静止状态EEG信号的微态分析,用于对健康受试者的耳进行分类
Faezeh Mousazadeh Sarghein1, Nasser Samadzadehaghdam1, Faegheh Golabi1
1Department of Biomedical Engineering, Faculty of Advanced Medical Sciences, Tabriz University of Medical Sciences, Tabriz, Iran.
Clinical EEG and neuroscience
|June 30, 2025
概括
脑电图 (EEG) 微态分析有效地将耳患者与健康人区分开来. 像SVM这样的机器学习模型实现了超过96%的准确性,显示了改善耳诊断的潜力.
科学领域:
- 神经科学是一个神经科学.
- 计算精神病学是一种计算精神病学.
- 生物医学工程 生物医学工程
背景情况:
- 脑电图 (EEG) 为大脑电生理学提供了高时间分辨率.
- 微态分析将EEG细分成准稳定的状态,揭示大脑网络活动.
- 这种方法对于理解神经精神疾病,包括耳是很重要的.
研究的目的:
- 使用EEG微态特征,区分耳患者与健康对照者.
- 评估机器学习算法在基于这些特征对耳的分类方面的有效性.
主要方法:
- 研究了16名健康对照组和10名耳患者之间的EEG微态差异.
- 使用多变量方差分析 (MANOVA) 分析了四个微态.
- 采用机器学习算法 (SVM,KNN) 来基于微状态特征进行分类.
主要成果:
- 在微状态A持续时间 (听觉处理) 和微状态B覆盖/发生 (视觉网络) 中发现了显著的差异.
- 支持矢量机 (SVM) 实现了96.44%的准确性,97.64%的精度和97.24%的F1分数.
- 在K-Nearest Neighbors (KNN) 中,最大回忆率为97.24%.
结论:
- 脑电图微态分析,与时间相关的特征,显示 tinnitus 诊断和分类的希望.
- 机器学习模型 (SVM,KNN) 准确地识别了与耳相关的大脑模式.
- 这突显了EEG在治疗神经系统疾病中的临床用处.
