根据部分注释对发作发病区的分类

科学领域:

• 神经科学是一个神经科学.
• 医疗信息学 医疗信息学
• 信号处理 信号处理

背景情况:

• 的诊断依赖于专家对长期内脑电图 (iEEG) 数据的视觉分析,以确定发作区域 (SOZ).
• 这种手动过程耗时,具有挑战性,需要丰富的经验,突出了对自动诊断辅助器的需求.
• 机器学习 (ML) 为提高SOZ识别的效率和准确性提供了潜在的解决方案.

研究的目的:

• 开发和评估一种基于ML的方法,用于准确和有效地分类发作发作区 (SOZ) 和非SOZiEEG数据.
• 为了比较各种特征提取技术的有效性,包括传统方法和先进的转换,用于SOZ检测.
• 调查积极未标记 (PU) 学习的实用性,以尽量减少临床专家的注释负担.

主要方法:

• 内脑电图 (iEEG) 数据被细分为20秒间隔.
• 使用过,,短时间里叶变换 (STFT),波量变换 (WT) 和实证模式分解 (EMD) 进行了特征提取.
• 包括支持向量机器 (SVM),完全连接的神经网络 (FCNN) 和卷积神经网络 (CNN) 在内的分类模型被训练和评估,并结合了积极的未标记 (PU) 学习.

主要成果:

• 拟议的方法使用ML模型实现了SOZ和非SOZ数据的高性能分类.
• 将特征提取方法进行比较,以确定SOZ检测中最具歧视性的特征.
• 集成PU学习显著减少了专家注释工作量,同时保持了高分类准确度.

结论:

• 开发的ML方法为从iEEG数据中识别发作区 (SOZ) 提供了高精度的诊断辅助.
• 功能工程和先进的ML模型,结合PU学习,为减少诊断专家工作量提供了一个有希望的策略.
• 这种方法有可能提高临床实践中SOZ识别的效率和一致性.