计算集体专家系统的分类,用于识别bruxism使用生理信号
Pragati Tripathi1, M A Ansari1, Tapan Kumar Gandhi2
1Department of Electrical Engineering, Gautam Buddha University, Greater Noida, India.
Heliyon
|February 23, 2024
概括
这项研究使用机器学习开发了一种用于bruxism (牙磨牙) 的自动诊断系统. 结合EEG,ECG和EMG信号,可达到99%的准确性,改善了这种睡眠障碍的诊断.
科学领域:
- 生物医学工程 生物医学工程
- 睡眠医学 睡眠医学
- 机器学习 机器学习
背景情况:
- 布鲁克斯症是一种与睡眠有关的疾病,涉及牙磨牙和牙,这对当前的诊断方法构成了挑战.
- 布鲁克斯症的现有诊断方法往往是低效的,并且很难实施.
- 需要改进的,自动化的诊断方案,以有效管理布鲁克斯症.
研究的目的:
- 开发一种先进的布鲁克斯症自动诊断方案.
- 通过使用生物信号,提高布鲁克斯症诊断的准确性和效率.
- 为了研究一种新的混合机器学习分类器用于睡眠障碍诊断的有效性.
主要方法:
- 在Weka工具中使用混合机器学习分类器用于布鲁克斯症诊断.
- 通过计算功率光谱密度来处理生物信号,包括脑电图 (EEG),心电图 (ECG) 和心电图 (EMG).
- 使用特定的生理信号通道,分类睡眠阶段 (清醒和REM) 和乳头的存在.
主要成果:
- 基于EEG的诊断实现了93%的特异性和95%的准确性.
- 基于心电图的分类产生了87%的特异性和96%的准确性.
- 将EEG,ECG和EMG信号与Weka工具组合相结合,导致了最高的诊断性能:97%的特异性和99%的准确性.
结论:
- 整合多个生理信号 (EEG,ECG,EMG) 显著提高了布鲁克西斯症诊断的准确性.
- 拟议的机器学习方法为布鲁克斯症的诊断准确性提供了显著的改进.
- 开发的方法有可能改善家庭自动监控系统的睡眠相关障碍,如布鲁克斯症.
