应用机器学习实现听性脑干反应波形自动识别.pdfVIP

202523159

中华耳科学杂志年第卷第期··

·临床研究·

应用机器学习实现听性脑干反应波形自动识别

梁思超1许嘉1叶佐昌2刘海旭2梁仁和3郭振平1卢曼林1高娟娟1伊海金1*

(auditorybrainstemresponseABR)

【摘要】目的训练多种机器学习模型用于听性脑干反应，波形的自动识别，

并确定准确率最高的模型，使ABR自动识别技术更好地应用于临床实践。方法选取2021年6月至2022年6月

北京清华长庚医院收治的100例听力正常和伴有听力损伤人群的受试者(200耳)为研究对象，根据年龄和听力水

1(18~59500100020004000Hz25dBHL)2(60500

平将受试者分为组年龄岁，、、、频率平均听阈≤、组年龄≥岁，、

100020004000Hz25dBHL)3(18~59500100020004000Hz25dB

、、频率平均听阈≤、组年龄岁，、、、频率平均听阈

HL)4(60500100020004000Hz25dBHL)25

、组年龄≥岁，、、、频率平均听阈，每组例。收集受试者纯音测听和

ABR数据，提取ABR信号时域和频域特征，与受试者年龄、性别、纯音听阈，刺激声强度以及原始信号序列拼接

得到特征向量。分别使用逻辑回归、支持向量机分类、伯努利朴素贝叶斯分类、高斯朴素贝叶斯分类、高斯过程分

类、决策树、随机森林、表格网络、轻量化梯度提升框架、极致梯度提升框架和局部级联集成。等机器学习模型对

ABR波形进行识别训练，并对整体数据和分组数据分别计算不同模型下波形识别的准确率。结果高斯过程分

94�89%95�62%6092�19%

类模型的整体准确率达到了，超过了其他机器学习模型。其中为岁听力正常受试者、

6092�92%6092�50%60

为≥岁听力正常受试者、为岁伴有听力损失受试者、为≥岁且伴有