Deep-Learning-basierte Klassifikation
Wir haben eine Methode zur automatischen Klassifikation von Artefakten durch Herzschlag und Augenbewegungen in neuromagnetischen Signalen entwickelt, die auf einem kombiniert mehrschichtigen und gefalteten neuronalen Netz (deep and convolutional neural network, DCNN) basiert. Diese Klassifikation soll unabhängig von der Aufzeichnung von Elektrokardiogramm (EKG) und Elektrookulogramm (EOG) durchgeführt werden. Nach der Zerlegung in unabhängige Komponenten (ICA) werden sowohl räumliche wie auch zeitliche Anteile des zerlegten Magnetoenzephalogramms (MEG) genutzt. Insgesamt wurden nach der Datenerhebung 7122 Proben verwendet, wobei aufgaben- und nicht aufgabenbezogene MEG-Aufnahmen von 48 Probanden als Datenbank für diese Studie dienten. Die Artefakt-Unterdrückung wurde mit dem kombinierten Modell durchgeführt und ergab eine Sensitivität von 91.8% und eine Spezifität von 97.4%. Die Gesamtgenauigkeit des Modells wurde mit einer Kreuzprobe validiert und ergab eine mediane Genauigkeit von 94,4%, was auf eine hohe Zuverlässigkeit der DCNN-basierten Artefaktentfernung bei aufgaben- und nicht aufgabenbezogenen MEG-Aufnahmen hinweist. Die wesentlichen Vorteile dieser Methode sind: (1) eine vollständig automatisierte und nutzerunabhängige Artefakt-Klassifizierung in MEG-Daten; (2) nach Training des Modells entfällt die Notwendigkeit zur Aufzeichnung von EKG- und EOG-Hilfsdaten; (3) die Flexibilität im Entwurf und beim Training des Modells erlaubt die Anwendung in verschiedenen Modalitäten (MEG/EEG) und mit verschiedenen MEG-Sensor-Varianten.
Originalpublikation
Hasasneh, A., Kampel, N., Sripad, P., Shah, N. J., Dammers, J., (2018) "Deep Learning Approach for Automatic Classification of Ocular and Cardiac Artifacts in MEG Data" Journal of Engineering
Ansprechpartner
Dr. Jürgen Dammers
Group Leader: NeuroImaging Data Science
- Institut für Neurowissenschaften und Medizin (INM)
- Physik der Medizinischen Bildgebung (INM-4)
Raum 233