在单线和多线EEG信号中使用基于双向加权可见度图的持久同质性来检测

科学领域:

• 神经学 神经学
• 数据科学数据科学数据科学
• 图形理论 图形理论

背景情况:

• 是一种常见的神经疾病,需要紧急的自动发作检测.
• 分析电脑电图 (EEG) 信号的现有方法在捕捉复杂的大脑动态方面存在局限性.

研究的目的:

• 开发一种创新的方法,使用对EEG信号的拓数据分析 (TDA) 来自动检测.
• 探索双向加权可见度图 (BWVGs) 和持久同质 (PH) 分析大脑活动的潜力.

主要方法:

• 将性EEG信号的时间序列映射到BWVGs.
• 应用持久同质 (PH) 来分析BWVGs的拓结构.
• 使用神经网络 (NN) 来对EEG信号进行分类.

主要成果:

• 在区分发作,无发作和健康的脑电图信号方面实现了99.67%的分类准确度.
• 开发了一种包含图形结构的分类器,用于多EEG分析,对两个受试者达到99.23%和94.76%的准确性.

结论:

• 提出的基于TDA的方法有效地揭示了用于发病检测的大脑动态的差异.
• 这种新方法表明了在临床环境中对EEG信号的自动分析有很大的潜力.