华盛顿大学圣路易斯麦凯工程学院的研究人员将人工智能与系统理论相结合，开发了一种更有效的方法来实时检测和准确识别癫痫发作。
他们的研究结果于5月26日发表在《科学报告》杂志上。
这项研究来自普雷斯顿格林电气与系统工程系教授Jr-Shin Li的实验室，由李实验室博士后研究员Walter Bomela领导。
曾是李的学生，现在是德克萨斯大学阿灵顿分校的助理教授，以及东北大学的楚安安。
Bomela说：“我们的技术使我们能够获取原始数据，对其进行处理并提取一个函数，这对机器学习模型的使用更有用。”“我们方法的主要优势是将23个电极的信号融合成一个参数，可以用更少的计算资源进行有效处理。”
在脑科学中，目前对大多数癫痫发作的理解是，当一组神经元突然强烈的超同步放电中断正常的大脑活动时，就会发生癫痫发作。在癫痫发作期间，如果一个人连接到脑电图仪(一种称为脑电图的设备，用于测量电输出)，异常的大脑活动将表现为尖峰放电。
Bomela说：“然而，当使用临时脑电图信号时，癫痫发作的检测准确性不是很好。”该团队开发了一种网络推理技术，以促进癫痫发作的检测，并以更高的准确性找到癫痫发作的位置。
在脑电图会议期间，一个人的电极附着在他/她的头部的不同部位，每个电极记录该部位周围的电活动。
“我们将脑电图电极视为网络的节点。使用每个节点的记录(时间序列数据)，我们开发了一种数据驱动的方法来推断网络中节点之间的时变连接或关系，”Bomela说。技术不仅考虑脑电图数据(单个信号的峰值和强度)，还考虑关系。他说：“我们想推断大脑区域是如何与他人互动的。”
这些关系的总和构成了网络。
网络建立后，可以整体测量其参数。例如，可以评估整个网络的强度，而不是测量单个信号的强度。有个参数叫Fiedler特征值，特别有用。“当癫痫发作时，你会看到这个参数开始增加，”博梅拉说。
在网络理论中，Fiedler特征值也与网络同步有关——值越大，网络越同步。博梅拉说：“这与癫痫发作期间大脑活动同步的理论是一致的。”
偏置同步还有助于消除伪像和背景噪声。例如，如果一个人抓伤了他的手臂，相关的大脑活动会被一些脑电图电极或通道捕捉到。但是，它不会与癫痫发作活动同步。这样，这种网络结构将固有地降低无关信号的重要性。只有同步的大脑活动才能引起费德勒特征值的显著增加。
目前，这项技术适用于单个患者。下一步是整合机器学习，普及识别不同类型癫痫患者的技术。
标签：
免责声明：本文由用户上传，如有侵权请联系删除！