Samar Bouazizi1，Hela Ltifi1,2,*
（1. University of Sfax，National Engineering School of Sfax，REGIM-Lab.: Research Groups in Intelligent Machines，LR11ES48，3038 Sfax，Tunisia，
2. Computer Science Department，Faculty of sciences and technologies of Sidi Bouzid，University of Kairouan，Tunisia）
在现代医疗保健领域，通过采用称为医疗决策支持系统（Decision Support Systems，DSS）的宝贵工具，医疗决策已得到显着增强。这些系统使临床医生能够提供精确且消息灵通的患者护理。一些医疗 DSS 已将脑电图 (Electroen-Cephalogram，EEG) 数据视为宝贵的资源。脑电图信号中包含的丰富信息使其成为各种医疗应用引人注目的数据源。从脑机接口到中风预测和认知评估，脑电图数据在提高医疗决策的准确性和效率方面显示出巨大的潜力。这些 DSS利用先进计算技术和机器学习算法，从脑电图记录中提取有意义的见解，帮助医疗保健专业人员做出明智、及时的决策，以改善患者护理和结果。脑电图数据在医疗 DSS 中的集成反映了研究者们对创新且有效的工具的持续追求以支持临床实践和提高医疗保健标准。
脑电图数据分析由于其复杂性和可变性而提出了独特的挑战。脑电图记录容易受到来自不同来源的大量噪声的影响，包括眼球运动、肌肉活动和电干扰。此外，数据表现出连续的波状模式，需要利用复杂的信号处理技术来提取有意义的特征。脑电图预处理的一个重大障碍是将大脑活动信号与噪声和其他伪影分开。另一个复杂性在于捕获脑电图数据中的时间动态，因为信号包含有关大脑随时间变化的节律性电活动的重要信息。能够对顺序依赖性进行建模的时间序列算法在连接不同时间点记录的脑电图信号方面被证明是非常有价值的。长短期记忆网络、回声状态网络（Echo State Networks，ESNs）等方法已经证明了它们在分析短时间间隔内的脑电图连接以理解大脑状态变化方面的功效。
虽然之前的研究工作确实通过机器学习技术的应用推进了脑电图数据分类领域的发展，但在开发可有效支持临床决策的可解释模型方面仍然存在关键差距。在这项研究的背景下，本文着手弥合这一差距，不仅关注准确的分类，而且非常重视模型的可解释性。这项研究工作不仅仅是为了推进脑电图数据分类的最先进水平；它旨在通过提供不仅高度准确而且高度可解释的模型来创造该领域的范式转变，最终使患者和临床医生都受益。
近年来，人们对使用ESN在脑机接口和其他应用中分析脑电图数据越来越感兴趣。这些研究表明，即使存在噪声和其他变异源，ESN 也可以实现脑电图信号分类的高精度。 ESN 的一个潜在优势是它们可以处理具有复杂时间动态的高维数据，这是脑电图信号的特征。然而，还需要更多的研究来充分探索 ESN 在脑电图数据分析方面的潜力，并将其性能与其他机器学习技术进行比较。本文要解决的另一个挑战是需要可解释的模型。事实上，基于脑电图的医疗 DSS 需要能够解释，以确保临床医生能够理解他们的预测。在这种背景下，本文提出了一个基于脑电图的医疗 DSS 的多层次框架，这将是开发新诊断工具的宝贵工具。该框架由四个组件组成：（1）利用基于过滤器的特征重要性算法的数据预处理和优化特征选择模块，（2）通过结合多个 ESN 预测的提议的集成ESN（Ensemble ESN，E-ESN）进行集成学习减少方差并提高准确性；(3) 使用人工智能可解释性技术进行模型解释，使用户能够理解决策过程并识别每个预测最有影响力的特征；(4) 做出决策以提出诊断和建议。
本文将框架应用于基于脑电图的中风预测。事实上，中风预测是一个重要的研究领域，旨在及早识别高危个体，因此及时干预可以减少该事件的破坏性影响。然而，中风的复杂性和多方面性使得准确预测具有挑战性。机器学习和数据分析的最新进展显示出提高中风预测准确性的潜力。在人口老龄化的推动下，人们正在积极开展对中风疾病的广泛研究。中风是一种危及老年人生命的疾病，由于其高复发率和死亡率，需要持续的医学观察和监测。以前的研究主要集中在使用医学图像对中风进行分类。然而，这种依赖成像技术的临床方法存在成本高、耗时和需要笨重设备等缺点。近年来，人们越来越关注利用非侵入性脑电图测量作为克服这些限制的替代方法。脑电图很容易检测到中风引起的大脑节律偏差，使其成为认知评估的有价值的诊断工具。此外，脑电图信号可以作为日常生活中实时生理监测和早期预后的宝贵资源。许多研究已经利用脑电图来预测医疗和保健环境中的中风结果。机器学习算法，例如支持向量机、随机森林和神经网络，已被用于对中风患者的脑电图数据进行分类并预测中风的发生或结果。虽然目前还没有太多关于使用 ESN 进行中风预测的研究，但本文框架可能是分析中风背景下的脑电图数据的一种有前途的方法。
资料来源：
根据Samar Bouazizi等于2024年发表在Decision Support Systems题目为《Enhancing accuracy and interpretability in EEG-based medical decision making using an explainable ensemble learning framework application for stroke prediction》的文章缩写整理而成。
（本文责任编辑：陈劭）
