通过无监督的视频信号集群,自动分类高动力发作,强力发作和强力-克隆发作

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 数据科学数据科学数据科学

背景情况:

• 发作需要准确的分类才能得到有效的治疗.
• 区分发作类型,特别是运动性发作,在临床上具有意义.
• 使用技术的自动发作检测和分类是一个新兴的领域.

研究的目的:

• 评估视频监控运动信号的准确性,以区分发作的运动发作.
• 评估基于视频的系统在扣押分类中的潜力.
• 探索从运动特征衍生的数值时间序列的使用,以集群发作类型.

主要方法:

• 使用了来自Nelli发作监控系统的3D近红外视频.
• 使用catch22功能集合提取的动作特征.
• 将视频数据转换为数值时间序列,用于无监督的集群.
• 包括10名患者,有130次发作用于培训,还有17名患者,有98次发作用于测试.

主要成果:

• 时间运动特征在无监督集群中表现最好.
• 该系统在超运动性发作中获得了91%的准确性,在增强性发作中获得了88%的准确性,在增强性发作中获得了45%的准确性.
• 在100次交叉验证运行后,整体准确性和F1分数分别为74%和74%.

结论:

• 选择的运动特征有效地区分了发作类型之间的半生物学差异.
• 基于视频的混合发作监测系统显示了改善发作分类的潜力.
• 需要对更大的数据集和不同类型的发作进行进一步研究.