机器学习在听性脑干诱发电位数据分析中的应用研究

近年来,许多学者将机器学习算法应用到肌电信号(EMG)数据分析中,取得了良好的效果,但是主要针对手势识别等应用研究,较少有学者对辅助临床诊断进行研究。针对模型训练所需数据较大和机器学习在听性脑干诱发电位(ABR)数据分析中的应用较少两种问题。研究了机器学习方法在基于小型ABR数据集数据的计算机辅助诊断中的应用。收集了四川省中医医院的2 352份肌电图检查报告,通过设计纳入标准并进行数据清洗,构建了包含233份ABR报告的数据集。之后,使用数据标准化方法对数据进行数据预处理,再使用随机森林、线性回归、Logistic回归和人工神经网络4种机器学习算法对数据集进行分析处理。4种算法的性能对比表明随机森林算法性能最优,其准确率、召回率、精确率分别达到了0.995 7、0.989 7、0.950 0。此外还对每种算法在数据标准化前后的性能进行了比较,表明标准化处理对准确率的提高有一定的提升效果。随机森林算法输出的特征重要性表明,ABR检查中最重要的指标是L_latency_5、L_latency_A和L_Interval_35,其次是L_latency_b和L_latency_4。这些指标重要性融入上位机软件有助于提高临床诊断效率,在临床应用中具有较高的临床判读潜力。