使用WaveNet和LSTM自动检测异常的EEG信号
Hezam Albaqami1,2, Ghulam Mubashar Hassan1, Amitava Datta1
1Department of Computer Science and Software Engineering, The University of Western Australia, Perth 6009, Australia.
Sensors (Basel, Switzerland)
|July 14, 2023
概括
一个新的深度学习模型准确地检测出异常的脑电图 (EEG) 数据. 这种自动化方法有助于早期诊断神经疾病,优于现有方法.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 神经系统疾病影响全球超过10亿人,导致大量的死亡率.
- 手动脑电图 (EEG) 分析是耗时的,需要专业知识,并面临训练有素的神经病学家的短缺.
- 自动化诊断过程对于及时和可访问的神经障碍的识别至关重要.
研究的目的:
- 开发和验证一种新的深度学习模型,用于自动检测异常的EEG数据.
- 解决手动EEG解释的局限性和神经学专业知识的稀缺性.
主要方法:
- 提出了一个新的深度学习模型,集成WaveNet-Long短期内存 (LSTM) 和LSTM架构.
- 该模型是在TUH异常EEG体V.2.0.0 (TUAB) 上进行训练和评估的.
- 在没有超参数调整的情况下,对独立的TUEP数据集进行了模型概括的评估.
主要成果:
- 拟议的模型在TUAB数据集上实现了88.76%的分类准确性,超过了最先进的技术.
- 在独立的TUEP数据集上,该模型在分类正常与异常EEG记录时显示出高可靠性,准确度为97.45%.
- 废弃实验证实了在拟议的深度学习架构中每个组件的重要性.
结论:
- 开发的深度学习模型为自动异常EEG检测提供了有效和强大的解决方案.
- 这种方法有望改善神经系统疾病的早期诊断和管理,特别是在资源有限的环境中.
- 该模型的强大性能和概括能力突出显示了其临床应用的潜力.
