħala l-input għan-netwerk BiLSTM.

Id-dejta kollha tal-EEG kienet maqsuma f'10 darbiet f'kull suġġett biex jiġu evalwati n-netwerks BiLSTM. Għalhekk, il-prestazzjoni tat-test inkisbet għal kull tiwi bl-użu tal-mudell imħarreġ bit-tinji li fadal fi skema ta' 10-CV.

Il-prestazzjoni tan-netwerk ġiet evalwata bl-użu ta' metriċi ta' preċiżjoni, punteġġ f{{0}}, u l-istatistika kappa ta' Cohen κ (Fig 6 u Tabella 1). L-eżattezza medja tad-diskriminazzjoni EEG ta 'ħames klassi tan-netwerk BiLSTM kienet 75.18 ± 7.06% u l-punteġġ f1-kien 0.74 ± 0.08 . Il-κ ta' Cohen kien 0.68 ± 0.09, li kien interpretat bħala ftehim moderat [81].

Biex tanalizza l-prestazzjoni tan-netwerk BiLSTM f'aktar dettall, il-matriċi ta 'konfużjoni f'Fig 7 ġiet impinġa. Dan indika li ħafna mill-iżbalji kienu dovuti għall-klassifikazzjoni ħażina tat-tweġibiet EEG għal /u/ bħala /a/ u /e/ bħala /o/. Madankollu, in-netwerk BiLSTM ikklassifikat il-biċċa l-kbira tar-risponsi EEG b'aktar minn 50% ta 'preċiżjoni, preċiżjoni għolja fil-klassifikazzjoni EEG ta' ħames klassi.

Tqabbil tan-netwerk BiLSTM ma 'metodi oħra ta' tagħlim bil-magni

Biex tiġi vvalidata l-effettività tan-netwerks BiLSTM fil-klassifikazzjoni tal-EEG għar-rikonoxximent tal-ħoss tal-vokali, ir-riżultati tqabblu ma 'dawk ta' metodi konvenzjonali oħra ta 'tagħlim tal-magni. Fig 6 u Tabella 1 juru l-prestazzjoni tal-klassifikaturi tat-tagħlim tal-magni.

L-RF wera l-ogħla preċiżjoni tal-klassifikazzjoni fost l-algoritmi konvenzjonali tat-tagħlim tal-magni (eżattezza: 63.21 ± 7.41%, punteġġ f1-: 0.62 ± 0.09, u Cohen's : 0.52 ± 0.1). Fl-analiżi statistika, il-prestazzjoni tal-klassifikazzjoni ta' RF ma kinitx ogħla b'mod sinifikanti minn dik ta' SVM_lin u SVM_rbf, filwaqt li wriet prestazzjoni ogħla meta mqabbla ma' dawk ta' NB u KNN.

Madankollu, meta l-prestazzjoni ta 'algoritmi konvenzjonali ta' tagħlim tal-magni, inkluż RF, tqabbel ma 'BiLSTM, kien ovvju li n-netwerk BiLSTM kien superjuri għall-metriċi kollha użati fl-istudju (p <{0}}.01).

Fil-matriċi ta 'konfużjoni, algoritmi konvenzjonali ta' tagħlim bil-magni ma jistgħux jiddiskriminaw ċerti risponsi EEG sew. B'mod partikolari, l-algoritmi konvenzjonali kollha tat-tagħlim tal-magni kellhom diffikultà biex jiddistingwu l-ħoss /u/. Ġie nnutat li l-algoritmi wrew tendenza li jikklassifikaw ħażin il-ħoss /u/ bħala /a/ bħala medja 30% tal-ħin (25.96% f'NB għal 36.97% f'KNN), li rriżulta fi tnaqqis fil-prestazzjoni ġenerali tal-klassifikazzjoni (Fig 7) .

