基于机器学习的分类,通过立体电脑学录记录的生理和病理高频振荡
Zilin Li1, Baotian Zhao1, Wenhan Hu2
1Department of Neurosurgery, Beijing Tiantan Hospital, Capital Medical University, Beijing, China.
Seizure
|November 20, 2023
概括
这项研究开发了一种机器学习分类器,以区分病态高频振荡 (HFO) 和生理振荡,改善区域定位. 该分类器实现了高精度,有助于区分异常和正常的大脑活动.
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
- 计算生物学 计算生物学
背景情况:
- 高频振荡 (HFO) 是确定发作区域 (EZ) 的关键生物标志物.
- 非EZ地区的生理HFO可能会使准确的EZ定位变得复杂.
- 开发方法来区分病理和生理的HFO对于精确的手术规划至关重要.
研究的目的:
- 开发和验证一个机器学习分类器,能够区分病态HFO和生理HFO.
- 用多个领域的特征来评估分类器的性能.
- 评估特征选择对HFO分析分类器准确性的影响.
主要方法:
- 在接受立体电脑电图的焦点患者中检测到HFO.
- 从每个HFO中提取了37个跨时间,频率,和非线性域的特征.
- 基于快速关联的过器 (FCBF) 用于特征选择,并对来自不同医院的数据进行了机器学习分类器的训练和测试.
主要成果:
- 从26名患者中编制了一大批病理和生理HFO数据集.
- 分类器实现了高AUC值 (0.95-0.98在训练中,0.82-0.90在测试中).
- 使用所有提取特征的分类器表现优于使用FCBF选择特征的分类器.
结论:
- 开发的机器学习分类器可靠地区分病理和生理的HFO.
- 这种工具有可能提高发性区域定位的准确性.
- 这些发现支持HFO分析在临床管理中的进步.
