機器學習模型k近鄰算法分析腦電圖對主觀性耳鳴的診斷價值

王榮國, 高潔, 宋曉飛, 屈永濤

河北省人民醫(yī)院耳鼻喉科,河北石家莊 050000

主觀性耳鳴是一種發(fā)病率高、治愈率低的疾病,其治療是一個世界性難題[1],現(xiàn)階段還沒有針對主觀性耳鳴客觀、快速的診斷方法。腦電圖是一種非侵入性的成像方式,其使用電生理指標沿頭皮記錄由大腦神經(jīng)元離子電流產(chǎn)生的大腦活動[2],靜息狀態(tài)腦電圖的頻譜功率和連接性分析是分析耳鳴的有利工具[3]。有研究發(fā)現(xiàn),提取的腦電圖樣本熵在主觀性耳鳴患者與健康人群中差異有顯著性[4]。機器學習模型k近鄰算法具有精度高、對異常值不敏感、無數(shù)據(jù)輸入假定的優(yōu)勢[5]。基于此,本研究探討機器學習模型k近鄰算法分析腦電圖對主觀性耳鳴的診斷價值,為臨床提供參考。

1 資料和方法

1.1 一般資料

納入2021年7月—2022年6月本院收治的主觀性耳鳴患者87例(耳鳴組),無耳鳴和聽力損失的健康體檢者91例(對照組)。納入標準:①聽力正常[6];②18～65歲;③智力正常,并與年齡匹配;④耳鳴組耳鳴時間≥3個月,符合耳鳴[7]診斷標準,雙耳純音測聽閾值<25 dB;⑤沒有藥物和酒精濫用史、中樞神經(jīng)系統(tǒng)疾病、精神疾病,沒有焦慮和抑郁狀態(tài)(焦慮自評量表和抑郁自評量表得分<50分)。耳鳴組排除標準:①進行性神經(jīng)系統(tǒng)疾病;②接受過耳鳴治療;③耳鳴持續(xù)時間<3個月;④有吸毒和酗酒史。本研究獲得本院倫理委員會批準,所有參與者均簽署知情同意書。

1.2 腦電圖記錄和耳鳴腦電圖特征提取

使用具有64個通道的密集陣列腦電圖系統(tǒng)進行腦電圖記錄,采樣率1 000 Hz,阻抗<50 kΩ,靜態(tài)腦電圖記錄5 min。使用MATLAB for R2019a和EEGLAB工具箱,將原始數(shù)據(jù)載入EEGLAB預處理后,輸出雙耳周圍32個通道的電極數(shù)據(jù)(FT7、FC5、FC3、FC1、FC2、FC4、FC6、FC8、T7、C5、C3、C1、C2、C4、C6、T8、TP7、CP5、CP3、CP1、CP2、CP4、CP6、TP8、P7、P5、P3、P1、P2、P4、P6、P8)。采用小波包變換[8]和樣本熵[9]相結合的方法進行耳鳴信號特征提取,并對提取的頻段計算出樣本熵。

1.3 k近鄰算法

通過小波包變換和樣本熵計算,每個受試者含有8個節(jié)律頻段(δ、θ、α1、α2、β1、β2、β3、γ)、7個區(qū)域(右聽覺、左聽覺、右額葉、左額葉、中央、右頂葉和左頂葉),共56個數(shù)據(jù),將受試者耳鳴腦電圖特征數(shù)據(jù)使用Python的scikit-learn包進行10倍交叉驗證的k近鄰算法分析[10],并使用準確率、召回率、精確度和F1得分評估k近鄰算法對主觀性耳鳴的診斷價值。

1.4 統(tǒng)計學分析

采用SPSS軟件進行統(tǒng)計學分析。熵值不符合正態(tài)分布,采用Mann-WhitneyU檢驗。P<0.05為差異有統(tǒng)計學意義。

2 結 果

2.1 兩組樣本熵的比較

兩組樣本熵在左聽覺、左額葉、中央、右頂葉和左頂葉等區(qū)域差異有顯著性(P<0.05;表1)。耳鳴組δ、α2和β1節(jié)律平均熵大于對照組,θ、α1、β2、β3和γ節(jié)律平均熵小于對照組(P<0.05;表1)。耳鳴組和對照組樣本熵在FC5、C1、CP1和P4單通道中差異有顯著性(P<0.05;表2)。

表1 兩組樣本熵的比較 ×10-3

表2 兩組單通道樣本熵的比較 ×10-3

2.2 k近鄰算法對主觀性耳鳴的診斷價值

k近鄰算法對主觀性耳鳴診斷的準確率為91.98%,召回率為90.24%,準確率為96.28%,F1得分為93.12%。

3 討 論

目前可提取腦電圖信號主要特征的方法有時域分析法、頻域分析法、時間-頻率分析法和非線性動力學分析法,這些分析方法在腦電信號的自動分類研究中得到了充分應用,但僅在單一變換域下對腦電信號進行特征提取,不能充分挖掘其他變換域的隱含信息,容易造成信息丟失,分類算法的分類性能也不理想[11]。本研究采用小波包變換和樣本熵相結合的方法進行耳鳴信號特征提取,發(fā)現(xiàn)在左聽覺、左額葉、中央、右頂葉和左頂葉等區(qū)域樣本熵差異有顯著性;在δ、α2和β1節(jié)律中,耳鳴組平均熵大于對照組;在θ、α1、β2、β3和γ節(jié)律中,耳鳴組平均熵小于對照組。以上表明,耳鳴患者耳鳴信號特征與健康受試者相比存在特定的差異。

本研究發(fā)現(xiàn),耳鳴組和對照組樣本熵在FC5、C1、CP1和P4單通道中差異有顯著性。FC5通道反映左額葉,負責思考、計劃和中央執(zhí)行以及運動執(zhí)行功能[12]。這表明耳鳴患者可能由于耳鳴的影響,在思考等功能上受到特別的干擾。P4通道反映頂葉,負責體感感知,C1和CP1通道反映中樞后回,主要接收體感信息[13]。大腦可以被認為是一個混亂的系統(tǒng),大腦皮層的神經(jīng)元活動通過自發(fā)的腦電圖活動產(chǎn)生異步和同步發(fā)射,熵衡量隨機序列所攜帶的統(tǒng)計信息量,熵的增加可被視為大腦內(nèi)混沌行為的增加。

基于樣本熵的k近鄰算法對主觀性耳鳴的診斷準確率為91.98%,召回率為90.24%,準確率為96.28%,F1得分為93.12%。張楠楠[14]提取C3和C4通道μ節(jié)律的樣本熵來構建特征向量,并選擇支持向量機對左右手運動圖像腦電信號進行分類,準確率高達90.27%。黃海云等[15]對耳鳴患者注意力全頻段進行識別,其預測準確率為80.21%?；跇颖眷氐膋近鄰算法的預測準確率均高于上述研究的準確率,說明小波變換與樣本熵的結合可以有效提高耳鳴識別。

綜上所述,機器學習模型k近鄰算法分析腦電圖結果,可有效提高耳鳴識別,有助于輔助臨床醫(yī)生對耳鳴進行診斷。