Diskussjoni

F'dan l-istudju, risponsi epidurali EEG tal-firien għal ħames ħsejjes vokali kategoriċi (/a/, /e/, /i/, /o/, u/u/) ġew diskriminati bl-użu tan-netwerk BiLSTM. Klassifikazzjonijiet ta 'ħames klassi ta' sinjali EEG epidurali saru fuq bażi ta 'prova waħda, li hija magħrufa li hija ta' sfida. Biex timmassimizza l-prestazzjoni tat-tagħlim, dan l-istudju pprova jiddetermina komponenti speċifiċi tal-EEG li jistgħu jkunu relatati mar-rikonoxximent tal-ħsejjes tad-diskors fil-moħħ tal-firien u uża dawn il-komponenti tal-EEG bħala karatteristiċi tad-dħul. Bħala riżultat, inkisbet prestazzjoni relattivament għolja fil-klassifikazzjoni tal-AEPs f'ħames ħsejjes ta' vokali differenti bl-użu ta' BiLSTM. Tqabbil tal-prestazzjoni tal-klassifikazzjoni tan-netwerk BiLSTM ma 'algoritmi oħra ta' tagħlim bil-magni wera li n-netwerk BiLSTM qabeż klassifikaturi klassiċi oħra. Dawn ir-riżultati jindikaw li n-netwerk BiLSTM imħarreġ b'komponenti EEG relatati mar-rikonoxximent tad-diskors jikklassifika b'mod affidabbli AEPs għal kull ħoss vokali kategoriku bi grad għoli ta 'eżattezza. Sa fejn nafu tagħna, in-netwerks LSTM ma ġewx applikati għall-klassifikazzjoni ta 'reazzjonijiet EEG għal stimuli tas-smigħ, u dan huwa l-ewwel studju li juża algoritmu ta' tagħlim fil-fond biex janalizza sinjali EEG minn AAF tal-firien.

Bħalissa, ftit studji biss użaw l-arkitettura LSTM biex jiksbu riżultati avvanzati fil-klassifikazzjoni bbażata fuq l-EEG. L-arkitettura LSTM hija adattata għall-klassifikazzjoni bbażata fuq l-EEG minħabba li l-istruttura bħal katina tagħha tista 'taqbad is-sekwenza temporali tad-dejta tal-EEG [82]. Fil-bidu, ir-riċerka ffukat fuq it-titjib tar-riżultati tal-klassifikazzjoni permezz ta 'diversi arkitetturi LSTM; madankollu, il-karatteristiċi tal-input kienu għadhom estratti manwalment, bħal fil-metodi ta 'tagħlim tal-magni konvenzjonali [83, 84].

Tsiouris et al. evalwat il-prestazzjoni ta 'kombinazzjonijiet diversi ta' elementi tan-netwerk LSTM biex isibu l-aktar arkitetturi LSTM effiċjenti biex jiskopru aċċessjonijiet epilettiċi, u b'hekk kiseb riżultati kważi perfetti fit-tbassir tal-aċċessjonijiet (100% sensittività u 99.86% speċifiċità) [83]. Minħabba li LSTM hija struttura b'saħħitha għall-ipproċessar tad-dejta sekwenzjali, xi studji jużaw data EEG mhux ipproċessata bħala karatteristiċi ta 'input b'preproċessar minimu. Peress li n-netwerk LSTM jitgħallem direttament il-karatteristiċi mid-dejta mhux ipproċessata tal-EEG, il-prestazzjoni fl-istudji dwar ir-rikonoxximent tal-emozzjonijiet tjiebet b'mill-inqas 12% [85], u r-riżultati tal-istudji tal-klassifikazzjoni tal-immaġni bil-mutur tjiebu wkoll [86], meta mqabbla ma 'oħrajn tradizzjonali tekniki ta' estrazzjoni tal-karatteristiċi.

Barra minn hekk, l-arkitettura BiLSTM ġiet utilizzata għall-klassifikazzjoni bbażata fuq l-EEG minħabba li tista 'taċċessa informazzjoni kemm minn stati tal-passat kif ukoll tal-futur. Għalhekk, billi skopra diversi stati tal-moħħ riflessi fid-dejta tal-EEG, bħal qabda, irqad, eċċ [63-67], in-netwerk BiLSTM ġeneralment qabeż in-netwerk LSTM li jaqbad biss informazzjoni tal-passat mis-sekwenza fid-direzzjoni 'l quddiem. Għal din ir-raġuni, prestazzjoni għolja ġiet irrapportata fi klassifikazzjoni reċenti bbażata fuq l-EEG bl-użu ta 'netwerks BiLSTM. Sharma et al. kisbet preċiżjoni ta' klassifikazzjoni ta' 82.01% għal erba' tipi ta' emozzjonijiet ibbażati fuq l-algoritmu BiLSTM u statistika ta' ordni ogħla [87]. Barra minn hekk, in-netwerks BiLSTM ikklassifikati b'suċċess l-epilessija u l-istadji ta 'rqad [88, 89].

