来自的EEG数据的无监督学习:一个系统的文献审查
Alexandra-Maria Tautan1, Alexandra-Georgiana Andrei2, Carmelo Luca Smeralda3
1AI Multimedia Lab, CAMPUS Research Institute, National University of Science and Technology Politehnica Bucharest, Romania; Department of Neurology, Massachusetts General Hospital, Harvard Medical School, Boston, MA, USA.
Artificial intelligence in medicine
|March 1, 2025
概括
本综述强调了在使用电脑电图 (EEG) 数据的研究中,无监督人工智能 (AI) 的使用越来越多. 虽然发作检测和预测是常见的应用,但数据质量仍然存在挑战,需要进行发作特征和局部化研究.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 生物医学信号处理
背景情况:
- 是一种神经系统疾病,以经常性发作为特征,电脑电图 (EEG) 活动作为关键诊断指标.
- 人工智能 (AI) 具有显著的潜力,可以通过提高诊断准确性和治疗结果来加强管理.
研究的目的:
- 系统地审查在中对EEG数据应用的无监督机器学习方法的文献.
- 分析方法趋势,包括算法,数据预处理和验证技术.
- 识别和分类AI在患者护理中的临床应用.
主要方法:
- 对过去10年内发表的研究进行了遵循PRISMA指南的系统文献搜索.
- 纳入标准侧重于无监督和自我监督的学习方法,用于在中对EEG数据的分类.
- 关键结果包括数据集的分析,预处理,算法架构,验证策略,性能指标和临床应用.
主要成果:
- 总共有108项研究符合纳入标准,过去五年出版物的数量大幅增加.
- 保持和k-fold交叉验证是常见的验证方法,而准确性,灵敏性和特异性是主要的性能指标.
- 发作检测,预测和分类是最常见的临床应用,发作特征和局部化研究有限.
结论:
- 对治疗的无监督学习和EEG分析的兴趣正在迅速增加.
- 在用于算法训练和验证的EEG数据集的质量和标准化方面仍然存在挑战.
- 未来的研究应该探索情境感知的人工智能,模型可解释性,并扩展应用以捕获特征和本地化.
更多相关视频
11:54Simultaneous Video-EEG-ECG Monitoring to Identify Neurocardiac Dysfunction in Mouse Models of Epilepsy
Published on: January 29, 2018
25.3K
10:23Equipment Setup and Artifact Removal for Simultaneous Electroencephalogram and Functional Magnetic Resonance Imaging for Clinical Review in Epilepsy
Published on: June 23, 2023
1.8K
