通过LEE分类器有效诊断各种睡眠障碍:轻GBM-EOG-EEG

科学领域:

• 神经学 神经学
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 准确诊断睡眠障碍对于有效治疗至关重要.
• 现有的诊断方法可能是耗时和资源密集的.
• 机器学习为自动化和高效的睡眠障碍分类提供了潜力.

研究的目的:

• 开发和评估一种新的机器学习方法来分类七种常见的睡眠障碍.
• 为了比较使用电眼图 (EOG) 和电脑图 (EEG) 数据的模型的诊断性能.
• 在多类睡眠障碍诊断中实现最先进的准确性.

主要方法:

• 使用光梯度提升机 (LightGBM) 决策树模型进行分类.
• 在公开可用的108个主题的CAP数据集上评估绩效.
• 使用EOG数据 (L-EOG) 开发了一个LightGBM模型和一个合并的EOG-EEG模型 (LEE).
• 集成的二进制分类器和值规则来完善分类准确性.

主要成果:

• 对于七类睡眠障碍的分类,L-EOG分类器实现了83.3%的准确性.
• 集成EOG和EEG的LEE分类器提高了准确度,达到93.3%.
• 最后一个值规则提高了性能,达到94.4%的准确度.
• 这代表了文学中七类睡眠障碍分类报告的最高准确度.

结论:

• 拟议的基于LightGBM的方法,特别是LEE分类器,在诊断多种睡眠障碍方面表现出高度准确性.
• 结合EOG和EEG数据,与单独使用EOG相比,显著提高了诊断性能.
• 这种方法有望提高睡眠障碍诊断的效率和准确性.