Transfer function analysis (TFA) is extensively used to assess human physiological functions. However, extracting parameters from TFA is not usually optimized for detecting impaired function. In this study, we propose to use data-driven approaches to improve the performance of TFA in assessing blood flow control in the brain (dynamic cerebral autoregulation, dCA). Data were collected from two distinct groups of subjects deemed to have normal and impaired dCA. Continuous arterial blood pressure (ABP) and cerebral blood flow velocity (CBFV) were simultaneously recorded for approximately 10 mins in 82 subjects (including 41 healthy controls) to give 328 labeled samples of the TFA variables. The recordings were further divided into 4,294 short data segments to generate 17,176 unlabeled samples of the TFA variables. We optimized TFA post-processing with a generic semi-supervised learning strategy and a novel semi-supervised stacked ensemble learning (SSEL) strategy for classification into normal and impaired dCA. The generic strategy led to a performance with no significant difference to that of the conventional dCA analysis methods, whereas the proposed new strategy boosted the performance of TFA to an accuracy of 93.3%. To our knowledge, this is the best dCA discrimination performance obtained to date and the first attempt at optimizing TFA through machine learning techniques. Equivalent methods can potentially also be applied to assessing a wide spectrum of other human physiological functions.

中文翻译：

---

一种数据驱动的传递函数分析方法，具有优越的判别力：动态大脑自动调节的优化评估

传递函数分析 (TFA) 广泛用于评估人体生理功能。然而，从 TFA 中提取参数通常不会优化用于检测受损功能。在这项研究中，我们建议使用数据驱动的方法来提高 TFA 在评估大脑血流控制（动态大脑自动调节，dCA）方面的性能。从被认为具有正常和受损 dCA 的两组不同的受试者收集数据。在 82 名受试者（包括 41 名健康对照者）中同时记录连续动脉血压 (ABP) 和脑血流速度 (CBFV) 约 10 分钟，以提供 328 个标记的 TFA 变量样本。录音进一步分为 4,294 个短数据段，以生成 17,176 个未标记的 TFA 变量样本。我们使用通用半监督学习策略和新的半监督堆叠集成学习 (SSEL) 策略优化了 TFA 后处理，以将其分类为正常和受损 dCA。通用策略的性能与传统的 dCA 分析方法没有显着差异，而提出的新策略将 TFA 的性能提高到 93.3% 的准确度。据我们所知，这是迄今为止获得的最佳 dCA 辨别性能，也是通过机器学习技术优化 TFA 的首次尝试。等效方法也可以潜在地应用于评估广泛的其他人类生理功能。通用策略的性能与传统的 dCA 分析方法没有显着差异，而提出的新策略将 TFA 的性能提高到 93.3% 的准确度。据我们所知，这是迄今为止获得的最佳 dCA 辨别性能，也是通过机器学习技术优化 TFA 的首次尝试。等效方法也可以潜在地应用于评估广泛的其他人类生理功能。通用策略的性能与传统的 dCA 分析方法没有显着差异，而提出的新策略将 TFA 的性能提高到 93.3% 的准确度。据我们所知，这是迄今为止获得的最佳 dCA 辨别性能，也是通过机器学习技术优化 TFA 的首次尝试。等效的方法也可以潜在地应用于评估广泛的其他人类生理功能。这是迄今为止获得的最佳 dCA 辨别性能，也是通过机器学习技术优化 TFA 的首次尝试。等效方法也可以潜在地应用于评估广泛的其他人类生理功能。这是迄今为止获得的最佳 dCA 辨别性能，也是通过机器学习技术优化 TFA 的首次尝试。等效方法也可以潜在地应用于评估广泛的其他人类生理功能。