Time series classification of multi-channel nerve cuff recordings using deep learning
Notice bibliographique
Résumé
Neurostimulation and neural recording are crucial to develop neuroprostheses that can restore function to individuals living with disabilities. While neurostimulation has been successfully translated into clinical use for several applications, it remains challenging to robustly collect and interpret neural recordings, especially for chronic applications. Nerve cuff electrodes offer a viable option for recording nerve signals, with long-term implantation success. However, nerve cuff electrodes' signals have low signal-to-noise ratios, resulting in reduced selectivity between neural pathways. The objective of this study was to determine whether deep learning techniques, specifically networks tailored for time series applications, can increase the recording selectivity achievable using multi-contact nerve cuff electrodes. We compared several neural network architectures, the impact and trade-off of window length on classification performance, and the benefit of data augmentation. Evaluation was carried out using a previously collected dataset of 56-channel nerve cuff recordings from the sciatic nerve of Long-Evans rats, which included afferent signals evoked using three types of mechanical stimuli. Through this study, the best model achieved an accuracy of 0.936 ± 0.084 and an F1-score of 0.917 ± 0.103, using 50 ms windows of data and an augmented training set. These results demonstrate the effectiveness of applying CNNs designed for time-series data to peripheral nerve recordings, and provide insights into the relationship between window duration and classification performance in this application.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».