通过通过机器学习分类进行光学刺激诱导的大脑波引入的警觉性评估.
Yong Zhou1, Yizhou Tan2,3, Shasha Wang4
1The Chinese People's Liberation Army Medical School, Beijing, 100853, China.
Biomedical engineering online
|August 13, 2025
概括
这项研究开发了一种使用脑波引入 (BWE) 和机器学习的新方法,以快速准确地评估警觉水平. 该方法显示出可靠,可量化的警觉性评估的前景.
科学领域:
- 神经科学是一个神经科学.
- 认知科学 认知科学
- 生物医学工程 生物医学工程
背景情况:
- 目前的警觉性评估方法受到主观性,实践效应和数据收集复杂性的影响.
- 需要快速,可量化和易于实施的警觉性评估工具.
- 警对于任务执行至关重要,因此精确的测量是必不可少的.
研究的目的:
- 为了研究脑波捕捉 (BWE) 结合机器学习的有效性,以客观地评估警觉性.
- 在BWE期间识别与警觉状态相关的脑电图 (EEG) 特征.
- 开发一种快速和可量化的方法来评估警觉性.
主要方法:
- 40名受试者接受了30秒的不同频率 (448赫兹) 的光学刺激,以诱导BWE.
- 脑电图 (EEG) 数据是从前额电极记录的.
- 使用卡罗林斯卡睡眠度量表,精神运动警觉测试和静止EEGβ频段功率来评估警觉性.
- 机器学习模型 (SVM,Naive Bayes,逻辑回归) 在BWE期间分析了EEG特征以进行警觉分类.
主要成果:
- 大脑波引入 (BWE) 强度,β频段功率和γ频段功率在警觉状态之间显示出显著的差异.
- 个别的EEG特征实现了0.620.83的曲线下面面积 (AUC),用于警觉性分类.
- 纯粹的贝叶斯模型,使用30 Hz刺激的三个关键EEG特征,实现了0.90的AUC,0.90的精度,0.89的灵敏度和0.90.90的特异性.
- 在BWE程序本身之前和之后,没有观察到整体警觉水平的显著变化.
结论:
- 在短暂的光学刺激引起的BWE期间,机器学习整合EEG特征为警觉状态分类提供了一种有前途的方法.
- 这种方法为警觉性评估提供了一个快速,可量化和易于实施的选择.
- 这些发现支持开发客观的神经生理学工具来监测认知状态.
