美国马萨诸塞州纳蒂克MathWorks公司的Nicolas Vivaldi等评价脑电图驱动的机器学习对脑创伤性疾病进行分类的作用，结果发表在2021年2月的《IEEE Trans Biomed Eng》在线。
——摘自文章章节
【Ref: Vivaldi N, et al. IEEE Trans Biomed Eng. 2021 Feb 26;PP. doi: 10.1109/TBME.2021.3062502. [Epub ahead of print]】
脑电图（EEG）具有无创、易于使用和便携以及良好的成本效益等优势，有可能成为神经病理学诊断的敏感指标。数据驱动的机器学习和深度学习能够模拟甚至改进EEG的临床诊断，有良好的应用前景。先前研究显示，多变量EEG数据可有效地对CT扫描阳性的急性颅脑创伤（TBI）患者进行分类。美国马萨诸塞州纳蒂克MathWorks公司的Nicolas Vivaldi等评价脑电图驱动的机器学习对脑创伤性疾病进行分类的作用，结果发表在2021年2月的《IEEE Trans Biomed Eng》在线。研究采用的EEG原始数据来自美国宾夕法尼亚州费城坦普尔大学医院EEG数据库（v1.1.0）。研究对象分为TBI组、脑卒中组和正常组。纳入TBI组的标准为年龄1-85岁，有脑外伤或脑震荡病史患者；排除癫痫、癫痫发作、震颤或脑外伤以外的其它神经系统疾病者。纳入脑卒中组的标准为年龄1-85岁，有脑卒中病史者；排除癫痫、癫痫发作、震颤或其它神经系统疾病者。纳入正常组的标准为1-85岁，脑电图在正常范围内者；排除有癫痫、癫痫发作、震颤或其它神经系统疾病患者。收集支持向量机（SVM）和K近邻（KNN）的训练机器学习模型的最终分析数据集，包括292例受试者，其中正常组79例、TBI组98例和脑卒中组115例。另外，正常组26例、TBI组44例和脑卒中组50例的随机数据保留作为独立验证集（IV）。脑电图语料库既可以将有TBI病史的正常人分为两类，也可以将TBI、脑卒中和正常人分为三类。各类数据之间均无重叠。
研究结果发现，对于由脑电图语料库分为两类的患者，10折交叉验证（CV）的准确度为0.94，独立验证（IV）的准确度为0.76。对于分为三类的患者，CV与IV的准确度分别达到0.85与0.71。
在总体上，线性判别分析（linear discriminant analysis，LDA）的特征选择和SVM模型在CV与IV以及两类或三类分类中均始终表现良好。与正常对照组相比，脑电图机器学习明显提示TBI组和脑卒中组患者出现神经功能障碍和在δ波上显示整体的连贯性和功率谱密度（PSD）相对降低，以及α、m、β和γ波功率提高。但脑卒中患者表现更显著的变化和θ波功率大幅全面减少。
该研究表明，脑电图数据驱动的机器学习是脑损伤疾患分类的有用工具；脑电图机器学习算法可以对不同特征的神经系统疾病分类提供潜在的、有价值的途径。
声明：脑医汇旗下神外资讯、神介资讯、脑医咨询所发表内容之知识产权为脑医汇及主办方、原作者等相关权利人所有。未经许可，禁止进行转载、摘编、复制、裁切、录制等。经许可授权使用，亦须注明来源。欢迎转发、分享。
