使用现成的数字手表可靠检测普遍性发作:一项多站点二期研究

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 的研究研究.

背景情况:

• 的治疗通常依赖于患者的主观报告和电脑电图 (EEG) 监测.
• 定制发作检测设备面临的挑战在广泛采用由于成本和可用性.
• 需要可访问的,非基于EEG的发作检测解决方案.

研究的目的:

• 开发和评估一种机器学习算法,用于使用现成的三星数字手表检测通用发作 (GCS).
• 在现实世界监测单元 (EMU) 环境中评估算法的性能.

主要方法:

• 一项第二阶段研究涉及36名成年患者,他们戴着配有加速度计,陀螺仪和光电感应器的三星手表.
• 从传感器数据中提取了68个特征来训练一个随机森林算法.
• 一个测试框架包括离开一个患者的交叉验证,错误报警率 (FAR) 测试和前性测试.

主要成果:

• 该算法在离开-一个-病人-输出交叉验证过程中实现了0.93的平衡精度.
• 前性测试检测到两个患者的3个GCS事件,FAR为0.25/24h.
• 与加速度计/陀螺仪功能相比,基于心率的功能表现出更高的性能.

结论:

• 商用智能手表可以有效地用于可靠的GCS检测,最小的错误报警.
• 这项技术有可能克服定制设备的局限性,并增强查监控.
• 需要进一步的前性第三阶段研究来证实其在预测发作方面的临床实用性.