基于大脑连接特征和CNNs Meet Transformers分类器的自动发作检测和预测

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 是一种神经系统疾病,其特点是经常性发作.
• 电脑电图 (EEG) 的图案因发作状态而异 (间脉冲,前脉冲,脉冲).
• 大脑连接网络,一个二维特征,在发作检测和预测方面未得到充分利用.

研究的目的:

• 调查大脑连接特征对于发作发作检测和预测的有效性.
• 开发特定于学科 (SSM),独立于学科 (SIM) 和跨学科 (CSM) 的扣押分析模型.
• 评估不同连接措施和频段的性能和效率.

主要方法:

• 使用各种时间窗口长度,频段 (例如,β,γ) 和连接度 (例如,皮尔森相关系数,相锁值) 来提取类似图像的大脑连接特征.
• 采用SSM的支持矢量机 (SVM) 和SIM和CSM的卷积神经网络满足变压器 (CMT) 分类器.
• 在CHB-MIT数据集上进行特征选择和效率分析.

主要成果:

• 较长的时间窗口通常会提高性能.
• 实现了很高的检测准确率: 100.00% (SSM),99.98% (SIM) 和99.27% (CSM).
• 实现了高预测准确率: 99.72% (SSM),99.38% (SIM) 和86.17% (CSM). 这是一个非常好的结果.
• 在β和γ频段的皮尔森相关系数和相锁值表现出强大的性能和效率.

结论:

• 建议的大脑连接功能可靠且有价值,用于自动发作检测和预测.
• 这些发现支持开发便携式实时监测设备.
• 脑连接分析为推进管理提供了一个有希望的途径.