TY - JOUR A2 - Azami, Hamed AU - Wu, Ting AU - Chen, Duo AU - Chen, Qiqi AU - Zhang, Rui AU - Zhang, Wenyu AU - Li, Yuejun AU - Zhang, Ling AU - Liu, Hongyi AU - Wan, Suiren AU - Jiang, Tianzi AU - Zhang，基于支持向量机(Support Vector Machines)的脑磁图(MEG Network feature)自动侧化颞叶癫痫(TLE)是提高手术效果的关键。脑磁图(MEG)作为一种较新的无创临床记录系统，很少应用于判断单侧TLE的偏侧性。在此，我们提出了一个框架，利用静息状态脑网络特征和支持向量机(SVM)，以TLE侧化的基础上。我们招募了15名左颞叶TLE患者，15名右颞叶TLE患者，以及15名年龄和性别匹配的健康对照。然后将侧化问题转化为一系列二元分类问题，包括左侧颞叶TLE与健康对照、右侧颞叶TLE与健康对照、左侧颞叶TLE与右侧颞叶TLE。利用三个网络指标(节点度、中间性中心性和节点效率)提取每个参与者的脑网络特征。采用径向基函数核支持向量机(RBF-SVM)作为分类器。留一个被试的交叉验证策略被用来测试这种方法克服个体差异的能力。结果表明:左侧颞叶TLE与健康对照、右侧颞叶TLE与健康对照的结节度最佳，准确率分别为80.76%和75.00%。 Betweenness centrality performed best for left TLE versus right TLE with an accuracy of 88.10%. The proposed approach demonstrated that MEG is a good candidate for solving the lateralization problem in unilateral TLE using various brain-network features. SN - 1076-2787 UR - https://doi.org/10.1155/2018/4325096 DO - 10.1155/2018/4325096 JF - Complexity PB - Hindawi KW - ER -