线性和非线性定量EEG分析在儿科手术中的价值:一种机器学习方法
Mattia Mercier1,2, Chiara Pepi1, Giusy Carfi-Pavia1
1Neurology, Epilepsy and Movement Disorders Unit, Bambino Gesù Children's Hospital, IRCCS, Full Member of European Reference Network EpiCARE, Piazza S. Onofrio 4, 00165, Rome, Italy.
Scientific reports
|May 13, 2024
概括
预测手术的成功是至关重要的. 这项研究发现,特定的脑电图 (EEG) 特征,包括功率光谱密度和赫斯特值,可以帮助预测儿童手术后的自由度.
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
- 临床神经学 临床神经学
背景情况:
- 手术为抗药性提供了解决方案,但很大一部分患者无法完全控制发作.
- 预测手术结果仍然是一个挑战,需要探索先进的分析方法.
研究的目的:
- 调查线性和非线性脑电图 (EEG) 特征对儿科患者手术后发作结果的预测价值.
- 确定与成功的手术相关的特定EEG生物标志物.
主要方法:
- 对123名接受手术的儿科患者长期视频EEG监测数据的分析.
- 从清醒和睡眠期间的间接头皮EEG中提取了13个线性和非线性EEG特征,包括功率光谱密度 (PSD),Hjorth参数,近似,顺序,Lyapunov指数和Hurst指数.
- 利用后勤回归来进行特征选择和人工神经网络 (ANN),使用18个架构来建模和预测手术结果.
主要成果:
- 后勤回归确定了阿尔法频段 (睡眠),运动指数 (睡眠) 和Hurst值 (睡眠和清醒) 的PSD与手术结果之间的显著相关性.
- 人工神经网络模型的预测准确度在46%至65%之间.
- 通过逻辑回归选择的特征,特别是阿尔法频段的PSD,移动性和Hurst值,实现了对结果的最高预测准确率 (64.8%±7.6%).
结论:
- 线性和非线性EEG特征,特别是α频段的PSD,移动性和赫斯特值,是儿童后手术结果的有价值预测因素.
- 将这些选定的EEG特征与ANN等先进的建模技术相结合,可以改善手术后发作自由的预测.
- 这些发现可能有助于患者选择和治疗手术规划.
