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.pdf

王荣国,高洁,宋晓飞,等.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J.中南医学科学杂志,2023,51(5):696-698.收稿日期 2022-09-23修回日期 2023-08-20基金项目 河北省卫生健康委员会项目(20210800)作者简介 王荣国,硕士,副主任医师,研究方向为耳鼻喉疾病的诊治,E-mail 为 。临床医学DOI:10.15972/ki.43-1509/r.2023.05.017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摘 要 目的 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。方法纳入主观性耳鸣患者 87 例(耳鸣组),健康受试者 91 例(对照组)。使用 MATLAB 和 EEGLAB 工具箱、小波包变换和样本熵相结合的方法分析两组、1、2、1、2、3、频段在耳鸣发生网络相关 7 个区域的样本熵差异。对耳鸣脑电图特征数据使用 Python 的 scikit-learn 包进行 k 近邻算法分析,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。结果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(P0.05)。耳鸣组、2 和 1 节律平均熵大于对照组,、1、2、3 和 节律平均熵小于对照组(P0.05)。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(P0.05)。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%。结论 机器学习模型 k 近邻算法分析脑电图结果可以辅助临床医生对耳鸣进行诊断。关键词 k 近邻算法;脑电图;主观性耳鸣;样本熵;小波包变换中图分类号 R764.45文献标识码 AThe diagnostic value of machine learning model k-nearest neighbor algorithm to ana-lyze EEG for subjective tinnitusWANG Rongguo,GAO Jie,SONG Xiaofei,QU YongtaoDepartment of Otolaryngology,Hebei General Hospital,Shijiazhuang 050000,Hebei,ChinaABSTRACT Aim To evaluate the diagnostic value of machine learning model k-nearest neighbor algorithm in an-alyzing EEG for subjective tinnitus.Methods 87 subjective tinnitus patients(tinnitus group)and 91 healthy subjects(control group)were included.A combination of MATLAB and EEGLAB toolboxes,wavelet packet transform,and sam-ple entropy were used to analyze sample entropy differences of,1,2,1,2,3,frequency band in 7 regionsrelated to tinnitus occurrence network.The characteristic data of tinnitus electroencephalogram were analyzed by usingPythons scikit-learn package for k-neighbor algorithm analysis,and analyzing accuracy,recall,accuracy,and F1 score forsubjective tinnitus by using k-neighbor algorithm to evaluate the diagnostic value.ResultsThere was a significantdifference in entropy between the two groups of samples in left auditory,left frontal,central,right parietal,and left parietallobes(P0.05).Tinnitus group,2 and 1 average entropy of rhythm was greater than that of the control group,and,1,2,3 and average entropy of the rhythm was lower than that of the control group(P0.05).There was a sig-nificant difference in sample entropy between the tinnitus group and the control group in FC5,C1,CP1,and P4 singlechannels(P0.05).The k-nearest neighbor algorithm has a diagnostic accuracy of 91.98%,a recall rate of 90.24%,an accuracy rate of 96.28%,and an F1 score of 93.12%for subjective tinnitus.Conclusion Machine learning mod-el k-nearest neighbor algorithm analysis of EEG can assist clinical doctors in diagnosing tinnitus.KEY WORDS k nearest neighbor algorithm;EEG;subjective tinnitus;sample entropy;wavelet packet transform 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696ISSN 2095-1116 Medical Science Journal of Central South China,Vol 51,No 5,2023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:听力正常6;18 65 岁;智力正常,并与年龄匹配;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;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:进行性神经系统疾病;接受过耳鸣治疗;耳鸣持续时间3 个月;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 k,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(、1、2、1、2、3、)、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-Whitney U 检验。P0.05 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(P0.05;表 1)。耳鸣组、2 和 1 节律平均熵大于对照组,、1、2、3 和 节律平均熵小于对照组(P0.05;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(P0.05;表 2)。