Simili għal studji preċedenti, dan l-istudju kiseb riżultati komparattivament tajbin bl-użu ta 'BiLSTMnetworks. L-algoritmu propost iddiskrimina b'suċċess ir-risponsi tal-EEG għal ħames ħsejjes vokali b'valuri għoljin ta 'preċiżjoni, punteġġ f{{0}}, u κ ta' Cohen ta '75.18%, 74.43%, u 0.68, rispettivament. Il-valur ta' κ ta' Cohen għal klassifikazzjoni ta' ħames klassi huwa ogħla minn dak li deher fil-biċċa l-kbira tal-istudji kurrenti [90]. Kif muri fil-Figura 6, il-metodu BiLSTM ipproduċa l-ogħla valur għall-metriċi kollha meta mqabbel mal-metodi l-oħra tat-tagħlim tal-magni. Barra minn hekk, biex jiddeterminaw id-differenza statistika fil-prestazzjoni tal-klassifikazzjoni, ir-riżultati tal-ANOVA mkejla ripetutament ġew analizzati bejn BiLSTM u metodi klassiċi oħra ta 'tagħlim tal-magni bl-użu tal-valuri tematiċi kollha. Permezz ta 'analiżi statistika, ġie determinat li l-prestazzjoni tal-klassifikazzjoni tan-netwerk BiLSTM kienet ogħla b'mod sinifikanti minn dik ta' metodi klassiċi oħra ta 'tagħlim tal-magni (p <0.01). Dan ir-riżultat kien konsistenti wkoll mal-matriċi tal-konfużjoni. Kif muri fil-Figura 7, in-netwerk BiLSTM bassar it-tikketti veri tal-ħames ħsejjes tal-vokali sew, filwaqt li l-metodi klassiċi ta 'tagħlim bil-magni ma kinux.

Il-previżjoni miksuba permezz tal-klassifikatur konvenzjonali tat-tagħlim tal-magni kienet speċjalment fqira fil-klassifikazzjoni tal-ħoss /u/; il-ħoss /u/ kien prinċipalment interpretat ħażin bħala /a/. Anke RF, li wriet l-aħjar prestazzjoni fost il-ħames klassifikaturi konvenzjonali tat-tagħlim tal-magni, kellha rata ta 'klassifikazzjoni ta' 34.48% għall-ħoss/u/, b'rata ta 'klassifikazzjoni ħażina ta' 33.89% tal-ħoss /u/ bħala ħoss /a/. Kif jidher f'Fig 4, il-ħsejjes /a/ u /u/ kellhom latency peak simili, li hija waħda mill-karatteristiċi ewlenin tal-forom tal-mewġ AEP (l-ogħla latency tal-ħoss /a/: 0.448, peak latency tal-ħoss /u/: 0.444).Meta l-klassifikazzjoni saret ibbażata fuq sinjali EEG ta' prova waħda minimament ipproċessati minn qabel, jidher li tali similaritajiet ma setgħux jiġu distinti minn algoritmi konvenzjonali ta' tagħlim bil-magni, filwaqt li n-netwerk BiLSTM setgħu jiddistingwuhom.

Minħabba li n-netwerk BiLSTM jista’ jaċċessa fl-istess ħin il-kuntesti kollha tal-passat u tal-futur, informazzjoni rikka tista’ titgħallem permezz ta’ dan in-netwerk. Barra minn hekk, anki jekk il-karatteristiċi li jirriflettu l-karatteristiċi tar-risponsi EEG għal kull ħoss vokali ġew estratti direttament mid-direzzjonijiet 'il quddiem u lura tas-saff LSTM, il-prestazzjoni tal-klassifikazzjoni tjiebet. F'dan l-istudju, nistgħu niksbu riżultati ta 'klassifikazzjoni tajba bl-użu ta' arkitettura BiLSTM sempliċi mingħajr proċess ta 'estrazzjoni ta' karatteristiċi maħduma bl-idejn addizzjonali.

