.png){kind=icon}
返回
Graph-Based Auditory Brainstem Response Threshold Estimation from Incomplete Intensity Series
.png){kind=icon}
OA
AI
DOI：10.3390/bioengineering13101128.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
听性脑干反应（ABR）阈值确定需要临床医生识别不同刺激强度下具有和没有可检测反应的波形之间的转变。自动化仍然具有挑战性，因为接近阈值的反应较弱，刺激序列通常不完整，且对单个波形的解释取决于同侧耳的剩余序列。为解决这些挑战，我们将每只耳朵表示为掩码刺激强度响应图，并提出ABR-GraphDoseNet模型用于自动ABR阈值估计。该模型编码每个刺激强度的波形形态，在有序强度图上交换信息，并使用相邻节点的解码器对候选阈值转变进行建模。全局阈值头进一步整合了完整耳序列的证据。我们使用按受试者分组的十折交叉验证，对1045名受试者的2064只耳朵进行了评估。ABR-GraphDoseNet取得了最佳整体性能，平均绝对误差为0.90 ± 0.27 dB，精确准确率为93.80 ± 1.41%，10 dB内的准确率为98.64 ± 1.01%。消融实验表明，全局阈值头和形态分词器是最大的贡献者，而自适应边和边界解码器提供了较小的补充增益。总体而言，ABR-GraphDoseNet为建模不完整的ABR刺激序列提供了一个准确、结构化且可审计的框架。跨设备、采集方案和机构的体外验证仍是必要的。
Keyword:
auditory brainstem response
hearing threshold estimation
stimulus intensity response graph
graph neural network
waveform morphology encoding
期刊
B
IF:
3.7
论文数:
431
被引数:
0
机构
引用论文
The myth of generalisability in clinical research and machine learning in health care医疗保健中临床研究和机器学习的普遍性神话
OAAI
OAAI分享收藏Human Auditory Evoked Potentials: Possible Brain Stem Components Detected on the Scalp.png)
Science
ScienceIF0
PREAI
分享收藏
查看更多内容