$n$-圆柱形符号反应,一种独立和协同的生物标志物,用于在EEG模式下诊断

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
• 计算生物学 计算生物学

背景情况:

• 在间歇性状态下对的错误诊断是一个全球性的问题,导致错误的抗药物处方和健康个体的潜在诱导.
• 对的脑电图 (EEG) 数据分析面临诸多挑战,包括非静止性,同质性,异质性和预处理可变性,通常是由于人工物包含.
• 由于固有的数据复杂性和预处理不一致性,现有的方法难以准确地分类间接性状态和健康对照.

研究的目的:

• 为了解决使用EEG数据诊断的局限性.
• 提出一种新的计算生物标志物,即基于n圆柱形的符号反应 (nCSR) 矢量,用于强大的间接分类.
• 开发一个新的数据采集管道和数据集,遵循国际病联盟 (ILAE) 的指导方针.

主要方法:

• 创建了一个新的数据采集管道和一个EEG数据集,包括140名受试者 (70名健康对照,70名间接患者).
• 一个计算生物标志物,基于n圆柱体的符号响应 (nCSR) 矢量,是使用固有值,固有矢量,固有方向,并融合了FFT和DWT特征而开发的.
• 该nCSR向量被设计为强大的预处理变异,并捕获类似于间接性形放电 (IED) 的特征.

主要成果:

• 拟议的nCSR生物标志物在测试精度上显著改善,在锡耶纳和BIOMED数据集上相比基线特征融合的精度分别提高了38.54%和40.29%.
• 该nCSR向量有效地解决了患者 (间歇性状态) 和健康对照之间的同质性问题.
• 这种生物标志物被证明是作为症分类的独立和协同特征的有效特征.

结论:

• 这种新型nCSR生物标志物提供了一种强大而精确的方法,可以使用EEG数据将间接性状态与健康对照区分开来.
• 拟议的方法显示了与现有方法相比显著的性能改进,解决了针对的EEG分析的关键挑战.
• nCSR方法的简单性和协同作用促进了无集成到临床环境中,将AI和认知神经科学连接到实际应用中.