建模EEG睡眠随年龄转移的早产儿脑龄预测统一贝叶斯方法
机器学习
2018-09-20 v1 机器学习
定量方法
摘要
早产儿经历各种应激，可能表现为学龄期学习问题。对脑电图（EEG）进行睡眠分期，并据此睡眠状态预测其脑龄，可早期（相较于已知年龄）量化与正常脑发育的偏离。当前该方法的自动化依赖于显式睡眠状态分类，使用临床医生视觉标记的睡眠分期优化算法，而这仍是主观的金标准。此类模型在较宽年龄范围内表现不一致，并影响后续的脑龄估计，从而可能阻碍对更细微发育偏离的识别。我们引入一种利用多个高斯混合模型的贝叶斯网络，作为一种新颖的统一方法，用于直接估计脑龄，同时建模年龄与睡眠对EEG的依赖关系，以提升在更宽年龄范围内的预测准确性。
引用
@article{arxiv.1809.07102,
title = {A unifying Bayesian approach for preterm brain-age prediction that models EEG sleep transitions over age},
author = {Kirubin Pillay and Maarten De Vos},
journal= {arXiv preprint arXiv:1809.07102},
year = {2018}
}
备注
5 pages, 2 figures. Submitted for Neural Information Processing (NIPS) conference workshop on Machine Learning for Health (ML4H), Long Beach, CA, USA, 2017