机器学习方法来评估脑电图对应的休息之间仰卧和坐姿势在闭眼条件下
Christy George1, Kamalesh K Gulia2
1Department of Computational Biology & Bioinformatics, University of Kerala, Thiruvananthapuram, Kerala, India.
Annals of neurosciences
|June 9, 2025
概括
机器学习,特别是支持矢量机 (SVM),有效地从不同姿势的脑电图 (EEG) 信号中识别出大脑放松状态. 心率变化 (HRV) 和侧面化指数 (LI) 证实了EEG发现.
科学领域:
- 神经科学是一个神经科学.
- 计算神经科学是一种神经科学.
- 生物医学工程 生物医学工程
背景情况:
- 脑部放松对幸福至关重要,电脑学 (EEG) 信号提供了对神经相关的洞察力.
- 传统研究往往侧重于眼睛开放/闭合状态,忽视了等实践中常见的姿势.
- 机器学习 (ML) 工具越来越多地用于分析EEG放松状态.
研究的目的:
- 通过使用ML分类器,研究坐姿与卧姿的放松的EEG相关性.
- 基于EEG,比较不同ML模型在区分放松状态方面的有效性.
- 为了将EEG衍生的放松指标与心率变化 (HRV) 和侧面化指数 (LI) 相关联.
主要方法:
- 从健康的参与者中收集了EEG和ECG数据,这些参与者在闭眼的坐姿和仰卧姿势中.
- 作为放松指标,提取了alpha和theta波的相对功率,LI和HRV参数.
- 使用了包括K-近邻 (KNN),支持矢量机 (SVM),随机森林 (RF) 和XGBoost在内的分类器.
主要成果:
- 支持矢量机 (SVM) 在从EEG阿尔法和乙太频段数据分类放松状态方面表现出卓越的性能.
- 使用HRV数据验证了SVM的分类准确性,并与LI相关联.
- ML模型在不同姿势中有效地区分了放松状态.
结论:
- ML,特别是SVM,对于在各种姿势期间从EEG信号分类放松状态是有效的.
- LI和HRV指标为分别从EEG和ECG解码放松状态提供了有价值的补充信息.
