基于机器学习,利用SEEG的高频振荡来定位发性区域:一个现实世界的方法

科学领域:

• 神经科学是一个神经科学.
• 医疗技术 医疗技术 医学技术
• 机器学习 机器学习

背景情况:

• 对立体EEG (SEEG) 进行手动分析以定位发性区域 (EZ) 是具有挑战性的.
• 现有的信号分析方法存在局限性,特别是对于新皮层.

研究的目的:

• 开发和评估机器学习 (ML) 方法,使用SEEG记录的高频振荡 (HFO) 来实现精确的EZ定位.
• 为了比较不同的分类算法在识别EZ时的性能.

主要方法:

• 开发了ML模型,利用SEEG记录的HFO (统计,线性,非线性) 的27个特征.
• 在SEEG接触层面培训和测试模型,使用52名患者的数据.
• 对叶和新皮层的分类算法性能进行比较.

主要成果:

• 使用Extra-Trees和Random-Forest分类器,在 mesial叶中获得了高达85.4%的交叉验证准确率.
• 用Extra-Trees分类器实现了高达84.2%的新皮层的准确性.
• 在两种类型的多个分类器中表现出高性能.

结论:

• 在SEEG接触级训练的ML模型为EZ本地化提供了现实的,公正的方法.
• 这种方法通过将训练数据排除在测试之外来最大限度地减少偏差,从而提高了实际适用性.
• 基于ML的EZ定位可以作为一种独立的方法,减少对SEEG主观视觉分析的依赖.