用于诊断功能性发作的非性脑电图测量

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 数据科学数据科学数据科学

背景情况:

• 功能性发作 (FS) 模仿发作,但缺乏性大脑活动,占诊所转诊的很大一部分.
• 目前用于FS的诊断方法,依靠视频脑电图 (EEG) 和专家解释,是昂贵的,难以获得的,对患者来说是负担.
• 对于FS诊断,目前还没有确定的生物标志物,这凸显了对更好的诊断工具的需求.

研究的目的:

• 研究机器学习在分类无发作EEG信号中的有效性,以区分功能性发作 (FS) 与.
• 探索机器学习的潜力,以帮助临床医生诊断FS.

主要方法:

• 分析了48名FS患者和29名患者的内脉冲和前脉冲EEG记录.
• 从五个EEG频段中提取统计,时间和光谱特征.
• 门准确度的应用,五个机器学习分类器,以及两个特征重要性信号分析方法.

主要成果:

• 值实现了最大的分类准确率为60.67%.
• 时间特征表现出卓越的性能,当所有EEG频段与支向量机分类器相结合时,获得了95.71%的平衡精度.
• 机器学习模型的表现明显超过了对个体特征的分析.

结论:

• 机器学习是一种非常有效的工具,可以帮助诊断功能性 (FS).
• 结合EEG频段通常可以提高分类器的准确性.
• 德尔塔和玛EEG频段在分类中始终是最不有效的.