A detecção de respostas auditivas corticais dependentes da intensidade usando eletroencefalografia (EEG) é essencial na audiologia clínica e na pesquisa de distúrbios neurológicos. Enquanto o EEG continua sendo o padrão ouro para monitorar a atividade cerebral, a espectroscopia funcional na faixa do infravermelho (fNIRS) surgiu como uma modalidade complementar, oferecendo percepções distintas nas respostas corticais. Este estudo investiga o valor agregado do fNIRS na classificação de respostas corticais a estímulos auditivos em cinco níveis de intensidade. Dois modelos de classificação foram desenvolvidos: o modelo TS, baseado em uma rede neural convolucional (CNN) com entradas de séries temporais brutas, e o modelo F, baseado em um perceptron de múltiplas camadas (MLP) usando características extraídas das séries temporais. Ambos os modelos foram avaliados usando dados bimodais de EEG-fNIRS e unimodais de EEG, e comparados a três classificadores de aprendizado de máquina convencionais. Os resultados mostraram que as entradas bimodais de EEG-fNIRS superaram constantemente as entradas unimodais de EEG em todos os modelos, destacando as informações complementares fornecidas pelo fNIRS. O modelo TS, que utilizou dados brutos de séries temporais, alcançou o melhor desempenho: 92,2% de precisão com entrada bimodal em comparação a 79,3% com entrada unimodal. A AUC e o F1-score também melhoraram com a entrada bimodal, atingindo 94,4% vs 80,5% e 89,6% vs 77,5%, respectivamente. Essas descobertas sugerem que a análise de séries temporais baseada em aprendizado profundo captura efetivamente padrões intrínsecos críticos para distinguir respostas corticais a diferentes intensidades auditivas. O aproveitamento de dados neurais multimodais pode aprimorar avaliações clínicas em audição e pesquisa neurológica.
Castañeda et al. (Qui,) estudaram esta questão.