患者特定的预发性模式 - 意识到发作预测与联合学习
Raghdah Saemaldahr1,2, Mohammad Ilyas2
1Department of Computer Science, Taibah University, Medina 42353, Saudi Arabia.
Sensors (Basel, Switzerland)
|July 29, 2023
概括
这项研究引入了一种新的三层架构,使用联合学习 (FL) 来预测发作. 该系统通过利用各种患者数据来提高准确性,同时保持隐私,实现高灵敏度和特异性.
科学领域:
- * 神经科学和人工智能
- * 医疗信号处理和机器学习
背景情况:
- *电脑电图 (EEG) 对于区分前和间状态至关重要,以预测发作.
- *现有的发作预测系统在数据稀缺性,多样性和隐私问题上扎.
研究的目的:
- * 通过联邦学习 (FL) 提出一种三层架构,用于使用发作预测.
- *通过利用全球患者发作模式,提高预测能力,同时确保数据隐私.
- * 通过两级边缘层决策流程来改善预测状态的确定.
主要方法:
- * 一个新的三层架构,集成联合学习 (FL) 进行全球知识聚合.
- * 一个本地尖端编码器 (SE) 与图形卷积神经网络 (Spiking-GCNN) 训练使用双时间尺度方法.
- * 适应性神经模糊推理系统 (ANFIS) 用于使用FL结果,心率变化和临床特征进行细粒度个性化.
主要成果:
- * 在CHB-MIT EEG数据集上实现了96.33%的灵敏度和96.14%的特异性.
- *联合学习集成通过解决数据稀缺问题,导致准确度提高了96.28%.
- *双时间尺度方法和Spiking-GCNN证明了有效的模式学习.
结论:
- * 拟议的基于FL的架构有效地解决了扣押预测中的数据稀缺性,多样性和隐私挑战.
- * 该系统在识别前状态方面表现出很高的性能,为早期发作警告提供了潜在的可能性.
- * 全球和本地模型的结合提供了强大的和个性化的发作预测.
