使用机器学习优化用于可穿戴EEG发作检测的电极配置

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 严重影响患者的生活质量,原因是不可预测的发作.
• 可穿戴式脑电图 (EEG) 系统为改善管理提供了潜力.
• 优化EEG电极配置对于平衡可穿戴设备的准确性和可用性至关重要.

研究的目的:

• 开发一种系统的方法来优化基于机器学习的发作检测算法中的电极配置.
• 为了确定可穿戴EEG系统的电极的最佳数量和排列.

主要方法:

• 使用系统方法来评估多个电极配置 (1-18个电极).
• 该方法应用于158名患者注释EEG记录的大数据集.
• 一个计算密集型的工作流被用来分析八个电极配置.

主要成果:

• 电脑脑脑电图系统的性能保持稳定,电极数量下降到大约8.0.
• 在少于8个电极的情况下,观察到显著的性能下降.
• 通过全面分析确定了最佳的八个电极配置.

结论:

• 大约八个电极在可穿戴EEG系统中提供了探测准确性和实用性之间的平衡.
• 开发的框架可以指导用户友好和便携式EEG设备的设计.
• 这种方法在机器学习中的硬件优化方面具有更广泛的应用.