使用非人类灵长类动物的内脑电图信号对发作模式的自动分类

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 的研究研究.

背景情况:

• 分类发作发作模式对于理解至关重要.
• 内脑电图 (iEEG) 提供了详细的神经活动数据.
• 开发用于扣押分类的自动化方法是一个持续的挑战.

研究的目的:

• 创建和验证一个机器学习框架来分类发病模式.
• 使用来自非人类灵长类动物 (NHP) 类型的青素诱导性发作的iEEG记录.
• 评估分类框架在不同大脑区域的通用性.

主要方法:

• 收集了来自六个NHP的iEEG数据,分析了1496次额叶和549次叶发作.
• 手动分类的发作发作模式分为五种不同的类型.
• 采用随机森林分类器,采用优化发作开始段的特征,使用嵌套交叉验证来选择特征和优化段长度.

主要成果:

• 随机森林分类器在尖活动,低幅度快速活动和高幅度尖峰模式方面获得了超过79%的F1分数.
• 对一个独立的叶发作数据集的验证显示了强大的概括性.
• 在独立数据集上,Sharp Activity和High Amplitude Spike模式的精度和灵敏度超过了80%.

结论:

• 光谱和动态特征有效地区分了发作的发病模式,并在大脑区域中进行概括.
• 拟议的框架允许对发作模式进行自动分类.
• 这种方法有可能促进研究和未来的临床应用.