基于脑电高频振荡特征主成分分析与机器学习的致痫通道自动识别
陈文静1
张馨月2
康同舟2
赖大坤2
张恒1
李真林1
1.四川大学华西医院,四川成都6100412.电子科技大学电子科学与工程学院,四川成都611731
摘要：目的 研究一种基于颅内多通道脑电高频振荡(HFOs)总体特征的主成分分析与机器学习方法,以实现自动识别和确定各脑电通道是否位于致痫病灶区.方法 首先,在通道水平对颅内脑电高频振荡信号进行时-频域多维特征提取;其次,采用主成分分析法(PCA)对该特征矩阵进行降维处理;然后,分别采用支持向量机、决策树及K邻近等机器学习方法对各个脑电通道进行自动分析和分类;最后,对比手术切除病灶区域及其标定的致痫灶通道,采用十折交叉法评估和比较各机器学习算法的分类性能及其对致痫灶通道的自动识别性能.结果 对4例癫痫患者共229个通道的随机2h发作间期颅内脑电数据的HFOs自动分析,PCA分析后其通道水平HFOs特征由14维降至4维,且采用支持向量机法更准确地识别出其中的15个致痫通道,其准确率、灵敏度及特异性分别为85.05％、71.25％及92.42％.结论 本方法不仅提高了脑电致痫通道自动识别的准确性和智能化,而且有望缩短传统颅内视频脑电的监测时程.
关键词：癫痫颅内脑电高频振荡信号机器学习致痫区定位
分类号：TP391.4(计算技术、计算机技术)
资助基金：国家自然科学基金(61771100)
论文发表日期：2021-04-15
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：9( 152-160 )
英文信息