利用句子理解 EEG 数据对闭锁综合征进行机器学习分类
神经元与认知
2020-06-23 v1 信号处理
摘要
闭锁综合征(LIS)患者常因与意识障碍相似、缺乏客观生物标志物以及难以识别的发病机制而被误诊并面临悲观预后。生物标志物在利用脑电图(EEG)数据识别类似状况方面展现出前景。该数据,特别是以事件相关电位(ERPs)形式,虽在各种应用中成功,却受限于方法学约束与解释障碍。本文档记录的研究探索了一种机器学习范式,针对从句子理解任务获取的 N400 ERP 数据,以应对这些阻碍,并为 LIS 及可能的意识障碍提出一种新的辅助诊断工具。支持向量机(SVC)与随机森林分类器(RF)能够以乐观的性能指标将意识个体与无意识个体分类。基于这些结果,所提出的模型及其后续发展可为开发用于 LIS 患者分类的辅助诊断工具提供宝贵机会,从而辅助诊断、改善预后、刺激恢复并降低死亡率。
引用
@article{arxiv.2006.12336,
title = {Locked in Syndrome Machine Learning Classification using Sentence Comprehension EEG Data},
author = {Daniël van den Corput},
journal= {arXiv preprint arXiv:2006.12336},
year = {2020}
}
备注
Master's Thesis, 16 pages, 2 figures