通过使用EEG微态和深度学习技术,对耳患者进行了增强的分类
Zahra Raeisi1, Abolfazl Sodagartojgi2, Fahimeh Sharafkhani3
1Department of Computer Science, University of Fairleigh Dickinson, Vancouver Campus, Vancouver, Canada.
Scientific reports
|May 7, 2025
概括
脑电图 (EEG) 微态分析揭示了β和频带的独特模式,为耳提供了潜在的客观诊断工具. 这些发现强调了EEG微态动态作为区分耳患者和指导个性化治疗的可靠标记.
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
- 信号处理 信号处理
背景情况:
- 耳是一种普遍的听力障碍,缺乏客观的诊断标记.
- 了解 tinnitus 的神经支柱对于开发有效的治疗方法至关重要.
研究的目的:
- 使用脑电图 (EEG) 信号对耳进行分类.
- 分析不同频段的EEG微态动态.
- 探索机器学习方法来检测耳.
主要方法:
- 分析了健康个体和耳患者的EEG数据.
- 信号被分解成五个频段 (delta,theta,alpha,beta,gamma) 的频段.
- 使用各种机器学习模型 (SVM,DNN等) 提取和分析了微状态特征 (持续时间,发生率,平均全球场功率,覆盖率). ) 的情况.
主要成果:
- 在耳患者中观察到β和马频段微态的显著变化.
- 微态A持续时间增加,而微态B持续时间在耳患者下降.
- 深度神经网络在使用马波段EEG数据对耳进行分类时实现了100%的准确性.
结论:
- 贝塔和马波段的EEG微态动态是区分耳患者的可靠标记.
- 微态分析显示,作为耳的客观诊断工具,它是有前途的.
- 这些发现可以为 tinnitus 的个性化神经调节疗法提供信息.
