使用基于 ECoG 的功能映射与机器学习对癫痫患者语言皮层区的反应进行自动评估
神经元与认知
2017-08-08 v2 计算机视觉与模式识别
机器学习
摘要
在手术前，必须仔细确定癫痫患者负责语言和认知功能的大脑区域的准确定位。基于皮层脑图 的实时功能映射 已被证明是电皮层刺激映射 的更安全替代方案，后者是目前临床/金标准。分析 RTFM 信号的常规方法基于对特定频段信号功率的统计比较。与金标准 (ESM) 相比，它们在评估通道响应时精度有限。在本研究中，我们通过分析信号的全频谱并用机器学习算法（具体为随机森林 (RF)）替代信号功率估计方法作为概念验证，解决了当前 RTFM 信号估计方法的精度限制。我们在监督学习框架内利用时间序列 RTFM 信号的功率谱密度训练 RF，其中真实标签来自 ESM。在严格控制的实验设置下，对六名成年患者进行 RTFM 获得的结果显示，语言理解任务的检测精度达到了 SOTA 水平的 ，比传统 RTFM 估计方法提高了 。据我们所知，这是第一项探索使用机器学习方法确定 RTFM 信号特性，并使用全频带以实现更好区域定位的研究。我们的结果表明，基于机器学习的全频谱 RTFM 信号分析方法在不久的将来有望成为临床常规手段。
引用
@article{arxiv.1706.01380,
title = {Automatic Response Assessment in Regions of Language Cortex in Epilepsy Patients Using ECoG-based Functional Mapping and Machine Learning},
author = {Harish RaviPrakash and Milena Korostenskaja and Eduardo Castillo and Ki Lee and James Baumgartner and Ulas Bagci},
journal= {arXiv preprint arXiv:1706.01380},
year = {2017}
}
备注
This paper will appear in the Proceedings of IEEE International Conference on Systems, Man and Cybernetics (SMC) 2017