使用可解释的深度学习量化改变意识状态下的唤醒
为了提高这些指数统计估计的准确性，用于计算 PCI 和功率谱密度以及谱指数的经典神经生理学方法依赖于大量的时期 21。 这些方法只能用于研究平均大脑状态，并且只能提供有关神经生理学的一般信息。 机器学习 (ML)，即使是在实时试验中，也可以解码和识别特定的大脑状态，并将它们与不相关的信号区分开来。 这可能会将一组统计结果转化为个人预测 9。 深度神经网络是一种流行的 ML 方法，已用于根据 EEG 数据对大脑状态进行分类和预测 23。 卷积神经网络 (CNN) 是使用最广泛的深度学习技术，并已证明在对 EEG 数据进行分类方面有效 24。 CNN 不提供任何信息来说明它为什么做出这样的预测 25。 最近的分层相关性传播已经成功地证明了为什么像 CNN 这样的分类器会做出特定的决定 26。 LRP 产生的相关性得分衡量每个输入变量对决策的贡献。 输入变量的某个区域的高分表示分类器使用该特征进行分类或预测。 例如，神经生理学数据表明，左手运动区域在右手意象期间处于活动状态 27。 LRP 表明，由于左侧运动区的活动，神经网络将 EEG 数据分类为右手运动图像 28。 因此，左运动区域的相关性得分高于其他区域。 因此，可以解释神经生理学现象，这些现象是 CNN 使用 LRP 做出的决定的基础。
在这项工作中，我们开发了一种称为可解释意识指标 (ECI) 的指标，以使用 CNN 同时量化意识的两个组成部分——唤醒和意识。 CNN 被输入时序 EEG 处理数据。 ECI 与依赖于源建模和统计排列分析的 PCI 不同，ECI 在时空动态和 ML 方法的传感器级别使用事件相关的潜力。 对于广义模型，我们使用留一参与者退出 (LOPO) 方法进行迁移学习，这是一种 ML，可将信息传递给未包含在训练阶段 24、27 中的新参与者。 提议的指标是一个 2D 值，由唤醒和意识指标组成。 我们首先使用在没有主观体验的 NREM、有主观体验的 REM 和健康觉醒期间收集的健康参与者的 TMS/EEG 数据来考虑每个组成部分（即低/高觉醒、低/高意识），以分析与所提出的相关性 ECI。 然后，我们使用在全身麻醉下使用氯胺酮异丙酚和氙气获得的 TMSEEG 数据测量 ECI。 同样，这样做是为了确定与三种麻醉剂的相关性。 TMS-EEG 也在麻醉前在健康清醒状态下记录。 醒来的健康参与者在氯胺酮麻醉期间报告有意识体验，但在异丙酚和氙气麻醉期间没有意识体验。 TMS-EEG 收集自有意识障碍的患者，包括诊断为 UWS 或 MCS 的患者。 我们的假设是我们的 ECI 可以清楚地区分生理、药理和病理条件下意识的两个组成部分。
我们将 ECIawa 与可靠的意识指标 PCI 进行了比较，以验证该指标。 然后，我们将 ECI 应用于从麻醉患者和 DoC 参与者获得的静息态脑电图。 我们假设，如果 CNN 能够学习与意识相关的特征，则它可以在建议的框架内无需 TMS 即可准确计算 ECI。 就临床应用而言，重要的是使用先前对旧数据集进行 LOPO 训练的分类器对新数据进行分类，而无需额外训练。 我们使用留出法计算了 DoC 患者的 ECI29。 这是训练和评估数据被任意分割的地方，而不是交叉验证。 我们还调查了为什么这个分类器在使用 LRP 作为解释 ECI30 的方式时做出这些决定的原因。
来源和详细信息：
https://www.nature.com/articles/s41467-022-28451-0