Il-klassifikazzjoni tar-risponsi ERP għal stimuli tad-diskors fi prova waħda hija ta 'sfida ħafna minħabba l-karatteristiċi tal-SNR baxx tal-EEG. Għalkemm wieħed mill-vantaġġi ewlenin tal-metodu deeplearning huwa l-abbiltà tiegħu li jitgħallem karatteristiċi ta 'livell għoli mingħajr estrazzjoni ta' karatteristiċi hard-core, ippruvajna nagħżlu l-aktar sinjali EEG rilevanti relatati mar-rikonoxximent tad-diskors biex niksbu prestazzjoni aħjar. F'dan l-istudju, forom tal-mewġ AEP distinti li jikkorrispondu għal kull stimolu tal-ħoss tad-diskors ġew osservati bl-attivazzjoni ta 'qawwa għolja tal-medda ta' frekwenza baxxa, inklużi l-meded delta, theta, u alfa, fl-analiżi TFR. L-oxxillazzjonijiet newrali fil-medda thealpha ġew rikonoxxuti b'mod wiesa 'li għandhom rwol importanti fl-ipproċessar tas-smigħ. Mazaheri et al. irrapporta li l-attenwazzjoni tal-attività alfa hija relatata mill-qrib mad-diskriminazzjoni tal-miri tas-smigħ [91].

Staruß et al. wera li l-oxxillazzjonijiet alfa kortikali huma mekkaniżmu pivotal biex jinibixxi b'mod selettiv l-ipproċessar tal-istorbju biex tittejjeb l-attenzjoni selettiva tas-smigħ lejn sinjali fil-mira [92]. Preċedentement, sibna wkoll li l-qawwa alfa kienet attivata ħafna f'żoni temporali bilaterali wara stimoli tal-ħoss speċifiċi li kienu statistikament differentin termini tat-tip ta 'ħoss [48]. Barra minn hekk, il-meded delta u theta huma magħrufa li huma assoċjati mat-tiswir tas-segmentazzjoni u l-influwenza perċettiva tal-informazzjoni akustika [93].

Għalkemm dan l-istudju huwa bbażat fuq dejta sperimentali fuq l-annimali, komponenti simili relatati mad-diskors, meta mqabbla mal-istudji preċedenti fuq suġġetti umani, ġew osservati fl-analiżi TFR. Barra minn hekk, fl-analiżi statistika, il-meded EEG kollha nstabu li kienu sinifikanti fi ħdan 1 wara l-istimoli u rrappreżenta l-komponenti EEG relatati mal-perċezzjoni tal-ħoss. Dawn ir-riżultati kienu kemmxejn differenti minn dawk ta 'studji preċedenti, li jissuġġerixxu li meded EEG speċifiċi biss, bħall-faxxa alfa, kienu relatati mal-perċezzjoni tal-ħoss. Huwa mistenni li anke bidliet sottili fl-attivitajiet kollha tal-medda tal-EEG jiġu rreġistrati permezz tal-EEGrecording epidurali minħabba li jipprovdi SNR ogħla billi jnaqqas il-konduzzjoni tal-volum u jelimina l-artifatti li huma inerenti għar-reġistrazzjonijiet EEG extrakranjali.

F'dan l-istudju, il-komponenti EEG relatati mar-rikonoxximent tal-ħoss tad-diskors fil-firien ġew determinati u l-komponenti AEP ġew ikklassifikati b'suċċess bl-użu tan-netwerk BiLSTM. Madankollu, dan l-istudju kellu xi limitazzjonijiet. L-ewwel, in-numru ta 'suġġetti inklużi kien żgħir wisq, speċjalment għal tagħlim fil-fond. Barra minn hekk, dan l-istudju ma evalwax il-prestazzjoni ta' kull klassifikatur b'validazzjoni esterna, iżda minflok uża 10-CV biex jegħleb id-daqsijiet limitati tal-kampjun. Barra minn hekk, ma nistgħux neskludu l-possibbiltà li s-sistema tas-smigħ tal-far tirrispondi kontinwament għall-ħoss peress li f'dan l-istudju ntużat kelma waħda biss ta 'kull ħoss vokali. Barra minn hekk, ir-risponsi akkwistati tal-EEG ġew affettwati mill-effetti anestetiċi. Għalkemm intużat doża minima anestetika, it-tnaqqis fil-frekwenza b'żieda fil-qawwa delta hija sejba tipika ta 'bidliet fl-EEG wara l-inalazzjoni ta' isoflurane [94]. Għalhekk, il-komponenti EEG ta 'rikonoxximent tal-vokali ssuġġeriti f'dan l-istudju jistgħu jkunu differenti minn sinjali EEG akkwistati minn firien li areawake. Madankollu, aħna nemmnu li l-kwalità tas-sinjal EEG hija tajba biżżejjed peress li ġew irreġistrati EEG permezz ta 'impjantazzjoni ta' elettrodu epidurali, u ma kienx ikkontaminat minn artifacts ta 'moviment.

