使用相振幅合和多重机器学习方法来识别发作区域,用于间接电皮质图的电皮质图.

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
• 计算神经科学是一种神经科学.

背景情况:

• 的诊断依赖于精确的发作区域 (SOZ) 定位.
• 医疗耐药性需要精确的SOZ识别才能有效治疗.
• 间皮电皮图 (ECoG) 提供了关于之间的大脑活动的见解.

研究的目的:

• 为了研究间接ECoG中的相振幅合 (PAC) 特性.
• 评估PAC作为SOZ识别的潜在生物标志物.
• 开发机器学习模型,使用PAC功能进行自动化SOZ分类.

主要方法:

• 在低频节奏 (0.5-24 Hz) 和高频振荡 (HFO) (80-560 Hz) 之间使用20秒ECoG窗口上的平均向量长度调制指数计算PAC.
• 使用统计措施来比较SOZ和非发作区 (NSOZ) 之间的PAC.
• 开发了新的机器学习模型,具有特征智能/类智能重权重重定策略和时间序列嵌套交叉验证,用于分类和评估.

主要成果:

• 在SOZ和NSOZ之间展示了显著的PAC差异,特别是在特定的慢波和HFO频段对.
• 验证了PAC特征在SOZ识别中的有效性.
• 使用拟议的机器学习模型实现了更好的分类性能.

结论:

• 在接触式ECoG中,PAC是用于SOZ识别的有前途的生物标志物.
• 机器学习模型有效地利用PAC特征进行自动化SOZ分类.
• 这些发现有助于改善的诊断和治疗策略.