评估过量采样和平均休息状态电脑图数据的评估方法,以对帕金森病进行分类
概括
将电极分组到解剖区域,并使用闭眼静止电脑学 (RSEEG) 数据,改善了对帕金森病 (PD) 诊断的机器学习分类. 这种方法提高了信号质量,并减少了来自文物的数据损失.
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
- 机器学习 机器学习
背景情况:
- 静止电脑图 (RSEEG) 数据收集是耗时的,因此数据集很小.
- 机器学习 (ML) 算法通常需要大型数据集以获得最佳性能,这对基于RSEEG的诊断模型构成了挑战.
- 传统的脑电图 (EEG) 研究使用平均化方法来提高信号噪声比,这可能与ML过量采样技术形成对比.
研究的目的:
- 通过使用RSEEG数据,研究不同平均和过量抽样方法对分类指标的影响,以区分患有帕金森病 (PD) 的人与控制人.
- 为了比较使用单个电极与将电极分组成基于解剖位置的感兴趣区域 (ROI) 的有效性.
- 为了评估双眼开 (EO) 和双眼闭 (EC) RSEEG记录的PD分类的性能.
主要方法:
- 利用了来自三个不同的研究小组的RSEEG数据 (眼睛打开和眼睛关闭).
- 使用单个电极的分类性能与从解剖学分组获得的ROI相比较.
- 在RSEEG数据中应用了各种平均和过量抽样技术.
- 评估分类指标,以区分患有PD的个体和健康对照.
主要成果:
- 根据解剖位置将电极分组为ROI,与使用单个电极相比,产生了更好的分类指标.
- 闭眼 (EC) RSEEG记录显示出更好的性能和数据完整性.
- 眼睛开放 (EO) 记录,虽然显示出稍微更好的初始分类,但遭受了增加的文物,导致数据丢失和减少参与者数据点.
结论:
- 在PD分类中,RSEEG数据分析的最佳方法是将电极分组成解剖ROI,并使用闭眼记录.
- 欧共体RSEEG数据不太容易被伪造,确保了更高的数据可靠性和更好的分类结果.
- 这种方法增强了RSEEG作为PD诊断和预后的潜在生物标志物的临床相关性.
