个性化医学中的计算脑电图：一项帕金森病研究
神经元与认知
2018-12-18 v1 机器学习
信号处理
定量方法
机器学习
摘要
脑电活动的记录携带关于一个人认知健康的信息。记录 EEG 信号时，一个非常常见的设置是受试者闭眼静息。对这些记录的分析常涉及降维步骤，其中电极被分组为 10 个或更多区域（取决于可用电极数）。然后取每组的平均值，作为后续评估中的特征。目前临床实践中使用的最显著特征基于频谱功率密度。在我们的工作中，我们考虑将电极简化为仅分为两个区域的分组。除频谱特征外，我们通过 Tsallis 熵 的视角引入对脑活动的次要、非冗余观测。我们进一步不仅在闭眼（ec）状态也在睁眼（eo）状态下采集 EEG 测量。对于我们的健康对照（HC）和帕金森病（PD）患者队列，我们提出的问题是：在这种简化的二分类分组内，能在多大程度上区分 HC 与 PD？该问题源于廉价且易用的便携式 EEG 设备的商业可用性。若此二分类分组保留了足够信息，则此类简单设备有可能用作个人监测工具、全科医生的常规筛查工具或神经学研究中长期简易监测的数字生物标志物。
引用
@article{arxiv.1812.06594,
title = {Computational EEG in Personalized Medicine: A study in Parkinson's Disease},
author = {Sebastian Mathias Keller and Maxim Samarin and Antonia Meyer and Vitalii Kosak and Ute Gschwandtner and Peter Fuhr and Volker Roth},
journal= {arXiv preprint arXiv:1812.06594},
year = {2018}
}
备注
Machine Learning for Health (ML4H) Workshop at NeurIPS 2018 arXiv:811.07216