通过非对称随机共振增强基于卷积神经网络的性脑电图诊断的性能

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
• 信号处理 信号处理

背景情况:

• 的诊断依赖于脑电图 (EEG),但原始的EEG信号含有噪音和人工物.
• 深度卷积神经网络 (CNN) 显示了自动抓获检测的希望,但预处理限制阻碍了他们的全部潜力.
• 传统的EEG降噪过方法会导致大量的信息丢失,影响分类器的准确性.

研究的目的:

• 开发一个先进的EEG预处理模块,尽量减少信息丢失,同时提高信号质量,以改善发作检测.
• 将这种新型预处理模块与残余神经网络集成为智能发作发作预测系统.

主要方法:

• 提出了一个并行处理模块,利用三个不对称的过度缩的可比系统来利用随机共振效应.
• 实现了不对称的随机共振,将固有的噪声传递给EEG的不同光谱组件,从而保留了重要的诊断信息.
• 将开发的预处理模块与残余神经网络 (ResNet) 结合起来,创建了一个预测系统.

主要成果:

• 综合系统在CHB-MIT数据集上实现了98.96%的高灵敏率,在锡耶纳数据集上达到95.45%.
• 在各自的数据集上显示了0.048/h和0.033/h的低错误预测率.
• 对比分析证实了新型预处理模块的拟议系统在现有方法上的优势.

结论:

• 基于随机共振的EEG预处理模块有效地提高了EEG信号质量,没有信息丢失.
• 开发的智能诊断系统在预测发作发作时表现出卓越的性能.
• 这种方法为自动诊断和管理提供了有希望的进步.