来源：期刊VIP网 时间：
作者：梁思超;许嘉;叶佐昌;刘海旭;梁仁和;郭振平;卢曼林;高娟娟;伊海金;
单位：北京清华长庚医院耳鼻咽喉头颈外科;清华大学集成电路学院;北京精仪天和智能装备有限公司;
摘要：目的 训练多种机器学习模型用于听性脑干反应(auditory brainstem response,ABR)波形的自动识别，并确定准确率最高的模型，使ABR自动识别技术更好地应用于临床实践。方法 选取2021年6月至2022年6月北京清华长庚医院收治的100例听力正常和伴有听力损伤人群的受试者(200耳)为研究对象，根据年龄和听力水平将受试者分为组1(年龄18～59岁，500、1000、2000、4000 Hz频率平均听阈≤25 dB HL)、组2(年龄≥60岁，500、1000、2000、4000 Hz频率平均听阈≤25 dB HL)、组3(年龄18～59岁，500、1000、2000、4000 Hz频率平均听阈>25 dB HL)、组4(年龄≥60岁，500、1000、2000、4000 Hz频率平均听阈>25 dB HL)，每组25例。收集受试者纯音测听和ABR数据，提取ABR信号时域和频域特征，与受试者年龄、性别、纯音听阈，刺激声强度以及原始信号序列拼接得到特征向量。分别使用逻辑回归、支持向量机分类、伯努利朴素贝叶斯分类、高斯朴素贝叶斯分类、高斯过程分类、决策树、随机森林、表格网络、轻量化梯度提升框架、极致梯度提升框架和局部级联集成。等机器学习模型对ABR波形进行识别训练，并对整体数据和分组数据分别计算不同模型下波形识别的准确率。结果 高斯过程分类模型的整体准确率达到了94.89%，超过了其他机器学习模型。其中95.62%为<60岁听力正常受试者、92.19%为≥60岁听力正常受试者、92.92%为<60岁伴有听力损失受试者、92.50%为≥60岁且伴有听力损失受试者。结论机器学习技术在ABR波形的自动识别方面具有良好的应用前景，高斯过程分类模型优于其他机器学习模型。
关键词：听觉脑干反应;;波形识别;;机器学习;;高斯过程分类模型
