相关实验视频
Updated: Jun 21, 2026
09:23
A Low Cost Setup for Behavioral Audiometry in Rodents
Published on: October 16, 2012
12.8K
开发机器学习模型,用于使用波形转换的听觉唤起的潜在信号和临床数据进行耳声相关的痛苦分类
Ourania Manta1, Michail Sarafidis1, Winfried Schlee2,3
1Biomedical Engineering Laboratory, School of Electrical and Computer Engineering, National Technical University of Athens, 15780 Athens, Greece.
Journal of clinical medicine
|June 10, 2023
概括
这项研究确定了关键的听觉信号特征,用于分类耳困扰. 机器学习模型,特别是SVM,通过听觉中等延迟响应和临床数据有效区分耳的严重程度.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
背景情况:
- 耳是一种广泛的疾病,影响了欧盟7名成年人中的1人,显著降低了生活质量.
- UNITI项目是欧盟最大的专注于耳的研究项目.
研究的目的:
- 开发和评估机器学习模型来分类与耳相关的痛苦.
- 从听觉唤起的潜能和临床数据中识别出最有信息的特征,用于 tinnitus 分类.
主要方法:
- 从听觉脑干响应 (ABR) 和听觉中等延迟响应 (AMLR) 信号中提取的特征.
- 结合听觉信号特征与15个LASSO选择的临床特征.
- 使用七个分类器 (RF,SVM,NB,NN,LDA) 来构建和测试分类模型.
主要成果:
- 波形散射转换的AMLR信号特征是最有信息的.
- 支持矢量机 (SVM) 分类器实现了最佳性能.
- 在SVM中,AUC为92.53%,敏感度为84.84%,特异性为83.04%.
结论:
- 机器学习模型,特别是具有特定AMLR特征和临床数据的SVM,可以有效地分类与耳相关的痛苦.
- 这种方法为客观的耳声评估和管理提供了一个有希望的工具.
