華盛頓大學圣路易斯麥凱工程學院的研究人員將人工智能與系統(tǒng)理論相結合，開發(fā)了一種更有效的方法來實時檢測和準確識別癲癇發(fā)作。
他們的研究結果于5月26日發(fā)表在《科學報告》雜志上。
這項研究來自普雷斯頓格林電氣與系統(tǒng)工程系教授Jr-Shin Li的實驗室，由李實驗室博士后研究員Walter Bomela領導。
曾是李的學生，現在是德克薩斯大學阿靈頓分校的助理教授，以及東北大學的楚安安。
Bomela說：“我們的技術使我們能夠獲取原始數據，對其進行處理并提取一個函數，這對機器學習模型的使用更有用?！薄拔覀兎椒ǖ闹饕獌?yōu)勢是將23個電極的信號融合成一個參數，可以用更少的計算資源進行有效處理?！?
在腦科學中，目前對大多數癲癇發(fā)作的理解是，當一組神經元突然強烈的超同步放電中斷正常的大腦活動時，就會發(fā)生癲癇發(fā)作。在癲癇發(fā)作期間，如果一個人連接到腦電圖儀(一種稱為腦電圖的設備，用于測量電輸出)，異常的大腦活動將表現為尖峰放電。
Bomela說：“然而，當使用臨時腦電圖信號時，癲癇發(fā)作的檢測準確性不是很好?！痹搱F隊開發(fā)了一種網絡推理技術，以促進癲癇發(fā)作的檢測，并以更高的準確性找到癲癇發(fā)作的位置。
在腦電圖會議期間，一個人的電極附著在他/她的頭部的不同部位，每個電極記錄該部位周圍的電活動。
“我們將腦電圖電極視為網絡的節(jié)點。使用每個節(jié)點的記錄(時間序列數據)，我們開發(fā)了一種數據驅動的方法來推斷網絡中節(jié)點之間的時變連接或關系，”Bomela說。技術不僅考慮腦電圖數據(單個信號的峰值和強度)，還考慮關系。他說：“我們想推斷大腦區(qū)域是如何與他人互動的?！?
這些關系的總和構成了網絡。
網絡建立后，可以整體測量其參數。例如，可以評估整個網絡的強度，而不是測量單個信號的強度。有個參數叫Fiedler特征值，特別有用?！爱敯d癇發(fā)作時，你會看到這個參數開始增加，”博梅拉說。
在網絡理論中，Fiedler特征值也與網絡同步有關——值越大，網絡越同步。博梅拉說：“這與癲癇發(fā)作期間大腦活動同步的理論是一致的?！?
偏置同步還有助于消除偽像和背景噪聲。例如，如果一個人抓傷了他的手臂，相關的大腦活動會被一些腦電圖電極或通道捕捉到。但是，它不會與癲癇發(fā)作活動同步。這樣，這種網絡結構將固有地降低無關信號的重要性。只有同步的大腦活動才能引起費德勒特征值的顯著增加。
目前，這項技術適用于單個患者。下一步是整合機器學習，普及識別不同類型癲癇患者的技術。
標簽：
免責聲明：本文由用戶上傳，如有侵權請聯系刪除！