评估机器和深度学习方法用于婴儿EEG的工件检测:分类器性能,确定性和训练大小的影响.

科学领域:

• 神经科学和生物医学工程
• 发展心理学 发展心理学

背景情况:

• 电脑电图 (EEG) 对于婴儿大脑活动研究至关重要,但容易受到婴儿运动和变化的影响.
• 在EEG中手动检测文物是耗时和主观的,需要自动化解决方案来进行可靠的分析.

研究的目的:

• 评估机器学习分类器 (Random Forest,SVM,DL) 的性能,用于在婴儿脑电图中自动检测器件.
• 为了评估分类器而不需要先前的特征提取,直接处理原始,过的婴儿EEG数据.

主要方法:

• 作为BRISE研究的一部分,收集了294名婴儿 (平均年龄8.34个月) 的EEG数据.
• 分析了66,851个时代,其中45%由专家手动注释为文物.
• 在过的EEG数据上训练并测试了随机森林,SVM和深度学习模型.

主要成果:

• 随机森林 (RF) 和深度学习 (DL) 模型实现了高平衡精度 (分别为0.873和0.881),明显优于SVM (0.756).
• 射频在较小的数据集中表现出色,而DL则需要更大的数据集以获得最佳性能.
• 在分类器的确定性,准确性和被分类数据的比例之间存在权衡.

结论:

• 射频和DL分类器为婴儿EEG提供有效的自动化工件检测,减少预处理时间并提高研究的一致性.
• 自动化文物检测可以促进大规模的婴儿EEG研究,并通过标准化预处理提高可重复性.