表 1 两组样本熵的比较10-3节律分组右听觉左听觉右额叶左额叶中央右顶叶左顶叶对照组5.0(4.7 5.5)5.0(4.8 5.1)5.3(5.0 5.4)5.3(5.1 5.5)5.4(5.3 5.8)5.3(5.2 5.6)5.1(4.7 5.2)耳鸣组5.2(4.8 5.5)a5.4(5.1 5.5)a5.6(5.1 5.9)a5.4(4.9 5.8)a5.6(5.5 6.1)a5.4(5.0 5.5)a5.5(5.3 5.9)a对照组 17.4(16.0 18.6)17.4(15.8 17.7)17.9(16.8 18.3)17.4(17.0 18.5)17.5(15.9 18.0)19.2(18.4 20.7)17.2(17.0 17.3)耳鸣组 17.1(15.7 18.1)a17.2(16.6 17.6)a17.7(17.1 19.1)a17.2(16.4 17.2)a17.3(16.4 17.4)a18.1(16.7 19.7)a17.9(16.9 18.1)a1对照组 24.3(22.7 26.7)23.5(21.2 24.4)24.0(22.8 25.9)23.9(21.9 25.9)24.5(23.5 26.9)24.9(23.9 26.1)24.1(22.1 24.9)耳鸣组 23.7(22.3 25.2)a23.4(23.2 24.3)a23.9(23.0 25.6)a23.1(23.0 23.4)a22.9(21.2 23.3)a24.1(22.4 26.2)a24.0(21.8 24.0)a2对照组 30.4(28.0 33.3)29.4(28.2 31.9)29.9(29.4 30.3)30.2(29.6 32.6)29.8(28.2 30.9)30.7(30.0 32.6)29.6(27.6 32.2)耳鸣组 30.7(28.4 33.2)a31.5(28.7 34.2)a31.0(28.1 32.5)a31.3(31.1 33.4)a31.4(28.4 33.1)a31.2(29.3 33.3)a31.9(29.5 34.2)a1对照组 48.9(47.8 52.6)48.1(44.8 48.9)48.8(45.0 50.4)48.1(45.2 49.8)47.5(47.4 50.5)48.5(46.1 48.9)47.6(43.2 50.7)耳鸣组 49.1(49.0 52.8)a48.2(47.8 49.8)a49.2(48.0 53.9)a49.3(45.0 50.5)a49.1(47.1 51.2)a48.7(45.0 50.8)a48.1(44.2 50.0)a2对照组 59.0(55.4 60.8)58.2(55.7 59.1)59.9(56.1 62.0)58.3(55.7 63.7)58.2(57.3 60.6)59.2(53.9 60.8)58.4(53.8 61.4)耳鸣组 58.6(53.1 63.4)a58.1(53.0 63.0)a59.0(58.3 63.8)a58.2(55.5 61.9)a58.1(57.6 63.2)a58.3(53.9 60.3)a58.0(53.9 58.5)a3对照组 82.6(82.0 85.4)83.5(79.9 88.0)82.5(76.9 84.9)82.5(81.1 84.9)81.4(77.9 88.4)81.6(73.6 86.2)82.4(76.9 85.3)耳鸣组 82.2(81.8 85.9)a82.8(78.3 89.3)a82.0(78.8 90.2)a82.4(76.7 89.8)a81.0(76.0 87.5)a81.3(74.0 86.6)a81.9(77.1 89.4)a对照组122.5(114.2 133.9)123.9(114.8 125.0)122.4(111.4 134.5)123.5(123.2 126.3)122.5(116.5 129.1)122.5(121.0 124.4)122.8(110.6 123.6)耳鸣组122.0(112.2 127.1)a122.1(110.0 124.2)a122.1(114.6 127.4)a121.2(117.7 130.5)a120.9(114.6 131.2)a122.4(116.5 128.3)a122.3(111.0 128.3)a 注:a 为 P0.05,与对照组比较。796CN 43-1509/R 中南医学科学杂志 2023 年第 51 卷第 5 期表 2 两组单通道样本熵的比较10-3分组FC5C1CP1P4对照组47.5(46.1 50.9)18.5(17.9 19.4)72.7(70.5 79.8)33.2(31.9 35.7)耳鸣组48.2(47.4 48.2)a16.4(15.5 17)a74.0(73.5 75.5)a31.9(31.5 34.6)a 注:a 为 P0.05,与对照组比较。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、2 和 1 节律中,耳鸣组平均熵大于对照组;在、1、2、3 和 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 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。参考文献1 KANG D W,KIM S S,PARK D C,et al.Objective and measurablebiomarkers in chronic subjective tinnitusJ.Int J Mol Sci,2021,22(12):6619.2 PATEL N,MALICKA A N,MCGINNITY S,et al.Cost effective-ness of cognitive behavioral therapy for the treatment of subjectivetinnitus in AustraliaJ.Ear Hear,2022,43(2):507-518.3 AYDOGAN Z,INAR SATEKIN M,OCAK E,et al.Effects of thecoronavirus disease 2019 pandemic on subjective tinnitus perceptionJ.J Laryngol Otol,2022,136(5):410-413.4 冯天赐,杨海弟,高敏倩,等.音乐联合认知行为疗法治疗主观性耳鸣及脑电图变化J.中国耳鼻咽喉头颈外科,2019,26(1):25-305 PAHUJA S K,VEER K.Recent approaches on classification andfeature extraction of eeg signal:a reviewJ.Robotica,2022,40(1):1-25.6 FAVIER V,VINCENT C,BIZAGUET,et al.French society of ent(sforl)guidelines(short version):audiometry in adults and childrenJ.Eur Ann Otorhinolaryngol Head Neck Dis,2018,135(5):341-347.7 OGAWA K,SATO H,TAKAHASHI M,et al.Clinical practiceguidelines for diagnosis and treatment of chronic tinnitus in JapanJ.Auris Nasus Larynx,2020,47(1):1-6.8 程英蕾,赵荣椿.一种基于小波包变换的 SAR 图像与 TM 图像融合方法J.西北工业大学学报,2005,23(4):529-533.9 JIANBIAO M,XINZUI W,ZHAOBO L,et al.EEG signal classifi-cation of tinnitus based on SVM and sample entropyJ.ComputMeth Biomechan Biomed Engineer,2023,26(5):580-594.10 BAYGIN M,DOGAN S,TUNCER T,et al.Automated ASD de-tection using hybrid deep lightweight features extracted from EEGsignalsJ.Comput Biol Med,2021,134(1):104548.11 KALIRAMAN B,DUHAN M.A new hybrid approach for featureextraction and selection of electroencephalogram signals in case ofperson recognition J.J Reliab Int Environm,2021,7(3):241-251.12 SEGNING C M,HARVEY J,EZZAIDI H,et al.Towards the ob-jective identification of the presence of pain based on electroen-cephalography signals analysis:a proof-of-conceptJ.Sensors,2022,22(16):6272-6279.13 NIE P,CHEN Z,XIA N,et al.Trajectory similarity analysis with theweight of direction and k-neighborhood for AIS data J.ISPRSInternat J Geo-Informat,2021,10(11):757-765.14 张楠楠.脑机接口中的视觉刺激设计与优化方法研究D.长沙:国防科技大学,2019:20-50.15 黄海云,蔡跃新,冯学技,等.基于脑电信号的耳鸣患者静息态频谱图及注意力研究J.生物医学工程学杂志,2021,38(3):492-497.(此文编辑 朱雯霞)896ISSN 2095-1116 Medical Science Journal of Central South China,Vol 51,No 5,2023