机器学习在癫痫方面的应用进展 .pdf

机器学习在癫痫方面的应用进展

【捕爆】滴布1是由独部神经兀高也诃步化异常放电引起的发。性、短哲性.刻

故性的脑切诡失调.发作时机难以反泗.目惘主要治疗方式为抗Mi粉约物与手术

治邛.其诊断和治疗需要大R的轴助手段勺临冰经.在岫的发作伊测.约物

治疗血后、尹术治弁评估等名个临床方血,机番学习可以逋过时数据的深层次投

掘、纳入乡个临床和影像因入、建立对应的学习模型，提高H痛的怜断效率与HF

m.实现抗痢I辎药物的个体化应用，改善癖佃思若的术前评伯马我后情况.

【关饿词】短痫；脑电图描记术；机器学习：抗发作药物

目前在诊治I®彻过.程中，对于评帖邮发作区定位、症状诊断、药物应用等

方曲，神经影像学以及脑电图是重要的靖助T•段，但分析仍盅要付出极名的时间

与努力.n由于脑电图和神捋影像学的分析多依顿于田师本身的视觉和主观判断,

存在较多的人为误差.

机器孕习的机制［1］是通过学习大量敬抠发现规怀并建立相应模型.耕模

型进山』、断的证和改进，根据概率的分布确定最支持的陪朱，从而完成对新的

敌据的识别与预测，机器学习［21诃分为监皆学习，无监督学习，强化学习，

包括多元Lugisiic回归、支待向量机、随机森体、人1：神网络等几十种算法，

吸收了传统统计学中的律法作为临床尊法，但具有传统统计学不能达到的提取和

分析大量数据集的能力・日前机器学习的股过程包括：收集故据＜收集模型相

关的数据井避行标准化、去重红、培误修正〉,数据处理《对数据的统计学等特

征避行分析确定白变压与肉变量.并将数据分为训练集和股证堡＞.特征处理

（将收集的数据转换为机器学习用的数字特征.通过一些函数将数字特征转换

为史加话合机器学习模型的特征数孤）、4£立模型（选非合道的机器学习鼻法址

立模型，并应用训练集数据避行训稣和调优）及快型证（将i止集数据糊入校

型中进行证）・

深度学习姑机器学习的必威体育精装版分支，主.要通过建立•人I:神纾网洛迎行学习，分

为愉入弘隐藏层和输出层，W以将患舌故据作为原始故招进行处理,并自仃识

别数掘特征进行分类，节省r传统的机器学习方法中人I：提取特征的过程.避免

了肄选特征过程中敢招的丢失。近年来提出了10余种混度学习模型，包括循环

神经网格、自编码网格、深度残差网格循环神经网格、卷积神经网培，递队神

徊网络等,目前常用的是卷枳神经网格［34］、递队神经网络［5］等.目前

机器学习在血海方俪己应用J•辅助诊断［6］.发作预测［7］、治疗方案的决定

与疗效预测［8］、辅助手术泊疗［9］等多个方|8|«

本文作右以**pilepsylectroencephalographyMachinelemni

ng““SurgeryAnti-seizureDedication为检索词，在PubMed-.Web

ofScience数始峰检索f2010年至2023年的相关文献，总结『近年来机器学

习在痛痫万面的应用进展，旨在为临床诊治提供ffi助。

一、机器学习在脑电图方面的陶用

根据瘴痫发作活动的发生.痛粕可分为4个部分：何敬期、发作期、发作

期和发作后期「10］.雌痛患者也发作前或发作时会出现脑细胞的痫样放电，在

脑电图上表现为不同类型的保波、慢波、尖波、抻慢切合波等波形.通过提取脑

电图中的这些特征,叮以达到预糊盛痫发作.也别纭疝灶和预测史者预后的目的.

（-）在粽痫发作预测方mi的应用

研究结果衣明您痛患者从正常状态到发作状态井不姓瞬间转变的.而足经历

（•个过渡时期.即发作丽明.准确和商效地对忠廿的发作前期进^职别将成为

%掬顼测技术的关世点［11］.

预测方法的困雄在卜不同忠占的前屯图及同•忠石脑电图之间的林成性,因

此鬻耍对前电图w.）n行恤处理、待征提出和特征分•类.2017年研究芥捉出r

使用名通址脑电图故据的多类泰持向最机（supportvectormachines,SI叫

模型［12］.结合高斯函数、夏小波变换等暮种数据处理方法对来f!欧洲布痫数

据席的216例患者的脑电图数据.包括185份头皮脑电图记录和31份颅内脑电

图救据避行学习和险证.总体灵敝度为0.384.包小时候R1性率为0.200“该模

型较2011年提出的通过高斯函数对曲痴患者发作前期脑电图数据进行处理的人

工预测模型［13］灵敝度提高，且避免」人JL判读脑电图数据