.png){kind=icon}
返回
Enhanced EEG Forecasting: A Probabilistic Deep Learning Approach
.png){kind=icon}
PRE
AI
DOI：10.1162/neco_a_01743.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
预测脑电图（EEG）信号，即基于过去的时序数据估计未来的值，对于许多实时基于EEG的应用（如脑机接口和闭环脑刺激）至关重要。随着这些应用日益普及，良好预测模型的重要性日益凸显。先前，自回归模型（AR）已被用于此任务；然而，当进行多步预测时，其预测精度往往迅速下降。我们旨在通过应用概率深度学习来改进这一点，以实现更稳健的长范围预测。为此，我们将概率深度神经网络模型WaveNet应用于预测静息态EEG在θ频带（4-7.5 Hz）和α频带（8-13 Hz）中的信号，并将其与AR模型进行比较。WaveNet在θ和α频带中均可靠地预测了150 ms后的EEG信号，平均绝对误差分别为1.0 ± 1.1 μV（θ）和0.9 ± 1.1 μV（α），并且在估计信号幅度和相位方面优于AR模型。此外，我们发现概率方法提供了一种更精确预测的途径，同时有效排除了不确定的预测。我们首次证明了概率深度学习可用于预测静息态EEG时序数据。未来，开发的模型可以增强脑机接口和脑刺激方案中脑状态的实时估计。它也可能有助于回答神经科学问题以及用于诊断目的。
Keyword:
SERIES
PREDICTION
NETWORK
PHASE
期刊
IF:
2.1
论文数:
36
被引数:
2.2W
机构
引用论文
Closed-loop auditory stimulation targeting alpha and theta oscillations during rapid eye movement sleep induces phase-dependent power and frequency changes.png)
SLEEP
OAAI
SLEEPIF4.9
OAAI分享收藏American Clinical Neurophysiology Society Guideline 4: Recording Clinical EEG on Digital Media美国临床神经生理学学会指南4：在数字媒体上记录临床脑电图
OAAI
OAAI分享收藏Forecasting the Future: A Comprehensive Review of Time Series Prediction Techniques预测未来：时间序列预测技术综述OAAI
OAAI分享收藏Phase-locked auditory stimulation of theta oscillations during rapid eye movement sleep快速眼动睡眠期间 θ 振荡的锁相听觉刺激SLEEPOAAI
SLEEPIF4.9
OAAI分享收藏Real-time EEG-defined excitability states determine efficacy of TMS-induced plasticity in human motor cortex实时EEG定义的兴奋性状态确定TMS诱导的可塑性在人类运动皮层中的功效BRAIN STIMULATION
BRAIN STIMULATIONIF8.4
PREAI
分享收藏
查看更多内容