基于变化模式分解的EEG分析用于意识障碍的分类
Sreelakshmi Raveendran1, Raghavendra Kenchaiah2, Santhos Kumar1
1Department of Electronics and Communication Engineering, Indian Institute of Information Technology, Kottayam, Kerala, India.
Frontiers in neuroscience
|February 21, 2024
概括
这项研究使用EEG信号的变化模式分解 (VMD) 改进了意识障碍 (DOC) 的分类. 基于VMD的功能可以提高机器学习的准确性,用于诊断诸如不响应性清醒综合征 (UWS) 和最小意识状态 (MCS) 等疾病.
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
- 信号处理 信号处理
背景情况:
- 意识障碍 (DOC) 涉及意识和兴奋的改变,通常是由于大脑损伤.
- 使用静止状态EEG和机器学习对DOC进行分类,由于信号非静止性和复杂性而面临挑战.
- 准确的诊断对于患者的护理和治疗决策至关重要.
研究的目的:
- 提高有意识障碍 (DOC) 患者的分类准确度.
- 在特征提取之前引入和评估一种使用变化模式分解 (VMD) 进行EEG信号处理的新方法.
- 为了比较基于VMD的特征与传统频段和原始EEG特征的有效性.
主要方法:
- 静止电脑电图 (EEG) 信号进行了预处理.
- 变化模式分解 (VMD) 被应用来将EEG信号分解为内在模式.
- 包括样本,光谱,曲和斜率在内的特征从VMD模式中提取出来.
- 克鲁斯卡尔-瓦利斯测试确定了统计学上显著的特征 (p < 0.05).
- 机器学习模型,包括Ensemble Bagged Tree (EBT),用于二进制 (UWS与MCS) 和多类 (coma与UWS与MCS) 分类.
主要成果:
- 基于VMD的特征显著超过基于频段和原始EEG特征的性能.
- 集成包装树 (EBT) 模型实现了最高的准确性:二进制分类为86.7%,多类分类为80.5%.
- 多类分类准确度为80.5%,是文献中最先进的结果.
- 统计学意义测试 (p < 0.05) 精细的特征选择,以改善分类.
结论:
- 变化模式分解 (VMD) 是一种强大的技术,用于增强脑电图信号分析在有意识障碍 (DOC) 的患者.
- 将VMD与机器学习集成为更准确,更可靠的DOC分类提供了一个有希望的途径.
- 这种方法有可能显著改善临床评估,并指导DOC患者的治疗策略.
