自动表征和检测纤维肌痛使用慢波睡眠EEG信号与葡萄糖模式和D'hondt聚合技术
Isil Karabey Aksalli1, Nursena Baygin1, Yuki Hagiwara2
1Department of Computer Engineering, College of Engineering, Erzurum Technical University, Erzurum, Turkey.
Cognitive neurodynamics
|May 3, 2024
概括
这项研究开发了一种使用脑电图 (EEG) 睡眠信号的自动化方法,以准确检测纤维肌痛. 该模型实现了100%的准确性,为这种情况提供了新的诊断工具.
科学领域:
- 神经科学是一个神经科学.
- 医疗技术 医疗技术 医学技术
- 生物医学工程 生物医学工程
背景情况:
- 纤维肌痛显著影响睡眠架构.
- 精确诊断纤维肌痛仍然是一个挑战.
研究的目的:
- 使用睡眠脑电图 (EEG) 信号,自动区分患有纤维肌痛的人与健康对照人.
- 开发一种先进的特征提取和选择模型,用于基于EEG的纤维肌痛检测.
主要方法:
- 利用了32名受试者的5358个睡眠EEG段 (16名纤维肌痛患者,16名健康患者).
- 开发了一种新的特征提取器 (GluPat) 和由葡萄糖化学和D'hondt方法启发的聚合方法.
- 采用代的邻里组件分析和Chi2进行特征选择.
- 使用支持矢量机和k-近邻的LORO和十倍CV的分类信号.
主要成果:
- 通过对睡眠阶段2+3EEG信号进行十倍交叉验证,实现了100%的检测准确度.
- 通过交叉验证实现了91.83%的准确性.
- 该模型展示了简单的架构和线性时间复杂性.
结论:
- 开发的自动化模型有效地区分纤维肌痛患者和健康个体,基于睡眠EEG.
- 这种方法为纤维肌痛诊断提供了一个有希望,准确和高效的工具.
