监督机器学习的机遇和挑战 根据肌肉来分类运动唤起的潜力
Jonathan Wermelinger1, Qendresa Parduzi2, Murat Sariyar3
1Department of Neurosurgery, Inselspital, Bern University Hospital, and University of Bern, Bern, Switzerland. jonathan.wermelinger@insel.ch.
BMC medical informatics and decision making
|October 2, 2023
概括
监督机器学习 (ML) 在手术期间从未标记的运动唤起潜力 (MEP) 图表中准确地识别肌肉. 神经生理学的这一进步可以提高手术内安全性.
科学领域:
- 神经生理学 神经生理学
- 机器学习 机器学习
- 手术监测 手术监测
背景情况:
- 从未标记的运动唤起潜力 (MEP) 图表中识别肌肉对神经生理学家来说是一项挑战.
- 监督机器学习 (ML) 为自动 MEP 信号分类提供了一个潜在的解决方案.
研究的目的:
- 评估监督的ML分类器在从手术内MEP数据中识别肌肉方面的有效性.
- 为了比较不同ML算法 (随机森林,k-NN,物流回归) 在此任务上的性能.
主要方法:
- 采用了36名经过顶腔外科手术的患者的内科MEP数据.
- 他们的目标是四个肌肉:伸缩指 (EXT),引肌肉 (APB),前肌肉 (TA) 和引肌肉 (AH).
- 在原始或压缩数据上训练和测试了三个ML分类器,用于分类单个肌肉,同一肢体内的肌肉或不同肢体的肌肉.
主要成果:
- 随机森林 (RF) 分类器表现出最高的性能,其次是k-最近邻居 (kNN).
- 使用原始数据实现了最佳准确性:四肌分类为83%,EXT与APB为89%,EXT与TA为97%.
- kNN也表现出强的表现,超过了物流回归.
结论:
- 标准ML方法在分类手术内MEP信号时达到高精度.
- 这项研究强调了ML在改善手术内神经生理学监测和患者安全方面的潜力.
更多相关视频
08:09Multifunctional Setup for Studying Human Motor Control Using Transcranial Magnetic Stimulation, Electromyography, Motion Capture, and Virtual Reality
Published on: September 3, 2015
11.0K
11:25Simultaneous Scalp Electroencephalography EEG, Electromyography EMG, and Whole-body Segmental Inertial Recording for Multi-modal Neural Decoding
Published on: July 26, 2013
43.4K
