一种基于同步提取变换和1维卷积神经网络的新发作预测方法

科学领域:

• 生物医学工程 生物医学工程
• 信号处理 信号处理
• 神经学 神经学

背景情况:

• 影响全球5000多万人,需要准确的发作预测.
• 目前的脑电图 (EEG) 信号分析方法,如短期里埃转换 (STFT),受到海森堡不确定性原理的限制.
• 在EEG分析中提高时间频率分辨率可以提高预测的准确性.

研究的目的:

• 开发一种新的方法来分解性脑电图信号,并增强时间频率分辨率.
• 提高发作预测的准确性和可靠性.
• 将拟议方法的性能与传统技术进行比较.

主要方法:

• 在EEG信号分析中应用同步提取转换 (SET) 和奇数值分解 (SET-SVD).
• 与STFT相比,利用SET-SVD实现更高的能量度和更好的时间频分辨率.
• 采用一维卷积神经网络 (1D-CNN) 和多层感知子 (MLP) 进行预发作分类.

主要成果:

• 结合1D-CNN的SET-SVD方法,在CHB-MIT数据库中达到99.71%的准确率,在波恩大学数据库中达到100%.
• 与STFT相比,在CHB-MIT数据库中,SET-SVD的精度,灵敏度和特异性分别提高了8.12%,6.24%和13.91%.
• 当与MLP分类器一起使用时,SET-SVD也比STFT有所改善,其精度,灵敏度和特异性分别增加了5.0%,2.41%和11.42%.

结论:

• 该SET-SVD技术有效地从性EEG信号中提取比STFT更准确的信息.
• 1D-CNN模型非常适合快速准确地对患者进行特定的EEG分类.
• 这些发现表明,SET-SVD对推进发作预测具有重大潜力.