用于轻度创伤性脑损伤分析的脑电机器学习：综述
信号处理
2022-08-19 v1
摘要
轻度创伤性脑损伤(mTBI)是一种常见的脑损伤，影响着多样化的人群：士兵、建筑工人、运动员、驾驶员、儿童、老人以及几乎所有人。因此，拥有一种成熟、快速、廉价且准确的分类方法对全球人民的福祉至关重要。幸运的是，在脑电图(EEG)数据上使用机器学习(ML)显示出有前景的结果。本综述分析了从2017年至今最前沿的文章。这些文章从Google Scholar数据库检索，并基于我们的标准经过淘汰流程。我们回顾、总结并比较了十四篇最前沿的机器学习研究论文，用于预测和分类mTBI，比较维度为：1) EEG数据类型，2) 数据预处理方法，3) 机器学习特征表示，4) 特征提取方法，以及5) 机器学习分类器与预测。最常见的EEG数据类型为人静息态EEG，多数研究使用滤波器清洗数据。功率谱，尤其是alpha和theta功率，是最普遍的特征。其他非功率谱特征，如熵，也显示出巨大潜力。傅里叶变换是最常见的特征提取方法，而使用神经网络作为自动特征提取通常返回高精度结果。最后，支持向量机(SVM)是本综述中最常见的ML分类器，因其较低的计算复杂度和坚实的数学理论基础。本研究的目的是收集并探索机器学习中一个稀疏的领域，我们希望我们的综述能为当前基于机器学习的mTBI脑电分析的内在趋势、优势、劣势和偏好提供一些启示。
引用
@article{arxiv.2208.08894,
title = {EEG Machine Learning for Analysis of Mild Traumatic Brain Injury: A survey},
author = {Weiqing Gu and Ryan Chang and Bohan Yang},
journal= {arXiv preprint arXiv:2208.08894},
year = {2022}
}
备注
27 pages