机器学习模型k近邻算法分析脑电图对主观性耳鸣的诊断价值

王荣国, 高洁, 宋晓飞, 屈永涛

河北省人民医院耳鼻喉科,河北石家庄 050000

主观性耳鸣是一种发病率高、治愈率低的疾病,其治疗是一个世界性难题[1],现阶段还没有针对主观性耳鸣客观、快速的诊断方法。脑电图是一种非侵入性的成像方式,其使用电生理指标沿头皮记录由大脑神经元离子电流产生的大脑活动[2],静息状态脑电图的频谱功率和连接性分析是分析耳鸣的有利工具[3]。有研究发现,提取的脑电图样本熵在主观性耳鸣患者与健康人群中差异有显著性[4]。机器学习模型k近邻算法具有精度高、对异常值不敏感、无数据输入假定的优势[5]。基于此,本研究探讨机器学习模型k近邻算法分析脑电图对主观性耳鸣的诊断价值,为临床提供参考。

1 资料和方法

1.1 一般资料

纳入2021年7月—2022年6月本院收治的主观性耳鸣患者87例(耳鸣组),无耳鸣和听力损失的健康体检者91例(对照组)。纳入标准:①听力正常[6];②18～65岁;③智力正常,并与年龄匹配;④耳鸣组耳鸣时间≥3个月,符合耳鸣[7]诊断标准,双耳纯音测听阈值<25 dB;⑤没有药物和酒精滥用史、中枢神经系统疾病、精神疾病,没有焦虑和抑郁状态(焦虑自评量表和抑郁自评量表得分<50分)。耳鸣组排除标准:①进行性神经系统疾病;②接受过耳鸣治疗;③耳鸣持续时间<3个月;④有吸毒和酗酒史。本研究获得本院伦理委员会批准,所有参与者均签署知情同意书。

1.2 脑电图记录和耳鸣脑电图特征提取

使用具有64个通道的密集阵列脑电图系统进行脑电图记录,采样率1 000 Hz,阻抗<50 kΩ,静态脑电图记录5 min。使用MATLAB for R2019a和EEGLAB工具箱,将原始数据载入EEGLAB预处理后,输出双耳周围32个通道的电极数据(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)。采用小波包变换[8]和样本熵[9]相结合的方法进行耳鸣信号特征提取,并对提取的频段计算出样本熵。

1.3 k近邻算法

通过小波包变换和样本熵计算,每个受试者含有8个节律频段(δ、θ、α1、α2、β1、β2、β3、γ)、7个区域(右听觉、左听觉、右额叶、左额叶、中央、右顶叶和左顶叶),共56个数据,将受试者耳鸣脑电图特征数据使用Python的scikit-learn包进行10倍交叉验证的k近邻算法分析[10],并使用准确率、召回率、精确度和F1得分评估k近邻算法对主观性耳鸣的诊断价值。

1.4 统计学分析

采用SPSS软件进行统计学分析。熵值不符合正态分布,采用Mann-WhitneyU检验。P<0.05为差异有统计学意义。

2 结 果

2.1 两组样本熵的比较

两组样本熵在左听觉、左额叶、中央、右顶叶和左顶叶等区域差异有显著性(P<0.05;表1)。耳鸣组δ、α2和β1节律平均熵大于对照组,θ、α1、β2、β3和γ节律平均熵小于对照组(P<0.05;表1)。耳鸣组和对照组样本熵在FC5、C1、CP1和P4单通道中差异有显著性(P<0.05;表2)。

表1 两组样本熵的比较 ×10-3

表2 两组单通道样本熵的比较 ×10-3

2.2 k近邻算法对主观性耳鸣的诊断价值

k近邻算法对主观性耳鸣诊断的准确率为91.98%,召回率为90.24%,准确率为96.28%,F1得分为93.12%。

3 讨 论

目前可提取脑电图信号主要特征的方法有时域分析法、频域分析法、时间-频率分析法和非线性动力学分析法,这些分析方法在脑电信号的自动分类研究中得到了充分应用,但仅在单一变换域下对脑电信号进行特征提取,不能充分挖掘其他变换域的隐含信息,容易造成信息丢失,分类算法的分类性能也不理想[11]。本研究采用小波包变换和样本熵相结合的方法进行耳鸣信号特征提取,发现在左听觉、左额叶、中央、右顶叶和左顶叶等区域样本熵差异有显著性;在δ、α2和β1节律中,耳鸣组平均熵大于对照组;在θ、α1、β2、β3和γ节律中,耳鸣组平均熵小于对照组。以上表明,耳鸣患者耳鸣信号特征与健康受试者相比存在特定的差异。

本研究发现,耳鸣组和对照组样本熵在FC5、C1、CP1和P4单通道中差异有显著性。FC5通道反映左额叶,负责思考、计划和中央执行以及运动执行功能[12]。这表明耳鸣患者可能由于耳鸣的影响,在思考等功能上受到特别的干扰。P4通道反映顶叶,负责体感感知,C1和CP1通道反映中枢后回,主要接收体感信息[13]。大脑可以被认为是一个混乱的系统,大脑皮层的神经元活动通过自发的脑电图活动产生异步和同步发射,熵衡量随机序列所携带的统计信息量,熵的增加可被视为大脑内混沌行为的增加。

基于样本熵的k近邻算法对主观性耳鸣的诊断准确率为91.98%,召回率为90.24%,准确率为96.28%,F1得分为93.12%。张楠楠[14]提取C3和C4通道μ节律的样本熵来构建特征向量,并选择支持向量机对左右手运动图像脑电信号进行分类,准确率高达90.27%。黄海云等[15]对耳鸣患者注意力全频段进行识别,其预测准确率为80.21%。基于样本熵的k近邻算法的预测准确率均高于上述研究的准确率,说明小波变换与样本熵的结合可以有效提高耳鸣识别。

综上所述,机器学习模型k近邻算法分析脑电图结果,可有效提高耳鸣识别,有助于辅助临床医生对耳鸣进行诊断。