21、基于脑电信号与患者满意度的医疗技术研究

基于脑电信号与患者满意度的医疗技术研究

1. 基于脑电图的机器学习框架

在人类焦虑和压力分类的研究中，脑电图（EEG）信号的应用十分关键。研究人员利用机器学习框架，通过商业可用的EEG头戴设备来对人类焦虑水平进行分类。
- 特征提取 ：从记录的EEG数据中提取了五组时域特征，分别是最大值、最大绝对值、信号峰峰值、信号总和以及信号能量。
- 特征选择 ：采用包装法对提取的特征进行选择，最终确定了仅包含三个通道（TP9、AF7和AF8）特征的特征子集。使用这个子集进行分类时，不仅实现了特征向量长度从20减少到6，还得到了维度为28×6的简化数据矩阵。
- 分类算法 ：使用了三种不同的分类算法（RF、MLP和LR）对焦虑进行两级分类。
|方法及年份|参与者数量|使用模态|准确率（类别）|特征向量长度|分类算法|
| ---- | ---- | ---- | ---- | ---- | ---- |
|[18], 2017|28|EEG|71.40% (2)|180|Naive Bayes|
|[21], 2016|20|EEG, PPG|62.5 % (3)|09|PCA - kNN|
|[19], 2015|28|EEG|71.42% (2)|1440|SVM|
|Proposed, 2019|28|EEG|78.5% (2)|06|RF|

从表格数据可以看出，与其他方法相比，所提出的方案在提高分类准确率的同时，显著减少了特征向量的长度。其中，RF分类器表现最佳，达到了78.5%的分类准确率，并且在F