在COVID-19患者中对EGN信号的电生理学分析
Mehdi Niazi1,2, Zeinab Shankayi1,2, Mohammad Mahdi Asadi3
1Neuroscience Research Centre, Baqiyatallah University of Medical Sciences, Tehran, Iran.
IBRO neuroscience reports
|September 4, 2023
概括
头是COVID-19患者的一个常见症状. 这项研究使用机器学习分析了电静态图 (ENG) 信号,在区分COVID-19患者和对照者方面达到86%的准确性.
科学领域:
- 神经学 神经学
- 医疗技术 医疗技术 医学技术
- 数据科学数据科学数据科学
背景情况:
- 越来越多的报道将头与阳性COVID-19 PCR测试联系起来.
- 分析来自COVID-19患者的电静态图 (ENG) 信号至关重要.
研究的目的:
- 在COVID-19患者中分析ENG信号的规律性和复杂性.
- 使用 ENG信号分析来区分COVID-19和非COVID-19组.
- 探索机器学习模型在通过 ENG 信号诊断 COVID-19 的有效性.
主要方法:
- 线性和非线性时间序列分析应用于ENG信号.
- 特征提取发现了COVID-19和对照组之间的显著差异.
- 机器学习分类器 (LDA,NB,KNN,SVM) 用于组分类.
主要成果:
- 威尔科克森等级和值测试揭示了群体之间的显著特征差异.
- 支持矢量机 (SVM) 取得了最高的分类性能.
- SVM显示了86%的准确性,91%的精度和0.13的错误分类率 (FCR).
结论:
- ENG信号分析,结合机器学习,可以有效地区分COVID-19患者.
- 多项式内核SVM分类器产生了最好的结果.
- 这种新的方法为进一步研究使用生理信号对人工智能驱动的诊断提供了基础.
关键词:
这就是Covid-19的原因.电子隐形图谱 (英语:electronystagmography,英语:ENG) 是一种电子隐形图谱.机器学习就是机器学习.尼斯塔格姆斯 (Nystagmus) 是一个的动物.更多相关视频
09:00Investigating the Function of Deep Cortical and Subcortical Structures Using Stereotactic Electroencephalography: Lessons from the Anterior Cingulate Cortex
Published on: April 15, 2015
12.4K
05:19Author Spotlight: Therapeutic Benefit of Closed-Loop Deep Brain Stimulation in Depression Treatment
Published on: July 7, 2023
2.3K
