通过使用机器学习进行特征驱动的多类分类来提高神经系统疾病的诊断准确性

科学领域:

• 神经科学是一个神经科学.
• 医疗信息学 医疗信息学
• 生物医学工程 生物医学工程

背景情况:

• 神经系统疾病 (ND) 是一个全球性的健康挑战,其重叠的症状使诊断复杂化.
• 目前ND的诊断方法往往是主观的,昂贵的,缺乏普遍的可访问性.
• 早期发现ND对于有效的干预和改善患者结果至关重要.

研究的目的:

• 用电脑电图 (EEG) 信号研究多种神经系统疾病的分类.
• 评估机器学习算法的有效性和ND分类的特征选择.
• 探索疾病对疾病的分类,作为传统控制对患者框架的替代方案.

主要方法:

• 分析了来自阿尔茨海默氏症,健康对照,精神分裂症,MCI和抑郁症患者的EEG数据.
• 应用了特征提取技术,然后是最小绝对收缩和选择操作员 (Lasso) 进行特征选择.
• 线性差异分析 (LDA) 和其他机器学习算法用于二类,三类和四类分类任务.

主要成果:

• 线性差异分析 (LDA) 在区分健康对照群和阿尔茨海默氏病患者方面实现了100%的准确性.
• 多类分类 (抑郁症,MCI,精神分裂症) 的准确率达到84.67%.
• 额叶EEG频道经常被选择,这表明它们在分类神经系统疾病中的重要性.

结论:

• 脑电图信号分析与机器学习相结合,显示了对分类多种神经系统疾病的前景.
• 使用EEG进行疾病对疾病的分类,为更精确的临床诊断提供了一种新方法.
• 这些发现支持开发更容易获得和更有效的神经疾病诊断工具.