使用机器学习对听觉脑干反应进行自动波标记
Richard M McKearney1, David M Simpson1, Steven L Bell1
1Institute of Sound and Vibration Research, Faculty of Engineering and Physical Sciences, University of Southampton, Southampton, UK.
International journal of audiology
|October 4, 2024
概括
一个卷积循环神经网络 (CRNN) 准确标记了听觉脑干响应 (ABR) 波形,显示了临床解释的潜力. 高可信度得分与精确的波标记准确度相关.
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
- 机器学习 机器学习
背景情况:
- 听觉脑干反应 (ABR) 分析对于诊断听觉通路障碍至关重要.
- 准确标记ABR波形峰值 (I,III,V) 对于可靠的解释至关重要.
- 目前的ABR解释可能是主观和耗时的.
研究的目的:
- 为了比较各种机器学习算法的性能,以标记关键的ABR波形峰值.
- 开发一种算法,为ABR波延迟估计提供可信度指标.
主要方法:
- 发表的ABR数据集的二次分析,包括81名参与者的482个超值波形.
- 五个机器学习算法的比较,使用嵌套的k-fold交叉验证程序.
- 训练一个额外的算法来估计对ABR波延迟的信心.
主要成果:
- 一个卷积循环神经网络 (CRNN) 在其他评估的算法中表现出优异的性能.
- 在标记ABR波时,CRNN达到95.9%的准确度,距离目标±0.1毫秒.
- 波延迟估计的平均绝对误差为0.025毫秒,高置信度与更高的准确性有关.
结论:
- 机器学习,特别是CRNN,显示出有很大的潜力来帮助临床医生在ABR解释.
- 开发的算法为自动化ABR分析提供了有希望的结果.
- 进一步的研究涉及大型,多样化的数据集和临床验证是必要的,以实现现实世界的应用.
