机器学习多睡眠学衍生电脑脑图谱生物标志物预测epworth睡眠度量表的睡眠度量表
Matheus Araujo1, Samer Ghosn2, Lu Wang3
1Sleep Disorders Center, Neurological Institute, Cleveland Clinic Foundation, Cleveland, OH, USA.
Scientific reports
|June 5, 2023
概括
使用脑电图 (EEG) 和机器学习,可以客观地评估过度白天嗜睡 (EDS). 这项研究确定了与高和低睡眠相关的独特EEG模式,为更可靠的EDS诊断铺平了道路.
科学领域:
- 神经科学是一个神经科学.
- 计算生物学 计算生物学
- 医学诊断 医学诊断 医学诊断
背景情况:
- 过度白天嗜睡 (EDS) 诊断依赖于主观措施,影响临床可靠性.
- 需要客观的生物标志物来准确评估EDS并指导治疗.
研究的目的:
- 确定对日间过度嗜睡 (EDS) 的客观脑电图 (EEG) 生物标志物.
- 开发一种机器学习模型,用于使用EEG数据进行定量EDS评估.
主要方法:
- 自动分析夜间多睡眠电图 (EEG) 数据,这些数据来自具有高和低Epworth睡眠度量表 (ESS) 分数的个体.
- 信号处理以比较群体之间的α,β,delta和theta波段中的EEG功率光谱密度.
- 训练的机器学习算法用于高与低ESS的二进制分类.
主要成果:
- 在高和低ESS组之间观察到EEG功率光谱的显著差异.
- 机器学习模型在分类EDS时实现了80.2%的准确性,79.2%的精度,73.8%的回忆率和85.3%的特异性.
- 评估了混的临床变量,并没有显著影响模型性能.
结论:
- 定量EEG分析,特别是节律活动,可以作为EDS的可靠替代生物标志物.
- 应用于EEG数据的机器学习为客观的EDS评估和管理提供了一个有希望的途径.
