机器学习与脑电信号分析相结合的眩晕状态分类

耿跃华; 石金祥

摘要：背景:脑电图是临床上检测及分析眩晕的一种常用手段,目前多采用单极或多级导联描记并分析脑电频率是否异常.但眩晕的脑电活动过程是异常复杂的,仅采用频率快慢分析的方法,很难对眩晕状态进行准确的分类和检测.目的:将机器学习与脑电信号分析相结合对眩晕状态进行分类,这对眩晕的诊断具有一定的研究意义和临床应用价值.方法:采用无创的前庭功能调节技术前庭电刺激制造可逆的眩晕状态,刺激电流强度为1,2,4倍皮肤感知阈值,被试在不同强度电流刺激后需填写眩晕残障量表,根据眩晕障碍量表评估结果将眩晕症状分为不同的等级,以此作为脑电分类有监督学习的数据标签.采集刺激后的脑电信号,通过小波变换提取脑电信号的小波能量以及小波熵的样本特征,利用多种机器学习分类模型对有无眩晕以及不同等级眩晕的样本特征进行分类.结果与结论:①通过对多种分类模型分类结果的对比发现:基于脑电信号小波变换特征的有监督学习分类可以实现是否眩晕和眩晕等级的二分类和多分类;②随机森林分类模型较逻辑回归模型、支持向量机模型、反向传播神经网络模型在眩晕检测的二分类以及多分类问题上表现出较高的准确率,其中二分类准确率最高可达82.5％,操作特性曲线面积为0.913,三分类准确率最高可达75.8％,操作特性曲线面积为0.927;③结果表明,随机森林模型在有无眩晕及眩晕等级的脑电特征分类问题上具有较高的准确率.该方法为眩晕症状的分类检测提供了一种可行性的补充方案,为眩晕症的诊断提供了一个新的思路.