在昏迷状态下对EEG信号的定量分析和基于机器学习的解释以及脑死亡诊断

科学领域:

• 神经科学和生物医学工程
• 信号处理和机器学习应用程序

背景情况:

• 脑电图 (EEG) 对于诊断诸如昏迷和脑死亡之类的改变意识状态至关重要.
• 由于微弱的信号和复杂的ICU环境,缺乏标准化的分析,EEG的临床解释具有挑战性.
• 在重症监护中没有对EEG信号分析的量化标准,这阻碍了准确的诊断.

研究的目的:

• 专为昏迷/脑死亡EEG信号开发一种改进的无声化方法.
• 使用机器学习识别独特的光谱能量特征,区分昏迷和脑死亡状态.
• 提高基于EEG的意识水平诊断的准确性和可靠性.

主要方法:

• 使用K=5的变化模式分解 (VMD) 来处理EEG信号,以创建光谱特征图.
• 具有交叉验证的递归特征消除 (RFE) 和支持矢量机 (SVM) 用于特征选择.
• 为了分类,在4-9Hz频段内确定了独特的能量特征.

主要成果:

• VMD-RFE-SVM方法成功地确定了4-9Hz频段的关键能量特征,将昏迷与脑死亡区分开来.
• SVM分类器实现了高精度,准确率为99.59%,F1得分为99.61%.
• 开发的方法证明了对EEG信号的细微临床解释的强大性能.

结论:

• 改进的无声化和机器学习方法为区分昏迷和脑死亡EEG提供了可靠的工具.
• 这种方法为EEG解释提供了定量基础,支持临床决策.
• 这项研究为未来研究奠定了基础,用于量化EEG用于诊断各种神经疾病.