使用基于弹性网回归和改进的乌搜索算法基于EEG特征选择的新生儿脑损伤的有效分类

科学领域:

• 生物医学工程 生物医学工程
• 计算神经科学是一种神经科学.
• 儿科神经学 儿科神经学

背景情况:

• 新生儿脑损伤可能导致严重的神经缺陷,包括和脑.
• 脑电图 (EEG) 和机器学习对于评估婴儿脑损伤至关重要.
• 使用所有EEG特征的当前方法可能是计算密集的,并降低分类性能.

研究的目的:

• 开发一种新的,高效的特征选择方法,用于新生儿脑损伤分类.
• 提高基于EEG的脑损伤评估系统的准确性和减少计算负载.

主要方法:

• 一种混合特征选择方法,EN-ICSA,结合了弹性网 (EN) 回归和改进的群众搜索算法 (ICSA).
• EN回归执行初始特征预选.
• ICSA利用动态感知概率,新的邻居追踪策略和基于经验的全球搜索来优化功能选择,避免局部最佳并提高搜索效率.

主要成果:

• 拟议的EN-ICSA特征选择方法,当与支持矢量机 (SVM) 分类器集成时,实现了高性能.
• 获得了91.94%的分类准确率,92.32%的精度,89.85%的回忆率和90.82%的F1得分.
• 在新生儿脑损伤评估中表现优于传统的机器学习和特征选择方法.

结论:

• 该EN-ICSA特征选择方法显著提高了基于EEG的新生儿脑损伤分类系统的性能.
• 这种新的方法为诊断和管理新生儿脑损伤提供了更有效,更准确的工具.
• 这些发现表明了改善儿科神经病学诊断工具的有希望的方向.