在儿童中进行前冲击EEG的无监督聚类:一种可重复和轻量级的基于CPU的工作流程

科学领域:

• 神经科学和生物医学工程
• 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:

• 早期发现儿童的发作对于安全和干预至关重要,但目前的方法受到儿童无法传达警告信号的限制.
• 识别前发作脑电图 (EEG) 微机可以使可穿戴和床边发作监控器用于护理人员的警报.
• 现有的方法通常依赖于手动标签,专家校准或计算密集型模型,阻碍临床实用性.

研究的目的:

• 开发一个无监督的集群管道,用于识别儿科前冲击脑电图微态.
• 为实时神经诊断应用程序创建可访问,基于CPU的可适应工作流.
• 推进无监督EEG集群的方法方面,用于自动预触状态监测.

主要方法:

• 使用主要组件分析 (PCA) 进行稳定的特征提取,保留超过95%的方差.
• 应用独立组件分析 (ICA) 以减少工件 (眼85%,线路噪声34%).
• 采用K-Means集群与Elbow和Silhouette方法来识别最佳数量的集群 (k=4),使用统一的多重近似和投影 (UMAP) 进行可视化.

主要成果:

• 无监督的管道成功地识别了在发作开始之前不同的,生理上有意义的EEG微状态.
• UMAP嵌入显示出分离良好的集群,初始的轮分数高 (0.779),表明内部结构强大.
• 消除噪音可以提高解释性,而不会影响集群有效性,证实稳定的特征提取和文物减少.

结论:

• 无监督方法为划分与皮层刺激性和网络同步性变化相关的明显前冲击状态提供了证据.
• 这项概念验证研究推进了儿童的无监督EEG集群方法.
• 这些发现为自动性前触发状态监测提供了初步平台,为未来的研究提出了假设.