记忆优化随机森林分类器用于植入式监测和闭环神经刺激设备中的EEG发作检测

科学领域:

• 神经科学和生物医学工程
• 计算神经科学是一种神经科学.
• 医疗器械 医疗器械

背景情况:

• 影响了许多对药物无反应的患者,需要先进的治疗方法,如响应神经刺激或监测.
• 这些应用的植入式设备面临着严格的能量和内存限制,限制了发作检测算法的复杂性.
• 为低功率微控制器优化发作检测模型对于有效和高效的可植入管理系统至关重要.

研究的目的:

• 评估跨患者随机森林 (RF) 模型,用于在低功耗微控制器应用中检测.
• 评估各种道集成策略和模型参数对性能和内存要求的影响.
• 确定最佳的算法设计,用于植入神经刺激装置中的嵌入式发作检测.

主要方法:

• 分析了来自50名患者的电脑电图 (EEG) 数据,其中有362次发作.
• 从2秒的EEG段中提取15个特征,使用中央和外围电极.
• 早期集成 (EI) 和晚期集成 (LI) 策略与微控制器上的不同RF模型复杂度 (500/125树,深度) 和数据格式 (8位整数,32位浮动) 的比较.

主要成果:

• 在EI特征排序和LI策略之间具有相似的性能,LI被32位浮动格式和复杂模型所青 (中位AUC为0.925).
• 特征排序在中型模型中表现出色,并且对8位整数格式具有稳定性.
• 在后处理过程中,假刺激在100%灵敏度下降到5.5 /小时,在~80%灵敏度下降到3 /小时以下.

结论:

• 随机森林模型具有优化的能量和记忆足迹,可以实现可植入设备的最先进的发作检测性能.
• 选择道集成策略,模型复杂性和硬件规格都会对性能产生重大影响.
• 这些发现为设计神经刺激和监测设备中嵌入式应用程序的高效算法提供了指导.