基于Ictal Chirp嵌入的Epilepsy患者临床结果分类

本研究提出了一种利用t分布随机邻域嵌入（t-SNE）对chirp特征进行可解释可视化的管线。数据集包含基于chirp的时序、谱和频率指标。使用t-SNE,在保留局部邻域关系的同时,通过基于学生t分布的相似性优化来解决拥挤问题。在2D t-SNE嵌入上,我们建立了三个分类任务:(1)区分临床成功与失败/无手术结果,(2)区分高难度与低难度病例,(3)识别最佳病例,即成功结果且临床难度最小。我们训练和评估了四个分类器,即随机森林、支持向量机、逻辑回归和k近邻,采用分层5折交叉验证。在所有任务中,随机森林和k-NN分类器表现优异,在最佳病例检测（成功结果且临床难度最小）中达到最高可达88.8%的准确率。此外,我们应用SHAP解释生成了特征影响灵敏度图,用于预测t-SNE坐标的模型,揭示了嵌入空间中特定chirp属性驱动区域聚类和类别分离的局部特征重要性。这些图表明了特定特征如何驱动局部聚类和类别分离,为数据潜在结构提供了见解。该集成框架展示了可解释嵌入和局部特征归因在临床分层和决策支持方面的潜在应用。