Konklużjonijiet

Bħala konklużjoni, dan l-istudju estratt komponenti newrali sinifikanti relatati mal-perċezzjoni kategorika tad-diskors. Barra minn hekk, ibbażat fuq il-karatteristiċi tan-netwerks LSTM, ġie ppruvat li n-netwerk BiLSTM kien adattat għall-klassifikazzjoni tar-risponsi tal-EEG b'AEPs ipproċessati minn qabel. Peress li dan l-istudju huwa riċerka pijunier b'dejta dwar l-annimali, jista 'ma jkunx trasferibbli direttament għal applikazzjonijiet prattiċi oħra bħal interfaces moħħ-kompjuter jew għajnuniet ta' komunikazzjoni alternattivi għall-bnedmin.

Għalhekk, studji futuri b'dejta tal-EEG tal-bniedem huma meħtieġa biex jivverifikaw l-effettività tan-netwerk BiLSTM fil-klassifikazzjoni tar-rikonoxximent tad-diskors ibbażat fuq l-EEG tas-smigħ. Barra minn hekk, jeħtieġ li jiġi evalwat mill-ġdid għall-irfinar ottimali tal-parametri u l-estrazzjoni tal-karatteristiċi. Huwa mistenni li dan l-istudju se jipprovdi approċċ ġdid għall-analiżi tas-sinjali EEG kif ukoll informazzjoni siewja dwar il-mekkaniżmi tal-perċezzjoni u r-rikonoxximent tad-diskors fil-moħħ.

Referenzi

1. Wernicke C. Il-kumpless tas-sintomi tal-afasja. Fi: Cohen RS, Wartofsky MW, edituri. Proċedimenti tal-Boston Colloquium għall-Filosofija tax-Xjenza 1966/1968. Dordrecht: Springer Netherlands;1969. pp. 34–97.

2. Shi Z, Yan S, Ding Y, Zhou C, Qian S, Wang Z, et al. Il-qasam tas-smigħ anterjuri huwa meħtieġ għall-kategorizzazzjoni tal-ħoss fil-kompitu ta 'kondizzjonament tal-biża' tal-firien adulti. Front Neurosci. 2019; 13: 1374.

3. Liberman AM, Harris KS, Hoffman HS, Griffith BC. Id-diskriminazzjoni tal-ħsejjes tad-diskors fi ħdan u lil hinn mill-konfini tal-fonema. J Exp Psychol. 1957; 54: 358–368.

4. Johnson K. Fonetika akustika u tas-smigħ. Chichester: Wiley-Blackwell; 2012.

5. Green PA, Brandley NC, Nowicki S. Perċezzjoni kategorika fil-komunikazzjoni tal-annimali u t-teħid tad-deċiżjonijiet. Imġieba Ecol. 2020; 31: 859–867.

6. Craik A, He Y, Contreras-Vidal JL. Tagħlim fil-fond għall-kompiti ta 'klassifikazzjoni ta' elettroenċefalogramma (EEG): Reviżjoni. J Neural Eng. 2019; 16:28.

7. Na¨a¨ta¨nen R, Paavilainen P, Rinne T, Alho K. In-negattività ta' nuqqas ta' qbil (MMN) fir-riċerka bażika tal-ipproċessar tas-smigħ ċentrali: Reviżjoni. Newrofiżjoloġija Klinika. Elsevier; 2007. pp. 2544–2590.

8. Garrido MI, Kilner JM, Stephan KE, Friston KJ. In-negattività tad-diskrepanza: Reviżjoni tal-mekkaniżmi sottostanti. Newrofiżjoloġija Klinika. Elsevier; 2009. pp. 453–463

For more information:1950477648nn@gmail.com