一个意识到阶级不平衡和可解释的时空图注意力网络,用于新生儿发作检测
Khadijeh Raeisi1, Mohammad Khazaei1, Gabriella Tamburro2
1Department of Neuroscience, Imaging and Clinical Sciences, Universita Gabriele d'Annunzio, Chieti 66100, Italy.
International journal of neural systems
|July 27, 2023
概括
这项研究引入了一个深度学习模型,用于从EEG数据中检测新生儿发作. 空间时间图注意网络 (ST-GAT) 实现了高精度,提供了潜在的临床应用.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医疗技术 医疗技术 医学技术
背景情况:
- 新生儿发作是新生儿中最常见的神经疾病症状.
- 准确和及时的发作检测对于有效的治疗和改善结果至关重要.
- 现有的方法面临着数据复杂性和类不平衡的挑战.
研究的目的:
- 开发一个准确和可解释的深度学习模型,用于自动化新生儿发作检测.
- 整合时间EEG特征与空间通道信息,以提高检测.
- 为应对新生儿发作数据集中阶级不平衡的挑战.
主要方法:
- 一个新的空间时间图注意力网络 (ST-GAT) 结合了卷积神经网络 (CNN) 和图注意力网络 (GAT).
- 利用1D CNN从EEG段中提取时间特征.
- 采用GAT来建模EEG通道之间的空间关系和注意力,可视化重要的大脑区域.
- 纳入不足样本和焦点损失来处理严重的类不平衡.
主要成果:
- 在ST-GAT模型中,平均曲线下面积 (AUC) 为96.6%,卡帕得分为0.88.
- 与以前的基准分析方法相比,表现优越.
- 通过突出关键通道相互作用,GAT系数提供了对发作本地化的见解.
结论:
- 拟议的ST-GAT模型为自动化新生儿发作检测提供了一个高度准确和可解释的方法.
- 该方法有效地整合了时空EEG数据,并解决了阶级不平衡.
- 在新生儿重症监护病房中,ST-GAT具有显著的临床应用潜力.
