一个修改的基于Aquila的优化XGBoost框架,用于检测新生儿可能的发作状态.

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 电脑电图 (EEG) 对于诊断儿科神经疾病至关重要,特别是新生儿重症监护室 (NICU) 的新生儿发作.
• 传统的EEG解释是劳动密集型的,需要专门的专业知识,并且由于各种发作呈现可能具有挑战性.
• 机器学习 (ML) 为快速准确的发作检测提供自动化解决方案.

研究的目的:

• 开发和验证一种新的,优化的ML框架,用于自动检测新生儿发作.
• 通过使用修改后的元启发优化算法 (Aquila Optimization - AO) 来提高发作检测的效率和稳定性.
• 将拟议优化模型的性能与已建立的ML分类器进行比较.

主要方法:

• 开发一个优化的ML框架,包括Aquila优化 (AO) 算法.
• 在赫尔辛基大学医院的公共数据集上验证框架,包括79名新生儿的EEG信号.
• 拟议模型与决策树 (DT),随机森林 (RF) 和梯度增强分类器 (GBC) 的比较分析.

主要成果:

• 提议的优化ML模型实现了高性能指标:93.38%的准确性,93.9%的曲线下的面积 (AUC),92.72%的F1得分,93.38%的灵敏度和77.52%的特异性.
• 该模型与现有的浅ML架构相比,表现优越,特别是在准确性和AUC方面.
• 阿奎拉优化 (AO) 算法为该模型的发作检测效率和稳定性做出了贡献.

结论:

• 开发的优化ML框架代表了新生儿发作可靠和自动检测的重大进步.
• 这项技术有可能通过提高新生儿神经病学的诊断准确性和效率,使医学界受益.
• 这些发现支持将先进的人工智能技术集成到儿科神经病学中的重症监护应用中.