1008
0
2024-10-15
2024-10-15
近日,，團隊成員宋先玥等人在邱麗娜老師和潘家輝老師指導下投稿的論文被CCF B類會議IEEE生物信息學與生物醫(yī)學國際會議(IEEE International Conference on Bioinformatics and Biomedicine，BIBM 2024)接收,。論文題為“MC-FAW: A Multi-Scale Convolutional Feature Adaptive Weighted Fusion Network for Detecting Disorders of Consciousness”,。
據悉,，本次IEEE BIBM 2024共收到965篇論文提交，最后共接受了205篇,，錄用率為21%,。作為生物醫(yī)學與計算機科學交叉領域的旗艦會議，IEEE BIBM 2024將于2024年12月3日至6日在葡萄牙里斯本舉行,，會議主題聚焦生物信息學和生物醫(yī)學的創(chuàng)新研究,，旨在展示最新研究成果，探討當前挑戰(zhàn),，并推動前沿技術的發(fā)展,。
研究背景
意識障礙（Disorders of Consciousness, DoC）是一種由嚴重腦損傷引起的神經系統(tǒng)疾病，精準評估患者的意識水平對其治療至關重要,。然而,，然而，現(xiàn)有的評估方法在客觀性和準確性方面仍存在不足,。針對這一問題,，本研究提出了一種創(chuàng)新的特征融合方法，旨在通過整合多尺度腦功能連接特征提高意識狀態(tài)的分類性能,。該工作為DoC的輔助診斷提供了全新視角,，可能為臨床上更準確地評估DoC患者提供新的工具。
方法和結果
本研究提出了多尺度卷積特征自適應加權融合（MC-FAW）網絡,，以實現(xiàn)多頻帶和多尺度特征的優(yōu)勢互補（如圖1所示）,。MC-FAW網絡包含兩個關鍵模塊：第一部分是多頻帶融合的特征自適應加權模塊（Feature Adaptive Weighting, FAW），通過多層全連接網絡實現(xiàn)不同頻段特征的自適應加權,，增強特征的重要性表達,；第二部分是多尺度卷積融合模塊（Multi-Scale Convolutional Fusion, MC），該模塊能夠有效融合多尺度特征,，提取更豐富的有效信息,，從而實現(xiàn)對意識狀態(tài)的準確表達,。
圖1：基于多尺度卷積特征自適應加權融合網絡的實驗框架
首先,，從原始腦電圖（EEG）信號中提取了三種常見的功能連接特征：相關性（Correlation）、相干性（Coherence）和相位鎖定值（PLV）,。接著,，將這些特征輸入MC-FAW網絡進行融合。在完成特征融合后,，研究使用自采集的數據集進行分類實驗,。該數據集包含15名健康被試（HC）、17名最小意識狀態(tài)患者（MCS）以及15名植物狀態(tài)患者（VS）,。實驗采用交叉驗證方法,，從每組中隨機抽取兩名作為測試集,，其余數據作為訓練集，直至測試完所有可能的測試集,。實驗結果顯示，MC-FAW模型在所有分類任務中的準確率均高于單一頻率和單一特征的最高準確率（見表1）,。具體而言,，在HC與MCS分類中，MC-FAW模型的準確率提升了1.45%,，達到96.54%,；在HC與VS分類中，準確率從96.84%提升至98.47%,，提升了1.63%,；而在MCS與VS分類中，準確率從82.79%提升至85.25%,，提高了2.46%,。
表1: 基于MC-FAW 融合網絡的分類結果
結論
本研究提出的多尺度卷積特征自適應加權融合方法在自采集的數據集上表現(xiàn)出顯著效果，證明其在意識障礙患者的意識評估中具有潛在的臨床應用價值,。
撰稿人：宋先玥
審稿人：邱麗娜,、潘家輝
