概念漂流适应机器学习EEG发作预测
Edson David Pontes1, Mauro Pinto2, Fábio Lopes2,3
1Department of Informatics Engineering, CISUC, University of Coimbra, Coimbra, Portugal. edpontes@dei.uc.pt.
Scientific reports
|April 8, 2024
概括
这项研究引入了自动概念漂移适应来预测发作,提高了89%的叶患者的准确性. 逆向标志窗口方法在预测发作方面明显优于传统方法.
科学领域:
- 神经学 神经学
- 机器学习 机器学习
- 生物医学工程 生物医学工程
背景情况:
- 预测发作对于患者的生活质量至关重要,但30%的患者对当前的治疗没有反应.
- 识别预测状态是关键,但脑电图 (EEG) 数据的动态性 (概念漂移) 需要适应性预测方法.
- 现有的基于EEG的发作预测方法往往缺乏临床适用性.
研究的目的:
- 评估自动概念漂移适应技术,以提高预测的准确性.
- 为了比较三个患者特定的预测算法与使用EEG数据的控制方法.
主要方法:
- 研究了三种自适应算法:向后地标窗口 (SVM),抓获批次回归 (逻辑回归) 和动态加权合集.
- 所有方法都使用了单变线性特征,支持矢量机 (SVM) 分类器,扣押后再训练和发射功率来发出警报.
- 在EPILEPSIAE数据库中对37名叶患者进行了标准机器学习管道的适应性方法比较.
主要成果:
- 逆向地标窗口方法实现了0.75 ± 0.33的灵敏度和每小时1.03 ± 1.00的错误阳性率.
- 这种适应性策略成功地预测了89%的患者的突发性发作.
- 对照方法仅在46%的患者中验证了发作预测.
结论:
- 自动概念漂移适应,特别是逆向标志窗口方法,显著提高了预测性能.
- 这些适应性技术为中发作预测提供了更强大,更具临床相关性的方法.
- 这些发现强调了解决EEG动态数据变化的重要性,以有效预测扣押情况.
