使用和机器学习的精神性非和发作的EEG复杂性分析

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 信号处理 信号处理

背景情况:

• 心理非发作 (PNES) 经常被误诊为发作 (ES).
• 错误的诊断导致不有效的治疗和推迟的心理支持.
• 准确区分PNES和ES对于患者护理至关重要.

研究的目的:

• 调查从电脑电图 (EEG) 数据中得出的九个测量的实用性,用于从ES分类PNES.
• 评估这些测量的诊断性能,无论是在间接和前接状态,以及一个新的动态状态.

主要方法:

• 分析了74名患者 (46名PNES,28名ES) 的EEG数据,使用1分钟的前声和间声记录.
• 计算了9个度,并使用各种机器学习算法 (k-NN,Naïve Bayes,LDA,LR,SVM,RF,MLP,XGBoost) 进行了交叉验证.
• 一个动态状态被定义为间接和前置周期之间的的差异.

主要成果:

• 度措施,特别是样本,模糊,条件和分散度,在PNES和ES之间显示出明显的模式.
• 在动态状态下分类性能最高,模糊和SVM达到72.4%的平衡精度.
• 确定了主要的歧视性EEG通道 (O1,O2,T5,F7,Pz).

结论:

• 对EEG信号的 entropy分析,特别是在动态状态下,显示了区分PNES和ES的巨大潜力.
• 这种方法可以提高诊断准确度,并指导适当的治疗策略.
• 模糊与SVM相结合,证明了强大的分类性能.